Вы находитесь на странице: 1из 402

ESTADISTICA EXPERIMENTAL

Aplicada a ciencia e ingeniera

ESTADSTICA
EXPERIMENTAL
Aplicada a ciencia e ingeniera
4

2 3 5 6

1 7

10 8

EEddiicciinn C
COON
NCCY
YTTEEC
C PPA
ALLA
ACCIIO
OSS C
C.. SSEEV
VEE1RRO
O
Palacios C. Severo

www.losmetalurgistas.blogspot.com/

ESTADSTICA
EXPERIMENTAL
Aplicada a ciencia e ingeniera

PALACIOS C. Severo
CEO Proceso SEVERO EIRL

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
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 Pgina
Prlogo 9
Introduccin 11
1 Estadstica bsica 13
I. Introduccin 13
II. Recopilacin de datos 14
III. Cuestionario como fuente de datos 15
IV. Presentacin de datos 15
V. Anlisis de datos 16
VI. Distribucin de frecuencia 17
VII. Criterios de distribucin de frecuencia 19
VIII. Medias de tendencia central 19
IX. Medidas de disepersin 26
Problemas 29
X. Estimacin de parmetros 39
XI. Diferencias significativas 39
XII. Dispersin de los datos problemas 40
Problemas 43
XIII. Distribuciones 50
XIV. Intervalos de confianza 54
XV. Muestreo 55
XVI. Mtodos de muestreo 55
XVII. Toma de decisiones 59
XVIII. Principios para la toma de decisin 62
XIX. Planificacin 62
Problemas 64
2 Anlisis de regresin 67
I. Introduccin 67
II. Mtodos de mnimos cuadrados 67
III. Modelos de regresin 70
IV. Modelo de regresin lineal con k variables 70
V. Regresin lineal simple 71
VI. Regresin lineal mltiple 73
VII. Regresin polinomial 74
VIII. Regresin polinomial cuadrtica 75
IX. Regresin no lineal 76
X. Coeficiente de correlacin mltiple R 77
XI. Prueba de significanca 77

5
Palacios C. Severo

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

6
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

III. Prueba U de Mann Whitney 162


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

7
Palacios C. Severo

E. Diseo compuesto centrado 282


Problemas 291
F. Diseo experimental comercial EXCO 295
G. Diseo Severo 298
Diseo factorial centrado de dos factores 300
Diseo Factorial centrado de tres factores 305
Diseo rotable centrado de n factores 308
Problemas 311
7 Superficie respuesta 323
I. Introduccin 323
II. Superficie respuesta 323
III. Polinomio de primer orden 324
IV. Prueba de significancia 325
V. Prueba de falta de ajuste 326
VI: Mxima pendiente ascendente 328
VII: Polinomio de segundo orden 331
VIII: Caracterizacin de la superficie respuesta 333
IX. Diseo de superficie respuesta cuadrtico 340
X. Superficie de respuesta cuadrtica 350
XI. Exploracin de superficie respuesta 354
XII. Punto estacionario 367
XIII. Criterio de formas cuadrticas 368
Anexo 387
Referencias 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 so-
cial, 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, bio-
logos, 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 pue-
den contribuir ms a la comprensin de los principios, con referencia
a los que pueden realizarse con los conocimientos bsicos y las posibi-
lidades e instrumentos de la tecnologa actual.

Se ha intentado presentar un marco conceptual que estimule la habili-


dad del lector de las diversas ramas del saber (Biologa, Medicina,
Ciencias Sociales, Economa, Administracin, Ingenieras y reas Tc-
nicas) para entender la manera en que los factores (variables) interac-
tan 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 ope-
raciones elementales de matrices.

El libro est diseado como un manual dividido en partes con captu-


los para su mejor comprensin. Se propone servir como fuente de refe-
rencia para tratar casos especfic0s de los lectores.

Los ejemplos resueltos (fueron desarrollados aplicando los programas


estadsticos Statgraphics Centurion y ESPC elaborado para el presente
libro), sirven para ilustrar y ampliar las teoras, sin lo cual el lector
sentira un vaci. Las demostraciones de procesos industriales se in-

9
Palacios C. Severo

cluyen en ello. Los problemas suplementarios completan la revisin


del material tratado en cada tema.

El material cubre un curso habitual con el fin de flexibilizar, ampliar y


mejorar los sistemas curriculares, siendo este un libro de consulta
para inters de otros temas.

No deseo finalizar sin agradecer a mi amigo Luis Solrzano Espinola


por la revisin minuciosa y detallada de la presente edicin del pre-
sente 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 pri-
vadas por la cooperacin para la elaboracin del presente, de igual
manera con prestigiosos colegas por su colaboracin para la culmina-
cin de tan importante tema.

Palacios C. Severo
EIRL

CEO Proceso SEVERO


Mvil: (+511) 996696214
espc02@yahoo.com

10
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

INTRODUCCIN

Si su trabajo tiene que ver con la investigacin cientfica tecnolgi-


ca (ciencias e ingeniera). Probablemente se ha dado cuenta que la
mayora de los libros de estadstica (bsica y avanzada) son abstrac-
tos 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 pti-
mos, 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, orga-


nizacin, 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 pro-
ceso 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 impor-
tante 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 (auto-
matizacin), impuesta por los diferentes factores que estn incidiendo
en el cambio vertiginoso que caracteriza a nuestra poca (competitivi-
dad) y que, en mayor o menor grado, con mayor o menor velocidad,
llega a todas las regiones y pases del mundo. Veamos algunos de los
factores de complejidad en operaciones industriales. La planta recibe
rdenes de produccin que deban ser procesados y cumplidos en un

11
Palacios C. Severo

lapso determinado, utilizando recursos internos y externos casi siem-


pre escasos.

La importancia de los resultados, anticipado en la toma de decisiones,


empieza a buscar respuestas a otro tipo de preguntas Qu es lo me-
jor? 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 re-
laciones 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 reali-
cen 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 cient-
fico 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 exce-
lente calidad, como el SAS, SPSS, SCA, Statgraphics, amn de otros,
que corren en un ordenador sin mayores exigencias tcnicas, permi-
tiendo 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 aproxima-
damente la posicin de un electrn en un instante determinado. Pero, perso-
nalmente, 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 rele-
vantes 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 incerti-
dumbre 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 con-
cepto profano que se deriva de la ignorancia en este campo y de lo
polifactico de los mtodos estadsticos. Sin embargo muchos investi-
gadores tendenciosos han cometido abusos con la estadstica, elabo-
rando investigaciones de intencin, teniendo previamente los resulta-
dos que les interesan mostrar a personas ingenuas y desconocedoras
de los hechos. Otros, por ignorancia o negligencia, abusan de la esta-
dstica utilizando modelos inapropiados o razonamientos ilgicos y
errneos que conducen al rotundo fracaso de sus investigaciones.

A veces nuestras vidas parecen estar controladas por estadsticas. De


informes sobre el tiempo, lectura de las presiones sanguneas, todos
tenemos que ver rutinariamente con una amplia variedad de medidas
estadsticas.
13
Palacios C. Severo

El anlisis estadstico es til para la investigacin (tecnolgica y cien-


tfica), pues ayuda a resumir e interpretar el gran volumen de cifras
que resultan an en la encuesta ms pequea. Los principios estadsti-
cos 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 investiga-
cin.

El propsito de la presente obra es darle a usted una visin panormi-


ca de los tipos de medidas estadsticas ms importantes que se usan. Si
usted requiere informacin ms detallada, consulte algunos de los
muchos libros buenos en estadstica que estn disponibles1.

Aunque existen centenares de medidas y pruebas estadsticas que pue-


den 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 em-


presa propiamente dicha se llaman datos externos.

La gerencia de produccin de una fbrica de fundicin puede necesitar


informacin sobre la cantidad de cierto metal en el mercado nacional,
con el propsito de estimar las ventas a 10 aos plazo.

Hay enormes cantidades de datos comerciales, empresariales, farma-


cuticos, que pueden consultarse en las bibliotecas pblicas y en las
universidades.

El gobierno es el mayor editor de estadsticas anuales, mensuales,


semanales, diarias. Una publicacin anual del Instituto Nacional de

1 Ver referencias bibliogrficas

14
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Estadstica contiene ms de mil pginas de datos sobre precios, educa-


cin, produccin y otros puntos, que son de utilidad para los que pro-
cesan datos: economistas, analistas y dems profesionales.

III. CUESTIONARIO COMO FUENTE DE DATOS

Los datos estadsticos relativos a la opinin corriente de los consumi-


dores 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 ge-
neral 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 rela-
tivamente bajo el porcentaje de respuestas a ciertos cuestionarios.

La conveniencia principal del cuestionario como tcnica de recopila-


cin 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 repre-
sentar 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 usual-
mente apta para un anlisis. Los datos deben organizarse y presen-
tarse en una tabla o grfico, antes de efectuar ningn anlisis ni in-
terpretacin. Si se necesitan cifras exactas de un informe convendra
presentar los datos en una tabla. En caso contrario, es preferible un
grfico para atraer la atencin del lector.

Grfico de lneas mltiples y de barras mltiples. La tendencia


o movimiento de las exportaciones de dos comercializadoras se pueden
representar grficamente.

Grfico de barras de componentes. El gerente de ventas de una


embotelladora desea graficar el total de ventas en tres aos y tambin
la variedad de los productos en relacin con el total. Podra utilizar un
grfico de lneas o un grfico de barras.

15
Palacios C. Severo

Grfico de barras bi direccionales. Para indicar los cambios


porcentuales puede utilizarse un grfico bi direccional, que tambin es
til para ilustrar ganancias y prdidas, produccin o ventas cobre lo
normal o bajo lo normal de un perodo a otro. Por ejemplo, se repre-
sentan los cambios porcentuales de ventas correspondientes a cinco
aos de ventas:
Ventas Cambio
Sucursales
2005 2010 Porcentual
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, va-
riabilidad, representacin grfica, etc. Se pretende conocer cada va-
riable as como detectar errores, valores extremos.

Estadstica Bivariable: Estudia las relaciones entre pares de va-


riables, utilizando estadsticos como el coeficiente de correlacin Chi
cuadrado, t de Student, etc. y representaciones grficas diversas.

Anlisis Multivariante: Analiza simultneamente dos o ms va-


riables. Los mtodos pueden ser predictivos cuando existe una varia-
ble 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 va-
rianza) o reductivos cuando se estudian las relaciones entre un con-
junto de variables o casos sin que exista una variable a identificar
(componentes principales, anlisis factorial, correspondencia binaria,
correspondencia mltiple).

Usos de variables en el anlisis

Las variables pueden ser definidas para medir una determinada sali-
da o respuesta o bien para explicar por que se obtiene una determina-
da salida. Por ejemplo en el estudio de una enfermedad, las variables
edad, antecedentes, severidad del estado, tratamiento son variables

16
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

explicativas o independientes. Las variables discretas sana/no sana es


la variable dependiente.

En ciertos anlisis exploratorios todas las variables se usan como un


nico conjunto, sin distincin entre independientes y dependientes.

Anlisis apropiado de datos

Son dos motivos por lo que resulta difcil la eleccin de la tcnica esta-
dstica 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 cuantita-


tivos a los que deben darse ciertas formas significativas antes de po-
der efectuar ningn anlisis e interpretacin. Una forma de uso co-
rriente es la distribucin de frecuencia. Existen dos tipos de variables,
a saber: discretas y continuas. El anlisis de la distribucin de fre-
cuencia 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 cen-
tral de concentracin, si lo hubiere.

17
Palacios C. Severo

Por lo tanto es esencial, para analizar las entradas, organizar los da-
tos que estn sin agrupar en una forma agrupada llamada distribu-
cin 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 po-
demos observar todos los valores de esa variable. Este caso se presen-
ta 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 situa-
cin se agrupan dichos valores en intervalos o clases. Los intervalos se
notan: ei 1 ei es intervalo i-simo.

Se llama amplitud del intervalo a la distancia que existe entre los ex-
tremos.

ai ei ei 1

Se llama marca de clase al punto medio de un intervalo. Este punto es


importante porque es el representante del intervalo.

ei 1 ei 1
xi
2

Se llama densidad de frecuencia de un intervalo a la frecuencia co-


rrespondiente a cada unidad de la variable en dicho intervalo.

ni
di
ai

Los intervalos se suelen tomar abiertos por la izquierda y cerrados por


la derecha, salvo el primero que se toma cerrado por los dos lados.

En este tipo de distribuciones se pierde parte de la informacin al

18
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

agruparlas en intervalos, ya no se puede hablar de valores concretos


sino de intervalos.

Cuanto mayor sea la amplitud de los intervalos menos intervalos ha-


br, 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 arbi-
trariamente en clases con un intervalo digamos 250 dlares. Este va-
lor 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 lmi-
tes 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 m-


nimo de 5 a un mximo de 20. El hecho de que sean muy pocas o mu-
chas clases no nos aclara la caracterstica esencial de los datos. Por
ejemplo, si organizamos los ingresos de los operadores de computado-
ras solamente en dos clases:

Ingreso Mensual (US$) Cantidad de operarios


De 250 a 400 25
De 400 a 600 23

Un anlisis de distribucin de frecuencia no revelara mucho acerca de


la estructura de los ingresos de los operarios.

Siempre que sea posible, el intervalo entre todas las clases se la distri-
bucin de frecuencia deber ser igual. Los intervalos desiguales origi-
nan problemas al graficar y al calcular promedios y otras medias
estadstica.

VIII. MEDIDAS DE TENDENCIA CENTRAL

Una medida de tendencia central es un nmero que representa el valor


central de un conjunto de valores. Habitualmente, estas medidas se
19
Palacios C. Severo

llaman promedios. He aqu algunos ejemplos: el ingreso promedio de


una familia, es de US$ 1500 por ao; para el peso promedio de 60
fardos de fibra de llama utilizados para el tejido de alfombras y un
dimetro promedio de pistones maquinados durante un jornal.

En el presente se consideran las herramientas estadsticas que ms


comnmente se usan:

Media aritmtica

Generalmente se le llama media o promedio. La media es simplemente


la suma de una serie de datos numricos dividida por el nmero total
de ellos.

Es apropiado usar la media cuando los resultados son simtricos y


tienen una distribucin normal. Pero existen casos que estudiaremos a
continuacin:

Datos no agrupados: Si los datos no estn agrupados la media


aritmtica se calcula tomando todas las mediciones y dividiendo la
suma por el nmero de stos.

Datos agrupados: La resistencia a la traccin de varios filamentos


son 6, 6, 7, 7, 8, 8, y 9,4. Estos valores se agrupan en una distribucin
de frecuencia.

El punto medio de cada clase se usa para representar la clase. El pun-


to medio de la clase se multiplica entonces por el nmero de frecuencia
en esa clase. La suma de estos productos se divide por la cantidad total
de datos para obtener la media aritmtica.

Ejemplo 1.1
La tabla 1.1 muestra los puntajes de tres artculos en una prueba de
degustacin, usando preguntas cualitativas de escalas, a fin de cuanti-
ficar 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 alre-
dedor de un punto medio) pero otras distribuciones son lo bastante

20
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

comunes como para que se deba verificar siempre, antes de usar la


media, si sta es en realidad descriptiva.

Xi
X i 1,2,... n
n

La media tiene otra debilidad sobre la que se debe estar alerta: se ve


afectada por las observaciones extremas.
Tabla 1.1 Puntaje de tres productos en preguntas de degustacin
Nivel de Producto
degustacin 1 2 3
5 10 20 0
4 5 20 50
3 70 20 50
2 5 20 0
1 10 20 0
Media 20 20 20

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

Media aritmtica ponderada

Permite calcular un promedio que toma en cuenta la importancia o el


factor que tiene cada valor sobre el total. Todas las medias aritmticas
son ponderadas. Si no se dan factores especficos a todos y cada uno
de los valores de la serie.

X i mi
X
mi

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

21
Palacios C. Severo

gerencia desea conocer el costo promedio de mano de obra por da


para cada producto.

El promedio aritmtico simple es:

Y 0,644 1,661X1 0,0160 X 2

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

11,678 5 3 187,72 US $

Y para una unidad del producto 2 es,

2 Ag Fe 2 AgO Fe 2

El anlisis de esta manera es incorrecto, ya que no se toma en cuenta


que se trabaja con diferente personal.

Ejemplo 1.4
Se compra material de construccin a tres empresas comercializado-
ras siendo sus costos: 80 kilo a 0,5 dlares por kilo, 20 kilo a 0,7 dla-
res y 10 kilos a 0,9 dlares.

Determine el precio promedio por kilos de alambrn.

Tabla 1,3 Precio por kilo de alambrn


Precio por kilo (Xi) Kilo comprado (mi)
0,5 80
0,7 20
0,9 10
Total 110

Aplicando la frmula

X i mi
X
mi

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

Comparando con el promedio simple

X1 X 900/10

22
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

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

Media armnica

Es el inverso del valor medio, se la utiliza con frecuencia para la medi-


cin y anlisis de flujos volumtricos.
1
H n
Xi

Ejemplo 1.5
Calcular el flujo volumtrico medio (FVM) de dos bombas que entre-
gan combustible 10000 litros a razn de 500 litros por minuto y
10000 litros a razn de 100 litros por minuto, n = 2

1
H 2 166,7 litros / min
1 / 500 1 / 100

El resultado tambin puede obtenerse calculando el tiempo necesario


para bombear 10000 litros con los dos flujos volumtricos y dividien-
do el resultado por el nmero total de litros bombeados, es decir:

r1 = 10000/500 = 20 min
r2 = 10000/100 = 100 min
FVM = (10000 + 10000)/120 = 166,7 l/min

Obsrvese que el valor medio es de 300 litros por minuto, casi el doble
de la media armnica.

Media geomtrica

La media geomtrica Xg es la n-raz de los productos de la n observa-


ciones medidas, de amplia utilidad en economa.

X g n Xi

En forma logartmica

nLogX i
Log X g
n

Una aplicacin importante es determinar el incremento porcentual


promedio en ventas, produccin u otras variables correspondientes a
un lapso dado.
23
Palacios C. Severo

Una modificacin de la frmula es:

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

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 dla-


res.

Tabla 1.4 Economa inflacionaria


Ao Tasa de inters Factor de crecimiento Ahorro al final de ao (US$)
1 10 2 1000*2 = 2000
2 20 3 2000*3 = 6000
3 25 3,5 6000*3,5 = 21000
4 30 4 21000*4 = 84000
5 40 5 84000*5 = 420000

El factor de crecimiento anual, ser:

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

Pero 3,5 = 1 + 25/10

Corresponde a una tasa de inters promedio de 20% anual.

Entonces, el depsito de 1000 dlares crecer en cinco aos:


SCcolumna 37 2 412 39 2 412 / 4 158 / 16 2,75
2

Este es un valor excedente al real en ms de US$ 10521 - 8,75 un error


muy considerable.

Usando la media geomtrica, el factor de crecimiento promedio Anual


corresponde a una tasa de inters promedio de 235% anual o 3,35 = 1
+ 235/100 entonces el depsito de 1000 dlares crecer en cinco aos
a:


SCtratamientoo 352 312 56 2 36 2 / 4 158 / 16 94,25
2

24
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Siendo est la media ms apropiada para el caso.

Media cuadrtica

De un conjunto de nmeros Xn es denotado por la raz cuadrada de la


media cuadrtica y es definida como:

X
2
Xq
n

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

X q 6,24

Mediana

Se llama mediana de una variable estadstica a aquel valor de la va-


riable tal que el nmero de observaciones menores que l es igual que
el nmero de observaciones mayores. Se nota Me y se puede conside-
rar como el punto de abscisas cuya ordenada en la curva vale .

Ni C

N/2
B

Ni-1 C
A B

ei-1 Me e

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

Datos no agrupados: La mediana es el valor correspondiente a un


punto de una escala con respecto al cual la mitad superior agrupa
igual cantidad de valores que la mitad inferior. Para determinar la
mediana de datos no agrupados se ordenan, en primer lugar, de me-
nor a mayor.
25
Palacios C. Severo

Datos agrupados: Ordenar algunas observaciones no agrupadas de


menor a mayor y elegir el valor central representa poco trabajo. Sin
embargo, si son muchas las observaciones siempre es un problema
ordenarla y encontrar el punto medio. En cambio, en datos cuantitati-
vos es posible clasificarla directamente en clases y hallar una aproxi-
macin de la mediana en funcin de la distribucin de frecuencia re-
sultante.

La mediana se puede clasificar con la frmula siguiente:

n / 2 F
Mediana L i
f

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
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 cua-


litativos. Se define la moda de una distribucin como aquel valor que
se ha presentado ms veces, es decir, es aquel que su frecuencia abso-
luta es mxima.

Si la distribucin es agrupada en intervalos se habla de intervalo mo-


dal.

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 distri-
buciones bimodales, trimodales, o en general plurimodales.

Datos no agrupados: El modo se define como el valor de la obser-


vacin que aparece con mayor frecuencia. Cuando existe solo un mo-
26
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

do, la distribucin se llama unimodal, si existen dos valores que apa-


recen 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 es-


parcimiento 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 espar-


cimiento de una distribucin alrededor de la media aritmtica. Cuanto
ms grande sea la varianza ms esparcidos estarn los valores de la
variable. La varianza se suele notar 2 y se calcula:

X i X ni
X i X f i
N

Al igual que en la media aritmtica los Xi representan a los valores de


la variable si es una distribucin no agrupada y a las marcas de clase
si es una distribucin agrupada en intervalos.

La varianza es la suma de las desviaciones de los valores de la varia-


ble sobre la media aritmtica ponderada por las frecuencias. Por lo
tanto, cuanto menor sea la varianza ms agrupada estar la distribu-
cin 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 defi-
ne como la raz cuadrada de la varianza.
27
Palacios C. Severo


Coeficiente de variacin

Tanto la varianza como la desviacin tpica son medidas de dispersin


absoluta, es decir, nos hablan de la dispersin de la variable que esta-
mos estudiando, pero no nos permiten comparar la dispersin de dos
distribuciones distintas.

El coeficiente de variacin es una medida de dispersin relativa que


nos va permitir comparar dos distribuciones distintas, se define como
el cociente entre la desviacin tpica y la media aritmtica.


CV
X

El coeficiente de variacin es un coeficiente adimensional y solo se


puede definir cuando la media aritmtica es distinta de cero.
Para comparar la dispersin de dos distribuciones basta con compa-
rar sus coeficientes de variacin, aquella que su coeficiente de varia-
cin sea menor es la que esta ms concentrada en torno a su media
aritmtica.

28
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

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 eventua-
les. Ciertos das trabajan con seis, ocho y cuatro.
En la mayora de las veces trabajan con siete obreros, siendo en
total ocho micro empresas.
Cul es el promedio de obreros por micro empresa
(6) Supongamos que se han registrado 50 observaciones referentes
a los pesos de 50 garrafas de gas licuado, la muestra fue obteni-
da de la produccin por hora y las unidades estn dadas en ki-
logramo
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 prome-
dio
(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

29
Palacios C. Severo

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 con-
junto
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 cos-
to de 8 dlares en donde se incluyen los tres tipos de carnes a ra-
zn de 1:0,5:0,2 respectivamente.
Determine el promedio de platos Buffet que podrn prepararse
y cuanto de carne sobra?
(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 me-
tros 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 produc-
cin 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 concen-
traciones de nitritos superan las normas establecidas para la
crianza de peces, dicha concentracin es de 0,03 mg NO2/l. Para
tratar de verificar la sospecha, se midieron los niveles de nitritos

30
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

en diez puntos aleatorios del acufero y se obtuvieron los si-


guientes 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 cua-
tro cervezas es.
X 41,2 s 2,1
Calcular un intervalo de confianza del 90% para el porcentaje
medio de alcohol en la sangre de una persona, despus de tomar
cuatro cervezas.
Si se calcula un intervalo de confianza del 95%, cual ser el de
mayor o menor amplitud.
(16) El 2000 se reforestaron ms de 3 millones de acres con dos mil
millones de plantas de viveros. Una grave sequa durante las si-
guientes 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 pro-
porcin de plantas del vivero muertas. Utilizar dicha informa-
cin para estimar el nmero de plantas muertas en la poblacin.
(17) La capacidad de los equipos de vidrio producido en una deter-
minada 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 ti-
po A y 18 determinaciones en parcelas con cereales tipo B con los
resultados siguientes.
X A 14,5 Kg / rea s A 3,23 Kg / rea
X B 15,3 Kg / rea s B 1,85 Kg / rea

31
Palacios C. Severo

Son igualmente efectivos para el cultivo los cereales A y B al ni-


vel 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 obser-
vaciones sobre el contenido de sodio (mili moles por litro de le-
che), en 10 envases aleatoriamente seleccionadas.
Envase 1 2 3 4 5 6 7 8 9 10
Leche 93 104 95 81 95 95 76 80 79 87
Plasma 147 157 142 141 142 147 148 144 144 146
Hallar un intervalo de confianza del 95% de la diferencia media
de los niveles de sodio en los fluidos del lcteo
(21) En el departamento de control de calidad de una empresa, se
quiere determinar si ha habido un descenso significativo de la
calidad de su producto entre las producciones de dos semanas
consecutivas a consecuencia de un incidente ocurrido durante el
fin de semana. Deciden tomar una muestra de la produccin de
cada semana, si la calidad de cada artculo se mide en una esca-
la 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 pro-
ducciones 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 que-
remos 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, sa-
bemos, contiene 90% de un determinado compuesto. Los resul-
tados 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 va-
rianza poblacional. Qu conclusiones podemos realizar?
(23) Se ha hecho un estudio sobre la proporcin de enfermos de cn-
cer de pulmn detectados en hospital que fuman, obtenindose
que de 123 enfermos 41 de ellos eran fumadores. Obtener un in-
tervalo de confianza para dicha proporcin. Estudiar si dicha
proporcin puede considerarse igual a la proporcin de fuma-
dores en la poblacin si sta es de un 29%.
(24) Para estudiar la efectividad de un medicamento contra la diabe-
tes se mide la cantidad de glucemia en sangre antes y despus de
la administracin de dicho medicamento, obtenindose los resul-
tados siguientes:

32
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

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


Despus 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 fa-
bricacin 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 pie-
zas defectuosas, pero decides tomar una muestra para estimar
la proporcin de las mismas.
a) Cuntas piezas decides examinar para que, con un nivel de
confianza del 95%, el error que cometas en la estimacin de la
proporcin poblacional de defectuosas no sea mayor que 0.05?
b) Si decides tomar una muestra de 100 artculos escogidos al
azar en el lote y realizas el recuento de piezas defectuosas en es-
ta muestra, encontrado 4 artculos defectuosos.
Construye para la proporcin de defectuosos en el lote, un inter-
valo de confianza al nivel de 95% de confianza. Se debe recha-
zar el lote?
(26) 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 Normalmen-
te, 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 po-
blacional es igual a 240. Supuesto extradas muestras de tama-
o 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 dura-
cin 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 pro-
veedor con el fin de detectar la presencia del nquel mediante
una prueba que nunca da un resultado errneo. Si en 5 de dichas
muestras se observo la presencia de nquel podemos creer al
proveedor cuando asegura que a lo sumo el 8% de las muestras
contienen nquel?

33
Palacios C. Severo

(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 com-
probar que lo ha hecho bien utiliza el sistema consistente en me-
dir cuatro barras y aceptar que el calibrado es bueno si encuen-
tra al menos un valor inferior y otro superior a 12,5.
Determinar el nivel de significacin del contraste que esta lle-
vando 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 m-
ximo error que podramos cometer al tomar como media de la
poblacin el valor obtenido en la estimacin puntual.
(32) En una muestra aleatoria de 90 pacientes se mide el nivel de
glucosa en sangre en ayunas. Se obtiene X 132 mg/dl y s2=109.
Construir el intervalo de confianza al 95%.
(33) Para evaluar una vacuna para la gripe se selecciona un grupo
de 200 individuos de riesgo. Se eligen 100 de ellos y se les sumi-
nistra la vacuna; de ellos 10 pasan la gripe. Construir un inter-
valo 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 me-
dio de fruta de 22 mg por 100 cc de zumo. La varianza poblacio-
nal es desconocida, por lo que se ha calculado la desviacin tpi-
ca 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 tan-
to 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 disper-

34
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

sin de la duracin de las pilas por lo que se hace necesario


construir intervalos de confianza para la citada dispersin con
coeficientes de confianza 90% y 98%.
Construir dichos intervalos a partir de una muestra de tamao
20 cuya dispersin es 2240 horas.
(37) Se sabe que la longitud de los dimetros de los tornillos fabrica-
dos por una mquina sigue una distribucin normal y se busca
un intervalo en el cual se encuentre la variabilidad de las longi-
tudes de los tornillos fabricados por la mquina con una proba-
bilidad del 80%.
Construir dicho intervalo sabiendo que una muestra de 16 torni-
llos presenta una variabilidad cuantificada en 30.
(38) Un granjero dispone de dos criaderos diferentes A y B con va-
rias 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
3,6 2,7 3,5 4,2 2,8 4,4 3,3 3,1

35
Palacios C. Severo

Determinar un intervalo de confianza para la varianza con nivel


de confianza del 99%, si la prdida de peso es aproximadamente
normal.
(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 po-
blacional conocida = 0,4.
(43) El tiempo, en minutos, que esperan los clientes de un determina-
do 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 confian-
za 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 des-
viacin 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 dura-
cin media del viaje.
b) Calcular la probabilidad de que, en valor absoluto, la diferen-
cia 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 20 27 22 23 23 28 23 26 22 26 20 19 22
Arcilloso 19 30 32 28 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 conte-
nido en materia grasa, obtenindose los siguientes resultados.
Granja A X A 8,7% s A2 1,02% 2 n A 33
Granja B X B 10,9% s B2 1,73% 2 nB 27
Se pide construir un intervalo de confianza del 95% para la dife-
rencia del contenido medio en grasa de leche de ambas granjas.
(47) En una determinada raza de ganado vacuno los terneros incre-
mentan 12 kg. de peso cada semana, en los primeros meses de

36
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

vida. Para comprobar se someti al pesado de ocho terneras al


cumplir las cuatro semanas y posteriormente dos semanas.
Ternero 1 2 3 4 5 6 7 8
Peso 4 semanas 130 125 128 127 129 123 131 130
Peso 6 semanas 138 140 139 141 137 137 142 142
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. Supo-
niendo que los no recuperados fueron victimas de un depreda-
dor, la tasa de supervivencia estimada de un ao para los pja-
ros 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 presen-
ta 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 me-
dia 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 gra-
nito. 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.
(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 m-
ximo 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,

37
Palacios C. Severo

492, 534, 523, 452, 464, 562, 584, 507, 461


Suponiendo que el tiempo de reaccin se distribuye normalmen-
te, 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 re-
sulta ser 225 y la desviacin tpica muestral 10.
Suponiendo que la varianza muestral coincida con la de la po-
blacin, 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 perso-
nas que leen el peridico en ese barrio sea 0,20?

38
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

X. ESTIMACIN DE PARMETROS

Otra cosa que los investigadores tratan de hacer con frecuencia es


obtener inferencias sobre la poblacin con base en los resultados de
una experiencia a partir de una muestra. El hecho de que 50 personas
en una prueba prefieran el producto A al producto B por un margen
de dos a tres, es importante solo en la medida en que le permita con-
cluir 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 encon-
tr en el estudio.

Ejemplo 1.9
En un estudio X se encontr que el 30% de los informantes tienen co-
nocimiento 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 resulta-


dos entre dos muestras. Las comparaciones ms comunes son:

Dos o ms subgrupos dentro de una misma muestra

Tienen las personas con ingresos superiores de US$ 10000, opiniones


diferentes de las que tienen las personas con ingresos por debajo de
Sus 10000? Son distintas las evaluaciones de productos confecciona-
dos por los varones a las evaluaciones hechas por las mujeres?

Muestras tomadas en diferentes puntos en el tiempo

Aument el conocimiento del producto durante el ao pasado? Es la


participacin en las Universidades mayor de lo que era hace cinco
aos? Lo primero que usted hace, es observar los resultados en forma
simple y directa.

39
Palacios C. Severo

Si las respuestas de los hombres y mujeres son iguales, usted no nece-


sita 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 dife-
rencia de los resultados tan pequea como para sugerir que sta pro-
bablemente ocurri por azar? est si usted repite la prueba. Hay una
buena probabilidad de que el resultado sea el contrario? Es el resul-
tado lo bastante grande como para que probablemente sea el resulta-
do 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 ocu-
rrido por azar, entonces la hiptesis nula no puede ser rechazada y
usted debe concluir que la diferencia entre las dos muestras no es es-
tadsticamente 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 estadsti-
camente significativa al nivel de significacin del 95 por ciento.

Adems de estas medidas de la diferencia en dos muestras, hay otras


pruebas estadsticas que son tiles para evaluar diversas clases de
resultados.

XII. DISPERSIN DE LOS DATOS PROBLEMAS

La varianza mide la dispersin de los datos con respecto a la media


aritmtica y la desviacin estndar es simplemente la raz cuadrada
positiva de la varianza. Daremos las definiciones para su aplicacin.

Datos no agrupdos: La varianza tambin se basa en desviaciones a


partir de medias. Para hallar la varianza a de un producto, se eleva al
cuadrado las desviaciones a partir de las medias X X , luego tambin
2

40
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

se suman X X 2 y se promedian dividiendo por el nmero total de


productos, o sea n.



X X i

2

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 esti-
mada S(X).

S X
X X i

2

n 1

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 matemti-
co, las restricciones impuestas a los valores. En este caso al calcular la
desviacin estndar, el nmero n de observaciones sta fijado y la
desviacin estndar estimada se puede calcular a partir de la media.
De la n observaciones slo n-1 pueden variar, el ltimo valor queda
determinado por X y n. Por lo tanto al estimar la desviacin estndar
a partir de una muestra de la poblacin de datos, solo hay n-1 grados
de libertad. Elevando al cuadrado la desviacin estndar estimada se
tiene la varianza estimada S X 2 .

Ejemplo 1.10
Se han realizado cinco anlisis de un producto para determinar la
concentracin de un componente X. Los resultados fueron: 98 97,7 87
96 y 93 X 94,32

98 97,7 87 96 93 471,6
S X
2 2 2 2 2 2

4,54
5

Datos agrupados: Para ilustrar el clculo de la desviacin estndar


para datos agrupados veamos los siguientes jornales de obreros. En
primer trmino se hallan los puntos medios X de cada clase de jornal.
Luego se eleva al cuadrado las X X 2 se multiplican por el nmero ade-
cuado de frecuencia de clase para dar f X 2 .
41
Palacios C. Severo

fX
2
S X X2
n

Jornal (US$) Cantidad (f) X X


2
fX
2
fX
3a5 2 4 16 32 8
5a7 5 6 36 180 30
7a9 3 8 64 192 24
Total 10 404 62

404 62
2

S X 1,4 US$
10 10

La desviacin estndar puede emplearse como denominador comn


para colectar la dispersin de las dos distribuciones y la representati-
vidad de las dos medias.

Otra aplicacin es la desviacin estndar como instrumento de anli-


sis se da en su relacin con la media de una distribucin normal. Una
relacin se halla en funcin del porcentaje de observaciones dentro de
una desviacin estndar debajo de la media y una desviacin estndar
incluye un 95% de las observaciones. La X 3(S ) incluye alrededor de
99,7% de las observaciones.

Desviacin media

Otra medida de la dispersin de los valores es la desviacin media


real, se trata simplemente de la media aritmtica de las desviaciones
de las medias sin tener en cuenta lo siguiente:

md X X i

X mediana
n

Para una desviacin normal, la desviacin estndar verdadera es


aproximadamente igual 1,25 veces la desviacin media.

Ejemplo 1.11
Calcular la desviacin media del ejemplo 1.10.

md = 3,456

La dispersin de los resultados ser 3,456


42
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Problemas

(55) Calcule el valor medio, mediana y moda de la siguiente distribu-


cin de datos:
X Y
110 -119 1
100 109 0
90 99 2
80 89 5
70 79 10
60 69 13
50 59 9
40 49 4
30 39 5
20 29 0
10 - 19 1
(56) Se recibe materia! de dos fuentes de abastecimiento. Los anlisis
de muestras provienen de las dos fuentes que se indican a conti-
nuacin. 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 CO2
en volumen: 24,6 23,7 23,4 23,8 24,1 23,9
Calcule el intervalo de confiabilidad de la media verdadera?
(58) En una refinera de plata, se analiza el contenido de plata en los
residuos para establecer su concentracin en los lingotes. Las
muestras obtenidas durante dos turnos dieron los resultados.
Hora 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 diferen-
tes, acerca del efecto de la temperatura sobre cierta reaccin es
la siguiente:
Temperatura Rendimiento del reactor
(C) 1 2 3 4
800 10,4 12,9 11,7 13,5
900 10,9 10,8 10,6 13,5
980 12,1 11,6 12,8 10,2
Determinar mediante anlisis de varianza de dos caminos, si la
varianza entre los reactores y entre la temperatura es altamente
significativo.
(60) Un fabricante de hipoclorito sabe que la cantidad de cloro con-
tenido en su producto decrece con el tiempo y eventualmente se

43
Palacios C. Severo

estabiliza en torno al 0,3%. El fabricante desea estimar la canti-


dad 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 fa-
bricado.
Semanas desde la
Cantidad disponible de cloro (%)
fabricacin
8 0,49 0,49
10 0,48 0,47 0,48 0,47
12 0,46 0,46 0,45 0,43
14 0,45 0,43 0,43
16 0,44 0,43 0,43
18 0,46 0,45
20 0,42 0,42 0,43
22 0,41 0,41 0,40
24 0,42 0,40 0,40
26 0,41 0,40 0,41
28 0,41 0,40
30 0,4 0,40 0,38
32 0,41 0,40
34 0,40
36 0,41 0,38
38 0,40 0,40
40 0,39
42 0,39
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 em-
briones de pollo al transcurrir el tiempo sigue la ley de tipo ex-
ponencial.
En un experimento se obtuvieron los pesos (gramos) de un em-
brin 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
Peso 0,02 0,05 0,07 0,13 0,18 0,26 0,43 0,74 1,13 1,88 2,81
Crear una tabla con la variable das y peso con datos anteriores.
Realizar un anlisis de regresin para comprobar que valores
siguen la ley exponencial.
Grfique los datos y la lnea de regresin ajustada.
Estime el peso de un pollo a los 7,5 a los 16 y a los 18 das de su
nacimiento. Justificar si alguna de las estimaciones obtenidas es
poco fiable.
(62) En la siguiente tabla se refiere al nmero Y de bacterias por
unidad de volumen presentes en un cultivo despus de X horas.
X 0 1 2 3 4 5 6
Y 32 47 65 92 132 190 275

44
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Ajustar los datos a una curva del tipo Y = aXb


Calcular los valores del coeficiente de correlacin
Visualizar la lnea de regresin y los datos obtenidos
Estimar el valor de Y para un valor de X = 3,5
(63) La tabla adjunta muestra cinco observaciones de un fenmeno
cintico
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 mode-
los 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 se-
gundo 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 per-
sonas elegidas al azar, el 80% est decidido a votar en las lti-
mas 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 1 1/5 = 0,2
2 1 1/5 = 0,2
4 1 1/5 = 0,2
6 1 1/5 = 0,2
8 1 1/5 = 0,2
Demostrar que es razonable aproximar la distribucin muestral
de por una distribucin normal, una vez que se conoce la media
y la desviacin estndar de la distribucin muestral.
(68) En un experimento de laboratorio se mide el tiempo de una
reaccin qumica. Se ha repetido el experimento 98 veces y se

45
Palacios C. Severo

obtiene que la media de los 98 experimentos es de 5 segundos


con una desviacin de 0,05 segundos. Cul es la probabilidad
de que la media poblacional m difiera de la media muestral en
menos de 0,01 segundos?
(69) Se establece un control de calidad para un proceso de produc-
cin 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 ba-
las 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 con-
cluyes 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 proba-
bilidad de que la media muestral no difiera de la media pobla-
cional 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 desco-
nocida. Fue administrada a 16 enfermos, obtenindose una des-
viacin 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 obte-
nindose los siguientes resultados:
Duracin Xi Frecuencia absoluta nj
1,55 1,95 2
1,95 2,45 1
2,45 2,95 4
2,95 3,45 15
3,45 3,95 10
3,95 4,45 5
4,45 4,95 3
Ajustar las duraciones de las pilas alcalinas a una distribucin
normal con media 3,5 y desviacin tpica 0,7.
(73) Un estudio de gentica con reses consisti en varios machos
apareados con grupos separados de hembras.
Cuando nacan terneros, se usaban en un estudio de pesos here-
ditarios. 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 61 100 56 113 99 103 75 62

46
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

200 75 102 95 103 98 115 98 94


201 58 60 60 57 57 59 54 100
202 57 56 67 59 58 121 101 101
203 59 46 120 115 115 96 105 75
Escriba el modelo lineal, explique cada trmino, calcule el anli-
sis 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 mues-
tras 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 mues-
tras se analizaron en el laboratorio para buscar aflatoxin, que
es una toxina producida por organismos asociados con las semi-
llas.
A continuacin se proporcionan las concentraciones de aflatoxin
en partes por billn para las muestras de ocho lotes.
Lote Afloxin (ppb)
3469 72 39 57 63 66
3849 52 56 13 25 31
3721 24 64 83 88 71
3477 80 29 55 21 51
3669 72 38 66 53 81
3873 76 11 49 34 10
3777 80 23 0 5 20
3461 - 64 10 11 23 37
(76) Suponga que los lotes y sus muestras son efectos aleatorios. Es-
criba el modelo lineal para el estudio, explique los trminos, cal-
cule el anlisis de varianza completo y muestre los cuadrados
medios esperados.
(77) Piense en problemas de investigacin en su rea de inters que
requieran muestras (u observaciones) de la unidad experimental
debido a que no sea posible medir la unidad en su totalidad.
Escriba un modelo lineal para su estudio; identifique los trmi-
nos y bosqueje el anlisis de varianza, muestre las fuentes de va-
riacin, los grados de libertad y los cuadrados medios espera-
dos.
(78) Se realiz en conjunto un estudio sobre cartuchos para filtrado
de partculas de alta energa, usados en respiradores comercia-
47
Palacios C. Severo

les para proteccin contra partculas de materia. Una prueba


especfica incluy tres filtros elegidos al azar de cada uno de dos
fabricantes, se hicieron tres rplicas de prueba independientes
de cada filtro, las medidas fueron el porcentaje de penetracin
por medio de una prueba estndar de aerosol.
Fabricante I Fabricante II
Filtro 1 2 3 4 5 6
1,12 0,16 0,15 0,91 0,66 2,17
1,10 0,11 0,12 0,83 0,83 1,52
1,12 0,26 0,12 0,95 0,61 1,58
Escriba un modelo lineal para este estudio, explique los trmi-
nos, calcule el anlisis de varianza y muestre los cuadrados me-
dios esperados.
Pruebe la hiptesis de que no existen diferencias entre la pene-
tracin 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 fabrican-
te.
(79) Un cientfico de suelos estudi el crecimiento de plantas de ceba-
da en tres niveles diferentes de salinidad en un medio controla-
do. Tena dos contenedores rplica de cada tratamiento, en un
diseo totalmente aleatorizado y midi tres plantas de cada r-
plica. Los pesos en seco de las plantas, en gramos, son los si-
guientes:
Salinidad Contenedor Peso (g)
Control 1 11,29 11,08 11,10
2 7,37 6,55 8,50
6 barras 3 5,64 5,98 5,69
4 4,20 3,34 4,21
12 barras 5 4,83 4,77 5,66
6 3,28 2,16 2,69
Escriba un modelo lineal para un anlisis de datos, explique los
trminos, calcule el anlisis de varianza y muestre los cuadra-
dos 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 salini-
dad en dos sumas de cuadrados polinomiales ortogonales (lineal
y cuadrtica), cada una con 1 grado de libertad y pruebe la hi-
ptesis 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, almace-
namiento, disponibilidad del agua y las condiciones de oxigena-

48
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

cin del subsuelo. Un cientfico de suelos us un diseo de mues-


treo especial para tomar muestras del suelo de una de las gran-
jas experimentales de la universidad para medir el ndice de po-
rosidad 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:
Campo Seccin Porosidad Campo Seccin Porosidad
1 1 3,846 3,712 9 17 5,942
2 5,629 2,021 18 5,014
2 3 5,087 10 19 5,143
4 4,621 20 4,061
3 5 4,411 11 21 3,835 2,964
6 3,357 22 4,584 4,398
4 7 3,991 12 23 4,193
8 5,766 24 4,125
5 9 5,677 13 25 3,074
10 3,333 26 3,483
6 11 4,355 6,292 14 27 3,867
12 4,940 4,810 28 4,212
7 13 2,983 15 29 6,247
14 4,396 30 4,730
8 15 5,603
16 3,683
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 es-
perados.
Estime las componentes de la varianza para campos, secciones y
muestras.

49
Palacios C. Severo

XIII. DISTRIBUCIONES

Al tratar con grandes cantidades de datos, es conveniente ordenarlos


de tal manera que la frecuencia de la aparicin de rangos de valores
dados, puedan ser tabuladas y graficadas.

Este ordenamiento se realiza estableciendo rangos llamados interva-


los de clase la frecuencia relativa de los intervalos de clase se denomi-
na distribucin emprica y se utilizan para estimar las distribuciones
tericas.

Ensayos estadsticos

Existen varios tipos de ensayos estadsticos que se emplean para de-


terminar si la diferencia entre dos conjuntos de valores es real y signi-
ficativa 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 incgni-
ta la varianza.

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

2

Ejemplo 1.12
Consideremos los datos del ejemplo 1.10, se trata de saber si la dife-
rencia entre el valor medio y el supuesto valor medio 96 es significati-
va.

X 94,32
S X 2,03
S X 4,54
Hiptesis: o
GL 4

X o
t
SX
0,82

50
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

El valor tabulado de t para un nivel de significacin del 99% y 4 GL, es


igual 3,75, como el valor calculado de t es inferior al valor tabulado, la
hiptesis no es rechazada.

Chi-cuadrado

Esta prueba puede utilizarse para comparar los resultados de una


encuesta con frecuencia terica o esperada.

f f
2

X2
f

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
Bomba 4: 9

El capataz de mantenimiento sostiene que la bomba 1 ha sufrido un


nmero excesivo de fallas, en comparacin con los resultados poste-
riores 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 nme-
ro 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 mantenimien-
to esta equivocado es del 25 por ciento en la poblacin, La prueba pue-
de usarse siempre que los resultados, las respuestas o los encuestado-
res se pueden organizar en varias categoras.

Distribucin F

El anlisis de varianza que se realiza mediante el ensayo F permite la


separacin de la varianza total de un proceso, en sus componentes.

Con el ensayo F el nmero de GL correspondiente a las dos varianzas


no necesita ser idnticas.
51
Palacios C. Severo

La mayora de los textos de estadstica tabulan valores de F para los


niveles de probabilidad 0,05 y 0,01. El nmero de GL, con la varianza
en el numerador, se indica normalmente en la parte superior de la
tabla, mientras que el nmero de GL con la varianza en el denomina-
dor se encuentra en la columna de la izquierda.

Ejemplo 1.14
Para un ensayo de laboratorio de rutina, se ha propuesto un procedi-
miento analtico simplificado. Es necesario determinar si el procedi-
miento 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 89,8
89,6 89,6
89,5 89,4
89,6 89,5
89,8 90,0
89,7
89,2
X 1 89,64 X 1 89,6
GL 4 GL 6
S12 ( X ) 0,013 S 22 ( X ) 0,07

Los valores medios de las muestras con los dos mtodos son similares
pero la diferencia con la varianza es significativa al nivel del 0,05 de
probabilidad. Consultado la tabla de valores F indica el valor de 6,2
para el nivel de probabilidad correspondiente y el nmero de GL exis-
tente.

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 em-
bargo el mismo proceso. Se desea saber si los valores medios corres-
pondientes a los tres reactores son similares.

Entre valores medios


S 2 X 3,825

52
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Entre conjuntos

S X 0,3988
2

F
S2 X 9,59
S X
2

Reactor 1 2 3
10,4 11,6 9,80
10,0 12,4 10,9
11,8 12,9 10,4
11,2 11,9 10,1
Suma de conjunto 43,4 48,8 41,2
Media 10,85 12,2 10,3
SC / K 1490,61
2

X / K 1482,96
2

X 1492,2
2

La tabla F para los GL establecido indica los valores de 4,26 y 8,02


respectivamente. Como el valor calculado es mayor que el valor tabu-
lado, se concluye que los valores medios de los tres reactores son signi-
ficativamente diferentes.

Logaritmo normal

La distribucin logartmica normal es de amplio uso en la fsica esta-


dstica, 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 proble-


mas de la estadstica econmica.

Weibull-Gnedenko

Se usa con frecuencia en la teora de fiabilidad para describir el tiem-


po de funcionamiento sin fallo de los instrumentos.
53
Palacios C. Severo

Pearson

Se usa ampliamente en la estadstica matemtica para suavizar las


distribuciones de los datos empricos.

XIV. INTERVALOS DE CONFIANZA

El desarrollo del anlisis estadstico implica la determinacin terica


de la distribucin de ciertos valores, como el valor medio, la desvia-
cin estndar y la varianza, que se puede esperar si slo acta al azar.
La teora estadstica constituye una herramienta poderosa, para de-
terminar, en un grado razonable de certidumbre, si las diferencias
observadas son debidas al azar. Por definicin:

Reordenando Intervalo de confianza


Z
X Z X
n / n

Por lo tanto, para un cierto nivel de probabilidad que determina el


valor de Z, puede afirmarse que el intervalo de confiabilidad de es-
tar dado por,

Z Z
X X
n n

Si no se conoce la desviacin estndar verdadera, an puede determi-


narse un intervalo de confiabilidad. Esta estimacin utiliza la distri-
bucin t en lugar de la distribucin Z porque el concepto t incluye la
variacin adicional introducida por la estimacin de la desviacin
estndar, reordenando:

tS X tS X
X X
n n

Ejemplo 1.16
Establecer el intervalo de confiabilidad para la media verdadera de
los datos del ejemplo 1.10.

GL 4
S X 4,54
t 0,95 2,78
t 0,99 4,6

54
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Nivel Intervalo
95% 94,32 2,784,54 / 5 99,96 y 88,68
99% 94,32 4,604,54 / 5 103,65 y 84,94

Se observa que para un nivel de confiabilidad del 95% ser ms co-


rrecto afirmar el resultado del anlisis como 5,64 por ciento en lu-
gar de 94,32%.

XV. MUESTREO

Nadie necesita beber todo un vaso de leche daada para poder decir
que esta mala - una muestra es suficiente.

Realizar un muestreo es ms barato y ms rpido que hacer un censo


de toda una poblacin. Y en la mayora de los casos, desde luego, to-
mar 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 decisio-
nes.

El muestreo en la investigacin requiere estas dos dimensiones:

a) Seleccionar las unidades de la poblacin que se incluir en el es-


tudio.
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 mues-
tras o entre una muestra y un resultado esperado.

XVI. MTODOS DE MUESTREO

Hay dos grandes mtodos de muestreo: Probabilstico y no probabils-


tico.

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 informan-
tes. Hay varias formas de muestreo:

55
Palacios C. Severo

Muestreo simple al azar

Es el tipo ms bsico. Implica seleccionar informantes completamente


al azar; es tal como si los nombres se sacarn de un sombrero. Ob-
viamente, esto requiere un marco de muestreo perfecto; es decir, una
lista completa de todas las unidades en el universo.

Muestreo estratificado al azar

Implica primero agrupar la poblacin en segmentos homogneos y


luego hacer el muestreo de datos de cada segmento o estrato.

Muestreo de agregados

Implica tomar muestras de grupos de entrevistados como unidad y no


como elemento individual. Con el fin de lograr eficiencia en entrevistas
de muestreo a muestreo.

Muestreo sistemtico

Se incluye cada n-simo elemento de la poblacin en la muestra. Este


es un procedimiento comn que se puede combinar con un muestreo de
agregados y muestreo estratificado.

La ventaja principal del muestreo probabilstica es su precisin. Es el


mejor camino para desarrollar una muestra que sea perfectamente
representativa de la poblacin. El muestreo probabilstica tiene varias
desventajas importantes que resulta su utilizacin amplia:

a) Para seleccionar una muestra probabilstica es necesario tener


una lista o un marco de muestreo, correspondiente a toda la po-
blacin.
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 espe-
cial para estudios de muestra a muestra.

Errores

Si bien es cierto que buenos mtodos de muestreo pueden producir


resultados muy costosos, ninguna muestra es absolutamente precisa.

56
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Ejemplo 1.17
Supongamos que una muestra probabilstica local indica que el 40%
de los hogares entrevistados se tiene un gato para erradicar las ratas
transmisoras del virus Hanta. Es poco probable que un censo de todos
los hogares revele que exactamente en el 40% de ellos haya un gato. Si
la muestra original fue bien tomada, bien ejecutada y fue suficiente-
mente grande hay una buena probabilidad de que el nmero real de
hogares con gatos, revelado al censo est cerca del 40%; pero proba-
blemente 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 pala-
bras 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 mues-
tras 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 in-
vestigacin porque consideran que es muy larga, muy tediosa.

57
Palacios C. Severo

d) Mentiras intencionales de los informantes.


e) Mala memoria, suposiciones insesgadas.
f) Mal entendimiento del procedimiento.
g) Manipulacin por parte del investigador.
h) Sesgos introducidos por el investigador.
i) Errores de anotacin.
j) Errores de codificacin.

Es decir, la precisin de los mejores mtodos de muestreo probabilsti-


co 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 gran-
de, 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.


Y Yp
2

S yx
N 2
Syx representa la desviacin estndar de las Y sobre la base de las X.

Esta medida de error es similar a la desviacin estndar que mide la


dispersin alrededor de un promedio; el error de la estimacin mide la
dispersin alrededor de una lnea promedio, llamada lnea de regre-
sin.

b) Muestreo no probabilstico

Existen tres tipos de muestreo no probabilstica:


58
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Muestreo por conveniencia

Deja la seleccin de los informantes primordialmente a los investiga-


dores.

Muestreo por criterio

Implica seleccionar nicamente cierto tipo de informantes para parti-


cipar 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 de-
cisiones.

Este es un cambio importante. As probablemente no es por puro acci-


dente que el tema est ganando importancia en la gestin empresarial
- investigacin - consultora.

El nfasis se debe a las herramientas estadsticas que reducen la incer-


tidumbre de la toma de decisiones, con problemas que pueden ser par-
cialmente estructuradas.

Estas herramientas intentan ir ms all que simplemente proporcio-


nen informacin del que tome la decisin. El fin es el de ayuda a que se
pueda alcanzar una decisin reconociendo, por supuesto, el juicio pro-
fesional.

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 efec-


tividad ms que la eficiencia. Entonces hay que aumentar el nmero

59
Palacios C. Severo

de posibles soluciones para que el ejecutivo pueda mejorar la efectivi-


dad de una decisin.

El informe sobre evaluacin de los distintos resultados para la toma


de decisiones como un punto clave para la implementacin de los gru-
pos 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 alterna-
tivas 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 re-
lacin con algn criterio de efectividad.
d) Decisin (seleccin de una alternativa).
e) Aplicacin de la alternativa.

Este proceso de complemento general, podra descomponerse en deci-


sin de diseo y operativo y para dicho propsito, decisiones persona-
les.

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 deter-
minar 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 alcanza-
r un mximo de 12C. La oficina metereolgica menciona un 40% de
probabilidad de lluvia.

60
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Sabe que ira y volver en movilidad al trabajo y que tendr que cami-
nar 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 comodi-


dad personal, que es una medida subjetiva. El determinar a conti-
nuacin, 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 me-


didas 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 ten-
ga 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 estable-


cer algn principio general de utilidad en el diseo de la estructura de
las decisiones en un sistema Montecarlo. Alguno de estos principios
puede aparecer obvios o triviales, y sin embargo no violados con fre-
cuencia en el diseo.

61
Palacios C. Severo

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 sir-
ven 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 medi-
das de efectividad, los datos adicionales sern tiles que afectan
las utilidades asignadas.
5. La recoleccin de datos deber tomarse antes de establecer al-
ternativas 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 tcni-
cas utilizadas parece asignar medidas de utilidad a las alterna-
tivas. Este principio refuerza el anlisis de la sensibilidad de los
modelos matemticos. Sin un modelo dado es relativamente sen-
sible a un parmetro dado, o si este parmetro es ponderado li-
geramente, se disminuye la exigencia de exactitud.
7. Asumiendo que, para una decisin determinada, las cinco eta-
pas del proceso de decisin estn bien definidas y que esta deci-
sin es de naturaleza repetitiva, la totalidad del proceso de deci-
sin puede delegarse a un nivel ms bajo de la organizacin. N-
tese 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 di-
seador del sistema deber asignar medidas de utilidad a las al-
ternativas.

XIX. PLANIFICACIN

La planificacin de una operacin propone asegurar que todos los


recursos necesarios para producir, se encuentran y en las cantidades
necesarias y, adems, que el desperdicio de los recursos sea mnimo.

El plan de operaciones suministra solo el marco general dentro del


cual las actividades especficas habrn de desarrollarse.

62
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

En torno al plan de operaciones asigna recursos disponibles a los dife-


rentes requerimientos de producciones.

Tipos de planificacin

Existen diferentes categoras de planeamiento para diferentes pero-


dos:

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 pro-


yecto, tales como la adquisicin de materiales, equipos y nuevos pro-
ductos.

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, estable-
ce el nivel general de actividades.

63
Palacios C. Severo

Problemas

(81) Calcular los valores t correspondientes a una distribucin t de


Student en los siguientes casos:
a) El rea a la derecha de t es 0,20 y n = 10
b) El rea a la izquierda de t es 0,40 y n = 8
c) El rea a la derecha de t es 0,05 y n = 50
(82) Calcular los valores de F correspondientes a una distribucin F
de Sndecor en los casos siguientes:
a) = 0,01 y (2,8) grados de libertad
b) = 0,05 y (7,3) grados de libertad
(83) Elegidas 26 personas al azar de una poblacin y sometidas a un
test de modernismo dan como media X 40 y S 6 . Se quiere saber
si la verdadera media de la poblacin puede ser tan alta como
44.
(84) El fabricante de una dieta de adelgazamiento dice que su pro-
ducto permite una reduccin media de peso de 3,5 kg. Con obje-
tivo de investigar su eficacia, se seleccionaron al azar 40 perso-
nas, 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
S d3
1
39 1
40

X i Yi X Y
2
1,8

Si suponemos que tanto X como Y siguen distribuciones norma-


les, determinar la probabilidad de que los individuos de la mues-
tra 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 desco-
nocida. Fue administrada a 16 enfermos, obtenindose una des-
viacin 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 po-
blacional, que podra llevar a subestimar la probabilidad de que
no se alcance la efectividad mnima, se desea determinar la pro-
babilidad 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 proba-
bilidad anterior sea 0,05.
(86) En una muestra de 19 individuos se observa que un determinado
trastorno emocional se produce a partir de una edad media de

64
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

50 aos y una desviacin tpica de 6 aos. Se supone que esta-


mos 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 uti-
lizar: 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 es-
tratificado. 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 se-
gn una ley normal de varianza 25 y media desconocida:
Cul es la distribucin de la media muestral?
Determine el intervalo de confianza, al 95%, para la media po-
blacional.
(91) La media de las estaturas de una muestra aleatoria de 400 per-
sonas de una ciudad es 1,75 m. Se sabe que la estatura de las
personas de esa ciudad es una variable aleatoria que sigue una
distribucin normal con varianza 2 = 0,16 m2.
Construye un intervalo, de un 95% de confianza, para la media
de las estaturas de la poblacin.
Cul sera el mnimo tamao muestral necesario para que pue-
da decirse que la verdadera media de las estaturas est a menos
de 2 cm de la media muestral, con un nivel de confianza del 90%

65
Palacios C. Severo

(92) Las ventas mensuales de una tienda de electrodomsticos se


distribuyen segn una ley normal, con desviacin tpica US$
900. En un estudio estadstico de las ventas realizadas en los l-
timos 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 in-
tervalo de confianza para la proporcin de daltnicos de la po-
blacin.
(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 te-
ner la muestra para qu la amplitud del intervalo que se obten-
ga sea, como mximo, 1?
(95) Una marca de nueces afirma que, como mximo, el 6% de las
nueces estn vacas. Se eligieron 300 nueces al azar y se detec-
taron 21 vacas.
Con un nivel de significacin del 1%, se puede aceptar la afir-
macin de la marca?
Si se mantiene el porcentaje muestral de nueces que estn vacas
y 1- = 0,95, qu tamao muestral se necesitara para estimar
la proporcin de nueces con un error menor del 1% por ciento?
(96) La duracin de las bombillas de 100 W que fabrica una empresa
sigue una distribucin normal con una desviacin tpica de 120
horas de duracin. Su vida media est garantizada durante un
mnimo de 800 horas. Se escoge al azar una muestra de 50
bombillas de un lote y, despus de comprobarlas, se obtiene una
vida media de 750 horas. Con un nivel de significacin de 0,01,
habra que rechazar el lote por no cumplir la garanta?

66
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

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

I. INTRODUCCIN

Las tcnicas estadsticas estudiadas hasta ahora tenan por objeto


fundamental la comprobacin de ciertas hiptesis.

Un campo ms til e importante del anlisis estadstico en el diseo


consiste en el desarrollo de modelos matemticos que representen
situaciones fsicas. Este tipo de anlisis se denomina anlisis de regre-
sin, se ocupa de desarrollar una cierta relacin matemtica que in-
cluye el modelo matemtico, su significacin estadstica y su confiabi-
lidad.

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 inde-


pendiente simple; en muchos problemas de este tipo la variable inde-
pendiente se observa sin error o con error que es despreciable se com-
para 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 canti-
dades, pero la medicin del espesor del xido anodizado esta sujeto a
variables aleatorias consideradas.

67
Palacios C. Severo

As, a pesar que la variable independiente puede ser estable en X, las


mediciones repetidas de ella pueden atribuirse a diversas causas,
principalmente a errores de medicin y a la existencia de otras varia-
bles 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 varia-
ble ejecutada.

Estudiemos el caso de regresin Y sobre X lineal, esto es, para cual-


quier X dada la media de la distribucin de las Y esta dada por:

Y X

es el valor de una variable aleatorizada y podemos elegir a tal que la


media de la distribucin de esta variable aleatoria sea igual a cero.

Ejemplo 2.20
Consideremos una regresin de Y sobre X sea lineal, suponiendo un
fenmeno fsico de tensores, se flexiona variando la carga.
X 1 2 3 4 5 6
Y 35 64 96 124 156 182

Consideremos n pares de observaciones (Xi,Yi), deseamos determinar


la lnea que de el mejor ajuste. Si predecimos y por medio de la ecua-
cin:

Y bo bX

Donde

i YI Y i
68
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Puesto que no podemos minimizar cada i por separado, debemos


tratar de hacer una sumatoria i; tan cerca de cero como sea posible,
minimicemos la suma de cuadrados de las i.

Yi bo bX i
2

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 acumu-
lacin de las derivadas parciales con respecto a bo y b.

2 Yi bo bX i X i 0

2 Yi bo bX i 1 0

Siendo las ecuaciones normales,

Y nb b X
i o 1 i

X Y b X b X
2
i j o i 1 i

Este conjunto de ecuaciones lineales con la incgnita b i denominados


casos normales, da los valores para la lnea con el mayor ajuste a un
conjunto de datos.

Ejemplo 2.21
Ajuste una lnea recta a los datos por el mtodo de mnimos cuadra-
dos, 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

X 2000

X 532000

Y 8,35

XY 2175,4

69
Palacios C. Severo

8,35 10bo 2000b


2175,4 2000bo 532000b

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

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

III. MODELOS DE REGRESIN

En las aplicaciones de la estadstica se exige estimar el carcter de la


dependencia entre las variables estadsticas observadas.

Ejemplo 2.22
Entre los parmetros de los procesos tecnolgicos, la produccin aca-
bada, la luminosidad de las estrellas y sus dimensiones, la cantidad de
precipitacin fluvial en sectores, el rendimiento de cosecha, el engorde
de ganado, la recuperacin de material valioso de un mineral, la
transformacin de un producto, etc.

Y bo bX
Y bo bi X i
Y bo bi X i bii X ii2 bij X ij
Y bo bLogX
Y bo bi X b j 1/ X
Y 1 /bo bX
Y bo bi X i bii X ii2 bij X ij3
Y 1 /bo bi X i ... bn X n

Y 1 / bo bi X i bij X ij2 bij X ij
LogY bo bX
LogY bo bLogX

En este caso, el problema fundamental consiste en el aislamiento de los


datos experimentales con ayuda de curvas especialmente elegidas
llamadas lneas o superficie de regresin que con mayor o menor se-
guridad caracteriza la dependencia de correlacin entre las variables
en observacin.

70
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Las funciones ms usadas en el anlisis de regresin estadstica son:

IV. MODELO DE REGRESIN LINEAL CON K VARIABLES

Generalizando el modelo de regresin lineal de dos y tres variables, el


modelo de regresin de K-variables que tiene la variable dependiente
Y y K- 1 variables independientes X1, X2, , Xk, puede escribirse de
siguiente manera.

Y bo bi X i ... bk 1 X k 1 i

Donde:

bo es el intercepto
bi a bk-1 son las pendientes, y
i la perturbacin

La regresin lineal se debe interpretar como ya se ha visto, nos pro-


porciona la media o valor esperado de Y condicional a los valores fijos
(en muestras repetidas) de X1, X2, ..., Xk-1 es decir E(Y/X1,X2, ..., Xk-1)

V. REGRESIN LINEAL SIMPLE

Determina la relacin entre una sola variable de regresin X y la res-


puesta Y. Usualmente se supone que la variable X es continua y con-
trolada por el investigador. Si el experimento esta diseado se eligen
los valores X y se observan los valores correspondientes a Y.

El valor esperado de Y para cada valor de X es:

E(Y / X ) bo bX

En donde los parmetros de la recta bo son constantes desconocidas.


Se supone que cada observacin Y puede describirse mediante el mo-
delo,

Y bo bX

Donde es un error aleatorio con media cero y varianza 2.

Los parmetros del modelo bo y b pueden estimarse mediante mni-


mos cuadrados si se tiene n pares de datos.
71
Palacios C. Severo

Ejemplo 2.23
El forjado de hierro a cierta temperatura afecta en la dureza del tem-
plado, para investigar esta relacin se ha tomado las siguientes mues-
tras:

X 6 9 11 13 22 26 28 33 35
Y 68 67 65 53 44 40 37 34 32

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

Suma de cuadrados de los factores:

S X2 1/ 84665 1/ 9183 118

SY2 1/ 823232 1/ 9440 215,11

Suma de cuadrados de los productos cruzados

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

SYY 1/ 823232 440 / 9 215,11

La pendiente es:

b1 155,71/ 118 1,32

En el origen:

bo Y 48,89

Y Y bi X X

Y 48,89 1,32 X 20,33

Y 75,73 1,23X
72
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

La prueba de significanca de regresin de los datos, es:


Tabla 2,5 Anlisis de varianza
Fuente SC GL CM Fo Ft(99%)
Regresin 205,53 1 205,53 150,153 > 12,2
Error 9,58 7 1,3688
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,

Y bo b1 X 1 b2 X 2 ... bk X k

Se conoce como regresin lineal mltiple.


El mtodo de mnimos cuadrados se usa para estimar los coeficientes
de regresin, las ecuaciones normales en el mtodo son:

Nbo X 1b1 X 2b2 X 3b3 Y


X 1bo X b 2
1 1 X 1 X 2 b2 X 1 X 3b3 X 1Y
X 2 bo X 1 X 2 b1 X 22 b2 X 2 X 3b3 X 2Y
X 3bo X 1 X 3b1 X 2 X 3b2 X 32 b3 X 3Y

Ejemplo 2.24
Determine la funcin mltiple de la relacin entre dos factores X1 y Xz
a partir de los siguientes datos:
X1 X2 Y X 12 X 22 X1 X 2 X 1Y X 2Y
4 1 7 16 1 4 28 7
7 2 12 49 4 14 84 24
9 5 17 81 25 45 153 85
12 8 20 144 64 46 240 160
32 16 56 290 94 159 505 276

X1 8 X2 4 Y 14

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

Resolviendo la determinante obtenemos los coeficientes:


73
Palacios C. Severo

bo = 0,6440
b1 = 1,6610
b2 = 0,0169

Resultando el modelo lineal mltiple

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

El procedimiento para el anlisis de varianza es:

Tabla 2.6 Anlisis de varianza


Fuente SC GL CM Fo Ft(95%)
Regresin 95,556 2 47,778 19,55 > 19
Error 2,444 1 2,444
Total 98,000 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 Fo Ft(95%)
Regresin 95,556 2 47,778 19,55 > 19
bo 784,000 1 784,000 320,78 > 161
b1 11,036 1 11,036 4,52 < 161
b2 0,001 1 0,001 <1
Error 2,444 1 2,444
Total 894,007 6

VII. REGRESIN POLlNOMIAL

La aplicacin prctica de la regresin polinomial tiene un objeto esen-


cial el incremento de los grados de alisamiento que exige realizar de
nuevo todos los clculos.

En este caso es til emplear los polinomios ortogonales en el modelo:

Y bo bi X i bij X ij2 bij X ij

Aplicando el criterio de mnimos cuadrados, igualando a cero las deri-


vadas parciales de Y con respecto a los coeficientes bo, b1,.. .,b12,
reacomodando algunos trminos, se tiene las k+1 ecuaciones norma-
les.

74
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Resolviendo el sistema, por cualquier mtodo, se obtiene bo, b1, b2,...,


b12 que son los estimadores mnimos cuadrados que nos permiten es-
timar Y a partir de la ecuacin matriz.
Nbo b1 X 1 b2 X 2 b11 X 12 b22 X 22 b12 X 1 X 2 Y
X 1bo b1 X 12 b2 X 1 X 2 b11 X 13 b22 X 1 X 22 b12 X 12 X 2 X 1Y
X 2 bo b1 X 1 X 2 b2 X 22 b11 X 12 X 2 b22 X 23 b12 X 1 X 22 X 2Y
X 1 bo
2
b1 X 13 b2 X 12 X 2 b11 X 14 b22 X 12 X 22 b12 X 13 X 2 X 12Y
X 2 bo
2
b1 X 1 X 22 b2 X 23 b11 X 12 X 22 b22 X 24 b12 X 1 X 23 X 22Y
X 1 X 2 bo b1 X X 2
1
2
b2 X 1 X 2
2 b11 X X 2
3
1 b22 X 1 X 3
2 b12 X X
1
2 2
2 X 1 X 2Y

Las pruebas estadsticas son las mismas que para los casos de regre-
sin 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 ajus-
ta.

VIII. REGRESIN POLINOMIAL CUADRTICO

Un polinomio de grado k en una variables

Y bo bi X i bii X ii2 bij X ij

que se aplica para estimar los efectos polinomiales de un factor cuanti-


tativo.

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 850 860 870 890 890 900 910 920 930 940 950
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

X 1 X 900/ 10

X1 -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

X 0

X 110
2

75
Palacios C. Severo

XY 1429,8

X Y 9209
2

Y 886,8

11bo 0b1 110b2 886,8


0bo 11b1 0b2 1429,8
11bo 0b1 1958b2 9290

resultando los coeficientes

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

el modelo polinomial de segundo orden es:

Y 76,64 16X 0,3974X

reemplazando con el valor original

Y 11952,78 13,8 X 0,003474X

IX. REGRESIN NO LINEAL

Es una prctica comn de la ingeniera bosquejar parejas de datos


sobre varias clases de hojas para graficar, con el fin de determinar si
para una escala de transformacin adecuada, los puntos caern cerca
de una lnea recta. De ser as el tipo de transformacin nos lleva a una
forma funcional de la ecuacin de regresin y las constantes necesa-
rias 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 logart-
mico indica que la curva de regresin es exponencial para cualquier X
considerada, la medida de la distribucin de las Y est dada por X,
entonces la ecuacin predictiva ser:

LogY Log XLog

Ejemplo 2.26
Una fabrica de llantas decide analizar una variedad de sus productos
para saber cuanto tiempo se puede usar despus de un recorrido es-
tndar.
76
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

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

130312 8Logbo 158Logb


2121224 158Logbo 5530Logb

cuya solucin es

LogY 2,002 0,0188X

en forma exponencial: Y 100(0,96) X

X. COEFICIENTE DE CORRELACIN MLTIPLE R2

En el caso de dos variables se define R2 como la bondad de ajuste de la


ecuacin de regresin; es decir, nos da la proporcin o porcentaje de
variacin total en la variable dependiente Y explicada por las varia-
bles independiente X.

Este sentido de R2 puede fcilmente extenderse a modelos de regresin


de ms de dos variables. Por consiguiente, en el modelo de tres varia-
bles estamos interesados en conocer la proposicin de las variables en
Y explicada conjuntamente con las variables X1 y X2. El valor que nos
da esta informacin se conoce como el coeficiente de correlacin ml-
tiple y se denota por R2, conceptualmente es igual que R2.

La suma total de cuadrados es igual a la suma de cuadrados de las


dependientes ms la suma de cuadrados residuales. Por definicin.

R SCerror / SCtotal

Dado que los valores de la ecuacin son generalmente computados en


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

77
Palacios C. Severo

Se dice que el ajuste del modelo es mejor mientras ms cerca de uno


est R2.
XI. PRUEBAS DE SIGNIFICANCIA

No podemos utilizar la prueba t para verificar la hiptesis conjunta


segn la cual las pendientes de las distintas variables son simult-
neamente cero. Sin embargo esta hiptesis conjunta puede verificarse
mediante la tcnica de ANAVA y puede demostrarse del modo siguien-
te.

Recordemos la identidad (ver el libro Manual de la Teora del Diseo


Experimental publcado por el Autor).

SCtotal SCerror SCresidual

SCtotal tiene como es costumbre N-1 grados de libertad.


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

Por lo tanto, siguiendo el procedimiento ANAVA, podemos elaborar


las tablas.

F b1 Yi X 1i b2 Yi X 2i / 2/ i2 /( N 3)

Tabla 2.8 Clculo de anlisis de varianza


Fuente SC GL CM Fo
Regresin b1 Y1 X 1i b2 Y2 X 2 i 2 SC / GL SC / GL / 2
Error i
2
N 3
Total Yi
2
N 1 R = b1 Y1 X 1i b2 Y2 X 2 i / Yi 2

Puede demostrarse ahora que bajo el supuesto de que los i distribui-


dos normalmente y de que la hiptesis nula b1=b2=0, la variable.

La aplicacin prctica de la regresin tiene por objeto esencial el in-


cremento de los grados del modelo, el alizamiento exige realizar calcu-
las precisos.

Para estimar los parmetros:

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

78
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Para obtener los coeficientes aplicamos las matrices aqu detalladas,

FUNCIN MATEMTICA: DISEO FACTORIAL 22


X2
0.5

Y -0.5
X1
0.5
X1 X2 X 12 X 22 X1 X 2 X 1Y X 2Y
Y1 1 - - 1 1 + - -
Y2 1 + - 1 1 - + -
Y3 1 - + 1 1 - - +
Y4 1 + + 1 1 + + +
Y 4 4 4 X 1Y X 2Y

Nbo b1 X 1 b2 X 2 Y
X 1bo b1 X 1
2
b2 X 1 X 2 X 1Y
X 2bo b1 X 1 X 2 b2 X 2
2
X 2Y

Ejemplo 2.27
Evalu los datos
Y X1Y X2Y
4bo = 300 bo = 75 65 - 65 - 65
4b1 = 30 b1 = 7,7 80 + 80 - 80
4b2 = 10 b2 = 2,5 70 - 70 + 70
85 +85 + 85
300 30 10

Resultando el modelo


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

FUNCIN MATEMTICA: DISEO FACTORIAL 23


X2
0.5

Y -0.5
X1
0.5
X1 X2 X3 X 12 X 22 X 32 X 1Y X 2Y X 3Y
Y1 1 - - - 1 1 1 - - -
Y2 1 + - - 1 1 1 + - -
Y3 1 - + - 1 1 1 - - -
Y4 1 + + - 1 1 1 + - -
Y5 1 - - + 1 1 1 - + +
Y6 1 + - + 1 1 1 + + +
Y7 1 - + + 1 1 1 - + +
Y8 1 + + + 1 1 1 + + +
Y 8 8 8 8 X 1Y X 2Y X 3Y

Nbo b1 X 1 b2 X 2 b3 X 3 Y
X 1bo b1 X 12 b2 X 1 X 2 b3 X 1 X 3 X 1Y
X 2 bo b1 X 1 X 2 b2 X 22 b3 X 2 X 3 X 2Y
X 3bo b1 X 1 X 3 b2 X 2 X 3 b3 X 32 X 3Y

79
Palacios C. Severo

Ejemplo 2.28
Evalu los datos
Y X1Y X2Y X3Y
68,72
8bo = 548,74 bo = 68,59 69,06
8b1 = - 0,86 b1 = - 0,11 69,44
67,75
8b2 = 4,24 b2 = 0,53
67,93
8b3 = - 2,48 b3 = - 0,31 68,73
68,72
68,39
548,74 - 0,86 4,24 - 2,48

el modelo es:

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

FUNCIN MATEMTICA: DISEO HEXAGONAL


X2
0.5

X1 X2 X 12 X 12Y X 22Y X 1Y X 2Y X 1 X 2Y
Y -0.5
X1
0.5

X 22 X 14 X 24 X 12 X 22

Y1 1
Y2 1
Y3 1
Y4 1
Y5 1
Y6 1
Y7 1
Y8 1
Y9 1
Y 9 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
0.5
X2

X 12Y X 22Y X 1Y X 2Y X 1 X 2Y
Y -0.5
X1
0.5
X1 X2 X 12 X 22

Y1 1
Y2 1
Y3 1
Y4 1
Y5 1
Y6 1
Y7 1
Y8 1
Y9 1
Y10 1
Y11 1

80
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Y12 1
Y13 1
Y 13 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
Secado 12 10,5 10 8 7 8 7,5 8,5 9
(98) Se realiza un tratamiento a un cierto tipo de aleacin, requi-
riendo 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
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 3 5
Alberto 4 7
Hugo 2 4
Emilio 3 6
Carlos 4 4
a) Cul es la variable dependiente

81
Palacios C. Severo

b) Represente grficamente con las variables independientes y


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

82
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

3
PRINCIPIOS DE DISEO
EXPERIMENTAL
(...) Demostrar que la realidad nos pasa delante de los ojos como un relato, en
el que hay dilogos, enfermedades, amores, adems de estadsticas y discur-
sos.
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 explicati-
vas del proceso, siempre sea posible observar o cuantificar los cambios
que stos generan en las variables respuesta buscando adicionalmen-
te, 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 determi-


nar 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 pro-
porcionan la respuesta ptima a la solucin del proceso caracte-
rizado en la fase anterior.

83
Palacios C. Severo

En cualquier aplicacin de la estadstica en el diseo y anlisis de un


experimento, es necesario que quienes lo desarrollen entiendan clara-
mente el problema objeto de estudio, que posean un amplio conoci-
miento del material experimental a usar, que conozcan las posibilida-
des existentes para procesar los datos y adems posean el conocimien-
to estadstico necesario para interpretar adecuadamente los resulta-
dos del experimento.

II. TIPOS DE EXPERIMENTOS

Se clasific los experimentos como pertenecientes a dos tipos.

a) El experimento absoluto en el cual el inters principal es la esti-


macin 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 ex-
perimento puede ser repetido, el mismo grupo de tratamientos
no necesariamente ser utilizado.
Por esta razn, el tratamiento es considerado una variable alea-
toria 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 err-
ticamente mientras que los resultados relativos permanecen ra-
zonablemente estables. En tales situaciones es posible establecer,
que en circunstancias similares se espera que ciertos tratamien-
tos sean sustancialmente mejores que otros. En tales campos de
la experimentacin, los experimentos tienden a ser comparati-
vos y tienen un inters secundario dado por los resultados abso-
lutos. La teora estadstica del diseo de experimentos se rela-
ciona 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 experimenta-
cin es que todos los tratamientos de inters estn incluidos en el expe-
84
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

rimento. Consecuentemente, la estructura matemtica bsica es el


modelo de efectos fijos ya que bajo experimentos repetidos se seleccio-
naran los mismos tratamientos. En este caso, es de inters la detec-
cin y estimacin de relaciones constantes entre las medias del univer-
so de objetos considerados, Para estos modelos, el inters primordial
es probar varias hiptesis relacionadas con las medias de los trata-
mientos.

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 preci-
sa de la hiptesis a probar.

Es insuficiente solamente establecer en forma simple comparar estos


tratamientos. Esta especificacin define la poblacin a la cual las con-
clusiones 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 experi-


mentos 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 ha-
cerse lo ms simple posible.
2. Grado de precisin: El experimento deber tener la capacidad
de medir diferencias entre tratamientos con los grados de preci-
sin 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 ex-
perimentos que contribuyen a aumentar ste rango son los ex-
perimentos replicados y los experimentos con estructuras facto-
riales.

85
Palacios C. Severo

5. Clculo del grado de incertidumbre: En todo experimento existe


algn grado de incertidumbre en cuanto a la validacin de las
conclusiones. El experimento deber ser concebido de modo que
sea posible calcular la posibilidad de obtener los resultados ob-
servados debidos nicamente al azar.
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 experi-
mentales planeadas previamente se realizan.

Ejemplo 3.29
a) En un experimento agrcola para evaluar el rendimiento de al-
gunas 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 trata-
miento 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 defini-
cin de la unidad experimental depende de los objetivos de la in-
vestigacin.

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 facto-
res de clasificacin que segn sus valores definen los niveles de
clasificacin sobre los cuales se hace la inferencia.
86
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Por su naturaleza las unidades mustrales de la misma unidad expe-


rimental deben recibir el mismo tratamiento, consecuentemente la
asignacin del tratamiento a estas unidades mustrales no es inde-
pendiente.
Esta distincin es importante dado que para hacer inferencia sobre los
efectos del tratamiento, se requiere tener un conocimiento de la esti-
macin 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 uni-
dades 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 de-


terminar 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 diferen-
cias, las unidades experimentales debern ser lo ms homogneas
posibles; esto es, que la variacin entre unidades experimentales uni-
formemente tratadas va a ser menor en relacin con las diferencias de
tratamiento. Si esto no ocurre, la variacin de las unidades experi-
mentales 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 diferen-
cias 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. Sa-
bemos que estos factores pueden ser usados para clasificar las unida-
des experimentales en subgrupos ms homogneos, aunque tambin

87
Palacios C. Severo

son conocidos como factores de clasificacin, hasta tanto ellos sean de


inters para el experimentador.

Mientras el error experimental es una variacin aleatoria, no toda


variacin aleatoria es error experimental.

La variacin entre unidades mustrales dentro de las unidades expe-


rimentales 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 dife-
rencia bsica entre la clasificacin y los factores de tratamiento. Los
factores de clasificacin son propiedades inherentes a la unidad expe-
rimental y solo raramente pueden ser cambiados por el experimenta-
dor.

Cada combinacin especfica de niveles de factores se denomina tra-


tamiento.

Ejemplo 3.30
Se planea un experimento para evaluar el rendimiento de un tubrcu-
lo en funcin del tipo de variedad V1, V2 y V3 y los nutrientes N y P a
los niveles (10; 30) y (20; 40) respectivamente. Los posibles 12 trata-
mientos VNP son:

(V1 ,10,20) (V2 ,10,20) (V3 ,10,20)


(V1 ,30,20) (V2 ,30,20) (V3 ,30,20)
(V1 ,10,40) (V2 ,10,40) (V3 ,10,40)
(V1 ,30,40) (V2 ,30,40) (V3 ,30,40)

El concepto de tratamiento implica que:

1. Cualquier unidad experimental esta en capacidad de recibir


cualquier tratamiento.
2. La asignacin de tratamientos a la unidad experimental esta ba-
jo el control del experimentador.

Bajo esta definicin, en un experimento que compare medicamentos


por ejemplo, el gnero nunca podr ser considerado como un factor
(tratamiento). El gnero de un sujeto particular es una propiedad
intrnseca del sujeto que no podr ser asignado al experimentador.
Los medicamentos, sin embargo, constituyen un tratamiento dado que
a cada sujeto incluido en el estudio (unidad experimental) se le puede
asignar un medicamento.
88
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

La distincin entre tratamiento y factores de clasificacin no es abso-


luta. 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 especifi-
car 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 madera-
bles 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 tra-
tamientos. 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 fre-
cuente en trabajos con sustancias qumicas aplicadas sobre sue-
los, 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 compo-
nentes en cantidades considerables (estas decisiones se toman
previo un anlisis de suelos). No se debe perder de vista la po-
blacin sobre la cual se desea hacer inferencia, porque un pro-
cedimiento como el descrito, tal vez cambie la poblacin objeti-
vo.
3. Los tratamientos propuestos, generalmente no son los que en la
prctica se prueban. Por desconocimiento, por descuido, por
materiales, instrumentos, etc., se obtienen tratamientos diferen-
tes a los de inters. Un caso muy comn es cuando un tratamien-
89
Palacios C. Severo

to est definido para ser aplicado de una forma especfica y re-


sulta aplicndose de otra; por ejemplo una sustancia para con-
trolar plagas, la cantidad aplicada puede ser alterada, o el mo-
mento de su aplicacin puede ser diferente. Aqu, de una parte se
ha modificado la dosis, y de otra, el tiempo hace que los anima-
les a controlar estn posiblemente en una etapa de su desarrollo
diferente a la prevista.
Siendo extremistas, se puede afirmar que la mayora de los tra-
tamientos en el acto no corresponden a la definicin original;
por ms cuidado que se tenga en mantener una cmara de mu-
chas temperaturas, se procura naturalmente, que estas estn
muy cerca de 20oC durante el ensayo, por ejemplo.
4. En muchos experimentos se presenta la necesidad de un trata-
miento testigo o control. Este trmino se refiere a un tratamien-
to en el que no se tiene un inters particular, pero puede servir
de comparacin para revelar si los dems tratamientos son efec-
tivos. Se recomienda la inclusin de un testigo cuando las condi-
ciones 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 es-
conder el efecto del nutriente adicional. Otras situaciones se pre-
sentan en animales, en los cuales sus rasgos genticos, condicio-
nes fisiolgicas o morfolgicas, no revelarn claramente la efec-
tividad 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 trata-
mientos objetos de estudio.

V. CONTROL DE LA VARIACIN DEL NO TRATAMIENTO

Para hacer valida la comparacin entre tratamientos, se deben sepa-


rar los efectos de fuentes extraas de variacin de los efectos de tra-
tamientos y de la estimacin del error experimental. Si esto no se pue-
de 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 de-


bida a fuentes distintas a los tratamientos sea controlada, de tal forma
que los efectos de tratamiento puedan ser estimados en forma segura
y adecuada. Los mtodos que hacen esta distincin, estn referencia-
dos en forma conjunta como control del error.

90
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

El objetivo principal de estos mtodos, es obtener un estimador inses-


gado del error experimental resultante de mejorar la precisin aso-
ciada 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 va-
riables potenciales constantes. El criterio para la seleccin del mate-
rial 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 ex-
perimental a ser usada. Consecuentemente, el uso de ms unidades
experimentales homogneas no siempre es posible. Las unidades expe-
rimentales deben ser lo ms representativas de la poblacin para la
cual el experimento va a sacar conclusiones.

Por esta razn, controlando experimentalmente algunos factores ex-


traos 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 consi-
derablemente 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 experimen-
tal) y cuando hay informacin disponible adicional de tipo cuantitati-
vo o cualitativo se tienen ms ventajas. Una funcin bsica de los di-
seos 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 fuen-
tes conocidas de variabilidad se controlan. Esto se consigue arreglan-
do las unidades experimentales en subgrupos ms homogneos cono-
cidos como bloques los cuales estn basados en valores comunes de los
factores de clasificacin. Haciendo esto, algunas de las variaciones
naturales entre unidades experimentales son asociadas con otro factor
91
Palacios C. Severo

cuya contribucin a la estimacin del error experimental puede ser


eliminada.

En muchos experimentos la precisin de la comparacin de tratamien-


tos puede ser aumentada usando variables concomitantes y/o auxilia-
res, este tipo de anlisis, conocido como el anlisis de varianza se re-
comienda usar cuando la variacin entre unidades experimentales es,
en parte, debida a la variacin en algn otro carcter medible no sufi-
cientemente 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 va-
riacin 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 de-
ber realizarse cuando todas las dems opciones han sido eliminadas
y la precisin deseada no ha sido obtenida.

VI. PROPIEDADES DEL DISEO ESTADSTICO

Finney (1955) establece que por el diseo de experimentos se entiende:

a) Especificaciones de las unidades experimentales a las cuales los


tratamientos han sido aplicadas.
b) Especificaciones de mediciones que pueden ser tomadas en cada
unidad experimental.

Seleccin de un grupo de tratamientos para comparacin. Mientras la


responsabilidad principal es del experimentador, la estadstica contri-
buye respecto a la eleccin ptima de las combinaciones de tratamien-

92
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

tos a ser usadas, por ejemplo, en un experimento factorial fraccionado


o en la exploracin de superficies de respuesta. Esto se conoce como un
diseo de tratamientos.

La asignacin de los tratamientos a las unidades experimentales


(aleatorizacin), esto es lo que caracteriza el diseo estadstico de ex-
perimentos.

El diseo estadstico de experimentos es esencialmente el plan para


poner a funcionar el experimento, especificando el arreglo de las uni-
dades experimentales en el tiempo y/o espacio y el patrn de observa-
ciones 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 permi-
tan 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 nin-


guna tcnica estadstica puede revelar informacin no implcita ini-
cialmente 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 esfuer-
zo 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 tratamien-


to. Hasta donde es posible la comparacin de tratamientos de-
ben estar libres de sesgos sistemticos. Es la comparacin de
tratamientos el inters principal, por lo tanto es de primordial
importancia que estas comparaciones reflejen diferencias debi-
das 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 trata-
mientos.

93
Palacios C. Severo

Requerir que la precisin asociada con la estimacin de efectos


este de terminada al mismo tiempo que las estimaciones mis-
mas. En este sentido, el experimento esta auto contenido. Para
esto, debe haber una medicin del error experimental. Esta es-
timacin es necesaria para asegurar la significanca estadstica
de las diferencias de tratamientos. Si esta estimacin no es in-
sesgada, se presentar una prdida de eficiencia del experimen-
to lo cual conllevara a un desperdicio de tiempo, materiales y
dinero. Si el experimento no provee una estimacin del error ex-
perimental, ser necesario usar una estimacin de un experi-
mento previo. La validez del procedimiento se basa en el hecho
que la magnitud del error experimental deber permanecer in-
variante desde el ltimo experimento (un supuesto que frecuen-
temente es insostenible).

Las comparaciones de tratamientos, deben de ser lo suficientemente


precisas para detectar las mnimas diferencias de importancia prcti-
ca 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 con-
trario no tiene sentido realizarlo. La precisin de un determinado ex-
perimento depender de:

1. La variabilidad intrnseca del material experimental y de la pre-


cisin 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 exac-
tamente las obtenidas cuando se lleva a cabo el experimento.
Deben procurarse que las conclusiones sobre los resultados
del experimento se hagan sobre condiciones similares del
experimento. Si las conclusiones se aplican, deber haber
confiabilidad de que las condiciones donde se apliquen sean
similares. Cumpliendo esto el experimento debe tener un
rango amplio de validez. Entre ms amplio sea el rango de
condiciones investigadas en el experimento, mayor ser la
confiabilidad de estas conclusiones cuando no cumplan las
condiciones de homogeneidad, en aquellos casos donde las
condiciones sean algo distintas.

94
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Se debe tener cuidado, para verificar que la organizacin del


experimento no se torne muy compleja y tener en cuenta
adems que si un grupo de tratamientos no es investigado
totalmente, no se podrn obtener conclusiones significati-
vas.

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 di-
seo ms simple posible que permita controlar adecuadamente la va-
riabilidad 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 experimen-
to. 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 implemen-
tar una accin (decisin de gestin).

El trabajo del estadstico es el de presentar las probabilidades de la


primera etapa lo ms acertadamente posible para lograr minimizar el
nmero de decisiones incorrectas a tomar en la segunda etapa.

Un buen diseo de experimentos puede ser obtenido al aplicar los


principios bsicos establecidos por Fisher (1935). Ellos son:

1. Replicaciones de algunos o todos los tratamientos para estimar


la magnitud del error experimental.
2. Aleatorizacin de los tratamientos a las unidades experimenta-
les para tener as una estimacin vlida del error experimental

95
Palacios C. Severo

as como estimaciones insesgadas de los efectos de los trata-


mientos.
3. El uso del control local de fuentes de variacin extraas conoci-
das a travs del uso de sub-grupos homogneos de unidades ex-
perimentales.

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.

I. Replicacin
(Permite estimar error experimental)

II. Aleatorizacin III. Control Local


(Produce estimaciones insesgados de varianza y valida el error (Disminuye el error)
experimental)
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 re-
plicaciones es igual para todos los tratamientos el diseo se denomina
balanceado, en caso contrario se dice que es desbalanceado. Un nme-
ro 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 ex-
perimentales de cada tratamiento, no al nmero de observaciones. El
propsito de la replica es proveer una estimacin del error experimen-
tal. 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 replica-
cin; las repeticiones reducen la variacin asociada con mediciones
96
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

y/o errores mustrales, pero no proveen ninguna informacin rela-


cionada con los errores experimentales.

Adems de proveer una estimacin de error experimental, las replica-


ciones aportan la precisin del experimento al reducir el error estn-
dar asociado con la comparacin de tratamientos. Esto se desprende
del hecho que la varianza de la media disminuye inversamente pro-
porcional 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 preci-


sin a las estimaciones, stas no se pueden incrementar indefinida-
mente. Un punto para su disminucin se alcanza cuando el incremento
en los costos de la experimentacin no es compensado con una reduc-
cin 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 re-
cursos 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 inves-
tigar un mejor rango de condiciones experimentadas.

VIII. ALEATORIZACIN

La aleatorizacin es fundamental para que el diseo de un experimen-


to sea vlido. Es el procedimiento que permite que cada unidad expe-
rimental tenga iguales condiciones para recibir cualquier tratamiento.
Esto no significa que el experimentador podr escribir como quiera la
identificacin de tratamientos (nombres o smbolos) en el orden que se
le ocurra. La aleatorizacin es un proceso fsico que asegura que cada
tratamiento tenga igual probabilidad de ser asignado a cualquier
unidad experimental. Este es el punto en el cual, el procedimiento ex-
perimental 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 expe-
rimento.

La aleatorizacin es necesaria ya que provee las bases para obtener


un tests vlido de significanca al destruir cualquier sistema de corre-

97
Palacios C. Severo

lacin que pueda existir entre las unidades experimentales. Un supues-


to valido que resalta el anlisis de varianza es que los errores experi-
mentales 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 proba-
bilidad 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 experimenta-
les. La aleatorizacin no hace que los errores sean independientes pero
asegura que, en promedio, las correlaciones sean cero. Como resulta-
do, 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 pa-


ra evitar sesgos en la estimacin del error experimental y los efectos
de tratamiento. La estimacin del error experimental se obtiene com-
parando 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 diferen-
ciables 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 tra-
tamientos.

La aleatorizacin tambin provee estimaciones insesgadas de los efec-


tos de tratamiento al controlar los efectos de fuentes de variacin des-
conocidas. Esto provee la seguridad de haber asignado adecuadamen-
te estas fuentes de variacin, las cuales deben ceirse a normas donde
el experimentador no tiene ni el tiempo ni el conocimiento para inves-
tigar, pero que de otra forma, podrn conducir a conclusiones erra-
das. 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 unida-
des experimentales. La aleatorizacin romper cualquier patrn aso-
ciado con factores desconocidos de tal forma que ningn tratamiento
ser favorecido frente a los dems. La aleatorizacin nunca elimina la
variacin causada por factores extraos desconocidos, pero distribuye

98
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

sus efectos en promedio, equitativamente sobre todos esos factores


extraos.

Finalmente, la aleatorizacin es necesaria para abolir los sesgos per-


sonales, 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 comi-
da 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 ni-
os 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 trata-


mientos con tres replicas en el tiempo. Este patrn sin embargo, pro-
bablemente no ser aceptado por la mayora de experimentos. Tal
relacin sugiere, una falta de conocimiento por parte del experimen-
tador. Youden (1964) sugiere tres formas para manejar esta dificul-
tad, 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 expe-
rimental debido a la eliminacin de la otra fuente de va-
riacin 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 sub-
jetivamente lo que es un arreglo extremo. Si esto se puede hacer,
entonces esta ser una solucin ms razonable.

99
Palacios C. Severo

3) Seleccionar un diseo al azar de un grupo predeterminado de


arreglos aceptables.

IX. CONTROL LOCAL

Al proceso de clasificacin de las unidades experimentales en grupos


homogneos, se le denomina Control Local.

Ejemplo 3.31
Un ejemplo de control local en el ejemplo 3.30 puede ser controlar el
nivel de fertilidad del terreno. Para esto se determinan unidades ho-
mogneas 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 influ-
yen 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 ho-
mogneos, basados en caractersticas comunes, de los factores de cla-
sificacin. 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 unida-
des experimentales. Para alcanzar la mxima eficiencia con el blo-
queo, es necesario el conocimiento relacionado con varios factores
extraos que afectan las unidades experimentales, informacin que
solo el experimentador puede proveer.

El bloqueo a las unidades experimentales se debe hacer de tal manera


que se asocien a fuentes asociadas de variacin extrema con diferen-
cias entre bloques, en este caso se debe cumplir que:

1) Una estimacin ms precisa del error experimental debe ser ob-


tenida, puesto que la contribucin de estos factores, extraos se
eliminan, introduciendo adems eficiencia al experimento debi-

100
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

do a que se podrn detectar menores diferencias entre los tra-


tamientos y
2) Las comparaciones de tratamiento no sern sesgadas por dife-
rencias en las unidades experimentales debido a los factores ex-
ternos.

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 experi-


mentos es la clave de la estructura que provee una estimacin del
error experimental y a travs de la aleatorizacin, se asegura la vali-
dez de las estimaciones y de las pruebas de significanca. La replica-
cin tambin trae consigo una reduccin de los errores de la estima-
cin 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 rela-


cionados con las propiedades de las unidades experimentales; esen-
cialmente tales caractersticas, determinan las restricciones que deben
ser colocadas al aleatorizar los tratamientos a las unidades experi-
mentales, las cuales a su vez determinan el tipo de diseo experimen-
tal, los cuales pueden ser clasificados como: sistemticos y al azar.

Los diseos sistemticos poseen un patrn regular para la asignacin


de tratamientos a las unidades experimentales. Las razones dadas
para usar un diseo sistemtico frecuentemente son:

1) Simplicidad, siendo extremadamente sencillo de aplicar.


2) Provee muestreo adecuado del material experimental.
3) Lleva a colocaciones inteligentes u ordenamiento natural de los
tratamientos.
4) La aleatorizacin no es necesaria, dada que la heterogeneidad
de las unidades experimentales por si solas aleatorizan los efec-
tos de tratamientos.

Las desventajas de los diseos sistemticos son:


101
Palacios C. Severo

1) El arreglo de los tratamientos, puede combinarse con un patrn


en variaciones no controladas que producen errores sistemti-
cos 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 importan-
cia. 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 clasifi-
cadas 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 parcial-
mente 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 co-
nocido esta disponible para el anlisis, este deber ser construido. Un
axioma bsico es el de disear para el experimento y no experimentar
para el diseo. Hay investigadores que piensan que la eleccin del
diseo y/o tratamientos experimentales debern ser limitados para
aquellos que aparecen publicados en la literatura especializada, de
esta forma se forz innecesariamente al experimentador a modificar
el experimento y ajustarlo al diseo conocido. An cuando un diseo
estndar haya sido usado para determinar si los objetivos del experi-
mento han sido logrados, siempre se hace necesario la verificacin y
su anlisis estadstico.

1. Sistemtico. Los tratamientos son asignados a las unidades ex-


perimentales 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 vali-
das.
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 experi-
mentales. Estos son los diseos de bloques.

102
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

c) Balanceado. Se obtiene la misma precisin para cada par de


comparaciones entre tratamientos.
d) Parcialmente Balanceado. La precisin no es constante para
cada par de comparaciones, pero depende de los tratamien-
tos 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 frecuen-
temente son distintas.

La estrategia experimental depende del tiempo para realizar el expe-


rimento, 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 agrco-
las y los industriales.

En general, los experimentos agrcolas:

1. Requieren un tiempo ms largo, frecuentemente meses, y en al-


gunos casos se extienden hasta aos, cuando se relacionan con
cultivos perennes
2. Por ejemplo. Usualmente presentan una mayor variabilidad en-
tre las unidades experimentales. Es casi imposible alterar o mo-
dificar estos experimentos una vez ha comenzado. Consecuente-
mente, el campo de la experimentacin agrcola debe estar auto-
contenido, y as frecuentemente involucran diseos ms am-
plios, comprensivos y complejos, de tal manera se puede obtener
mucha informacin de cada experimento.

Por el otro lado, la mayora de experimentos industriales satisfacen


que:

103
Palacios C. Severo

1. La capacidad para realizar experimentos pueden ser muy rpi-


dos, el tiempo de intervalo puede ser solo uno o unos pocos das
inclusive horas, y
2. La variacin natural entre las unidades experimentales es gene-
ralmente 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 lue-
go 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 pro-


gramas experimentales; el nico tiempo en el cual el programa de
experimentacin puede ser diseado adecuadamente es despus de
haber sido culminado. Es comn encontrar en la culminacin de un
programa que:

1. Una o ms variables probablemente hayan sido omitidas del ex-


perimento.
2. Una o ms variables originalmente incluidas en el experimento
aparezcan con un pequeo efecto, por lo tanto no son tan impor-
tantes como se pens al principio.
3. Un diseo experimental ms complejo se necesita para solucio-
nar adecuadamente los problemas.
4. Algunas transformaciones a las variables podrn ser apropia-
das.

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 sa-
crificio en el conocimiento del experimentador, su experiencia e ima-
ginacin.

XII. DISEO DE TRATAMIENTOS

104
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Cada uno de los diseos que controlan el error mencionados en la ta-


bla 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 intere-
ses de la investigacin, el material experimental y los factores dispo-
nibles. 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 facto-
riales simtricas y las estructuras factoriales asimtricas. En la pri-
mera, se tienen k factores cada uno s niveles, donde s es un entero, en
este caso se tienen sk tratamientos. En la segunda estructura, se tienen
k1 factores con s1 niveles, k2 factores con s2 niveles, km factores con
sm niveles, el cual tiene en total t s1k1 s2k2 ...smkm mj1 s kj j tratamientos.

Tabla 3.9 Efecto de diseo de control del error


Factores de control del
Tipo de diseo Caracterizacin
diseo aleatorizado
0 Diseo completamente
aleatorizado
1. Diseo Bloque Aleatorizado.
2. Diseo Bloque Aleatorizado
Diseo en bloque generalizado
1 3. Diseo Bloque Incompleto
aleatorizado
4. Diseo Bloque extendido
5. Diseo Bloque por franjas.
1. Diseo cuadrado latino.
Diseo cuadrado 2. Diseo cuadrado latino
2
latino incompleto
3. Diseo Cross - Over
Diseo cuadrado
3 latino replicado.
Cuadrado grecolatino
Cuadrado latino mu-
>3
tuamente 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

105
Palacios C. Severo

muestreo), o ms precisamente, la separacin de la varianza del error


experimental y el observacional.

La nocin de sub muestreo puede obviamente ser extendida a ms de


un nivel, por ejemplo, para cada unidad experimental se puede tener
algunas unidades mustrales y luego para cada unidad muestral se
pueden tener algunas unidades observacionales.

XIV. ESTUDIO EXPERIMENTAL

Para que el experimento sea exitoso, se deben tener en cuenta lo si-


guiente:
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 pro-
blema frecuentemente contribuye a un mejor entendimiento del
fenmeno y a una solucin del problema.
2) Escogencia de factores y niveles. El experimentador debe selec-
cionar las variables independientes o factores a ser estudiados,
estos pueden ser cuantitativos o cualitativos. En el caso cualita-
tivo hay que tener en cuenta como se controlarn estos valores
en los valores de referencia y como van a ser medidos. Es impor-
tante seleccionar los rangos de variacin de los factores y el
nmero de niveles a considerar, los cuales pueden ser predeter-
minados o escogidos aleatoriamente del conjunto de los posibles
niveles.
3) Seleccin de las variables respuesta segn los objetivos. En la es-
cogencia de la variable respuesta o variable dependiente, el ex-
perimentador ha de estar seguro que la respuesta a medir real-
mente provee informacin sobre el problema de inters. Es nece-
sario suministrar la forma como se mide esta variable y de ser
posible la probabilidad de ocurrencia de estas medidas.
4) Seleccin del diseo experimental. Este paso es de primordial
importancia en el proceso de investigacin. Se debe indicar la
diferencia a la respuesta verdadera (que tan lejos se admite la
realidad de lo observado), que se desea detectar y la magnitud
de los riesgos tolerados (grado de confiabilidad), en el orden a
escoger un tamao de muestra apropiado (replicaciones); es
procedente sealar tambin el orden de recoleccin de los datos
y el mtodo de aleatorizacin a emplearse. Siempre es necesario
mantener un equilibrio entre la exactitud y los costos. Se deben

106
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

recomendar planes que sean eficientes estadsticamente y eco-


nmicamente viables. En la conduccin de un estudio experi-
mental es de esencial importancia la escogencia del diseo, esta
escogencia depende de cuatro componentes:
El diseo de tratamientos. En esta etapa se determinan los tra-
tamientos a ser medidos en el estudio, es decir se establecen cua-
les 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 nive-
les de factores se deben identificar en cada factor y cul es el
rango razonable de cada factor. Los aspectos del diseo de tra-
tamientos estn estrechamente ligados con el diseo para con-
trolar 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 tra-
tamientos a las unidades experimentales. Como ejemplos de con-
trol de error se tienen los diseos completamente aleatorizados,
bloques completos aleatorizados y cuadrados latinos. La esco-
gencia del diseo depende de la variabilidad de las unidades ex-
perimentales, 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 asigna-
cin aleatoria de los tratamientos a las unidades experimenta-
les.
Muestreo y diseo de observaciones. Hace referencia a determi-
nar el nmero de observaciones tomadas por tratamiento y uni-
dad experimental, lo cual caracterizar los planes experimenta-
les, 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 con-
trol del error y el muestreo de las observaciones.
El diseo seleccionado se asocia a un modelo lineal de la forma
Y X si el modelo es de efectos fijos, se descompone la va-
riabilidad de la respuesta (variabilidad total) como una parti-
cin ortogonal de las diferentes fuentes de variabilidad, es decir,
q
SCtotal SC(i)
i 1

107
Palacios C. Severo

Donde:

SCtotal YY y SC(i ) YPXi Y


siendo PXi Xi ( X it X i ) X it , i=1, , q el
proyector ortogonal en el espacio columna de X i ; y para X i el
bloque X asociado con el i-simo factor de clasificacin
X X 1 : X 2 : ... : X 4
5) Conduccin del experimento. Es el proceso de muestreo de reco-
leccin 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 investi-
gacin, porque surgen situaciones no consideradas previamen-
te, como en el caso de un cultivo atacado por plagas, el agota-
miento 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 al-
teran 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 ex-
plica la realidad dicha expresin. Es preferible renunciar a un
bello modelo que aceptar una realidad deformada por el. En es-
ta etapa se busca una frmula matemtica que explique el com-
portamiento de una(s) variable(s) a travs del comportamiento
de otras. Existen tcnicas estadsticas, como el anlisis de regre-
sin que suministran estas relaciones. Se debe buscar que el mo-
delo se analice junto con el especialista que lo est investigando.
Una vez se ha seleccionado el diseo experimental, se establece
la matriz de diseo X, el vector de parmetros y se asocia a un
modelo Y X el cual generalmente resulta ser de rango in-
completo y estimado por el mtodo denominado mnimos cua-
drados 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 parme-
tros asociados al modelo, en este ltimo mtodo, se tiene
en cuenta la distribucin de la variable respuesta; por este
motivo la mayora de los desarrollos realizados en este
texto se hacen asumiendo que la variable respuesta sigue

108
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

una distribucin normal multivariada. Cuando el modelo


es de rango incompleto, se realizan clculos muy similares
al caso de rango completo, con lo cual simplemente los es-
timadores son adaptados a este modelo.
2. La teora de estimabilidad. Conocer los principales crite-
rios 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 pro-
puesto, lo cual conlleva a un examen crtico de las bases del mo-
delo estadstico y su relacin con los supuestos. En esta etapa re-
cientemente 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 in-
formacin, 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 difu-
sin en el rea experimental podemos mencionar: el SPSS (Sta-
tistical 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 resulta-
dos. En la presentacin de estos se deben evitar el empleo de
terminologa estadstica seca y en lo posible presentar los resul-
tados de manera simple. La elaboracin de grficos y tablas evi-
ta la redaccin de resultados y recomendaciones extensas y con-
fusas.

109
Palacios C. Severo

Problemas

(105) Desarrolle un bloque completo para el ejemplo 3.31 para el con-


trol del nivel de fertilidad del terreno.
(106) Determine el bloque de fertilidad para cada bloque que se subdi-
vide en parcelas.
(107) Que los tratamientos del problema 100 sean unidades experi-
mentales y reciban un nico tratamiento y que estn por blo-
ques.
(108) Una empresa farmacutica desea evaluar por bloques una nue-
vo 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 pobla-
cin 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 blo-
ques, y cada bloque se subdivide en zonas de tratamiento. Se
desea determinar el bloque en donde se desarrolla con efectivi-
dad el tratamiento de dicha capsula.
(110) Un plaguicida para el control de la mosca blanca se viene apli-
cando 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 mos-
ca de la fruta, el investigador desea desarrollar un diseo por
bloques en diversas zonas agrcolas, para el cual trabaja en va-
rios puntos con dicha plaga. Se desea evaluar dicho diseo con
bloques a fin de eliminar dicha plaga.

110
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

(112) Un investigador se encuentra con un problema doble, ya que la


siembra de un producto viene infectado por una plaga, como as
mismo las semillas estn contaminadas con un producto qumi-
co 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 correspon-


den 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 expe-


rimentos definidos. La definicin de experimento cientfico es una
prueba que se hace a fin de demostrar una verdad conocida o por co-
nocer, examinar la validez de una hiptesis, o determinar la eficacia
de algo previamente ensayado. Los fsicos, qumicos agrnomos, me-
talurgistas, mineros, gelogos, y muchos cientficos comparten el obje-
tivo de entender y predecir causa y efecto.

II. LIMITACIONES

111
Palacios C. Severo

Los cientficos en ciencias de la ingeniera tienen ms facilidad en


construir y llevar a cabo sus experimentos que los investigadores en
las ciencias sociales. Las sustancias qumicas y los tubos de ensayo son
ms fciles de controlar que los consumidores y las campaas de pu-
blicidad. 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 menu-
do tienen que obtener sus datos preguntando a sus sujetos (cualitati-
vos).
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 demo-


ran aos, generaciones y hasta siglos en hacer descubrimientos con-
cluyentes. En cambio casi todos los problemas de la sociedad requie-
ren 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 identifi-
car, 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 jerar-
qua tiene tres etapas:

112
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Investigacin descriptiva: Simplemente plantea lo que existe o


describe algo que ha ocurrido en el pasado. No intenta inferir causa y
efecto.

Investigacin evolutiva: Aade juicio de valor a los datos descrip-


tivos 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 unida-


des experimentales (cuantitativo) en investigacin cientfica.

Si deseamos comparar n poblaciones se efecta los diseos experimen-


tales. Dichos diseos son conjuntos de reglas (estructurado) que sirven
para asociar unidades experimentales.

Las unidades experimentales son datos a los cuales se aplica una cau-
sa y efecto.

Para el anlisis de las unidades experimentales procedemos a descri-


bir 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 independiente-
mente de la voluntad del experimentador, y por los resultados del ex-
perimento, es decir, por unos sucesos determinados que se observan
como resultado de haberse ejecutado dicho experimento de condicio-
nes. Un experimento se considera dado, si estn determinadas sus
condiciones e indicado los sucesos.

113
Palacios C. Severo

Los experimentos se pueden dividir a grandes rasgos en dos clases.

En una de ellas las condiciones del experimentador determinan el mo-


do unvoco la aparicin o no de los sucesos que se emplean. Los resul-
tados 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 pro-
babilstica, 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 re-
sultados del experimento, las variantes cambian de lugar en los
diferentes perodos.
d) Es econmico, ya que se trabaja con pocas muestras de la pobla-
cin.

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 equi-


pos, probeta, muestras, etc. con dos mtodos distintos de niveles. Mu-
chos experimentos de estos tipos implican ms de dos niveles del fac-
tor. En el presente explicaremos con detalle los diseos aleatorizados.

Ejemplo 4.32
Se desea maximizar la fibra de llama que se emplea en una manufac-
tura de alfombras. Se sabe por experiencia que la resistencia es influi-
da por el porcentaje de algodn presente, adems se sospecha que
elevar el contenido de algodn incrementar la resistencia, el conteni-
do de algodn debe variar aproximadamente entre 10 y 40 por ciento
para que la alfombra resultante tenga otras caractersticas de calidad
que se desean.

114
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Se desea probar muestras a cinco niveles de porcentaje de algodn 15,


20, 25, 30, 35 por ciento. As mismo, decide ensayar cinco muestras a
cada nivel de contenido de algodn.

Este es un experimento unifactorial con a=5 niveles del factor y n=5


repeticiones. Las 25 corridas deben hacerse al azar.

Se elige un nmero aleatorio entre 1 y 25 ver tabla 4.10. Supngase


que este nmero es 8. Entonces la observacin nmero, 9 (20% de
algodn) se corre primero. El proceso se repite hasta que se ha asig-
nado una posicin en la secuencia de prueba a cada una de las 25 ob-
servaciones.
Tabla 4.10 Influencia del % de algodn a la fibra de llama
% algodn Corrida experimental Total Media
15 1 2 3 4 5
20 6 7 8 9 10
25 11 12 13 14 15
30 16 17 18 19 20
35 21 22 23 24 25

La secuencia de pruebas aleatorizadas es necesaria para evitar que los


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

Si la maquina que dan los resultados presenta un efecto de calenta-


miento tal que ha mayor tiempo de funcionamiento menor lectura se
tendr (influencia perturbadora), entonces dicho efecto contaminar
los datos de respuesta e invalidar el experimento. Si se efecta en
orden aleatorio.

Es bueno representar grficamente los datos experimentales, en la


figura se muestran los diagramas de dispersin a cada nivel de por-
centaje de algodn.
115
Palacios C. Severo

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 au-


mento 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 va-
riabilidad en la resistencia al rededor del promedio dependa del por-
centaje 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 va-
riable aleatoria. Los datos se muestran en la tabla 4.10

Es til describir las observaciones mediante el modelo estadstico2

Yij i ij i, j 1,2,3,4,..., n

Donde:

Yij es el ij-sima observacin,


es un parmetro comn a todos los tratamientos denominados
media global,
Ti es un parmetro nico para el i-simo, y
ij es el componente aleatorio del error.

2 Polinomino ortogonal

116
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Nuestro objetivo ser probar una hiptesis apropiada con respecto a


los efectos del tratamiento, y hacer una estimacin de ello. Para pro-
bar 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 cal-


cula como sigue:

SCtotal YIJ2 Yi / N
2

SCtratamiento YIJ2 / n Yi / N
2

SCerror SCtotal SCtratamiento

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

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


2

SCtratamiento 492 77 2 882 1082 542 / 5 376 / 25 475,76


2

SCerror 636,96 475,76 161,20

En la tabla 4.12 se muestran los resultados del procedimiento.

117
Palacios C. Severo

Tabla 4.12 Anlisis de varianza


Fuente SC GL CM Fo Ft(99%)
% algodn 475,76 4 118,94 14,76 > 4,43
Error 161,20 20 8,06
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 Fo=14,76 y
comparando con Ft(99%)=4,43, debe rechazarse Ho y concluir que la
media de tratamientos difieren; en otras palabras el porcentaje de
algodn en la fibra de llama afecta significativamente su resistencia
media.
c) DISEO DE PARCELAS DIVIDIDAS

Los diseos en parcelas divididas y subdivididas se emplean frecuen-


temente en experimentos factoriales en las que las condiciones del
material experimental, o las operaciones experimentales contempla-
das 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 oca-
siones este es el diseo ptimo a elegir ya sea porque un factor requie-
re de reas grandes para su evaluacin o por razones econmicas:
lminas de riego y variedad de arroz, sistema de cultivo y fertiliza-
cin.

Cabe mencionar que la diferencia entre un experimento factorial y uno


de parcela dividida est en el proceso de aleatorizacin de los trata-
mientos. As mientras que en un diseo factorial se hacen todas las
combinaciones de tratamiento y se distribuyen aleatoriamente a las
unidades experimentales, en el experimento de parcelas divididas
primero se distribuyen aleatoriamente los tratamientos de las parce-
las grandes y luego los tratamientos de las parcelas chicas dentro de
las parcelas grandes.

Ejemplo 4.33

118
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Se desea estudiar el efecto de la frecuencia de corte (parcela grande) y


tres alturas de corte (parcela chica) en una produccin de materia
seca del pasto.

El primer paso es localizar el rea donde se realizar el experimento.


Si el terreno es homogneo entonces es factible utilizar un diseo com-
pletamente 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 Altura Replicas
Corte (das) Corte (cm) I II III IV
20 5 3,69 5,98 5,37 6,30 23,34
10 3,72 3,20 3,90 4,51 15,33
155 3,66 2,85 2,60 3,83 12,94
Total 13,07 12,03 11,87 14,64 51,61
40 5 6,48 7,92 4,74 6,30 25,44
10 3,86 4,54 4,42 5,06 17,88
15 11,15 3,54 3,91 3,66 22,26
Total 21,49 16,00 13,07 15,03 65,58
60 5 4,90 5,73 12,00 8,56 31,19
10 5,34 4,28 6,16 6,34 22,12
15 3,40 5,47 4,78 3,75 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 23,34 15,33 12,94 51,56
40 25,44 17,88 22,26 65,68
60 31,19 22,12 17,40 70,71
Total 52,60 55,33 79,97 187,90

Factor de correccin

FC
187,90 35306,41 980,73
36 36

Suma de cuadrados debido a las replicas

SCreplica
48,20 43,51 47,88 48,31 FC
9

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

119
Palacios C. Severo

Suma de cuadrados debido a las parcelas grandes (frecuencia de cor-


te)

SC pg
51,61 65,58 70,71 FC
12

2663,59 4300,74 4999,90


SC replica 980,73 16,29
12

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

SC pch
79,97 55,33 52,60 FC
12
6395,20 3061,40 2766,76
SC pch 980,73 37,88
12
Suma de cuadrados debida a las interacciones de los tratamientos
(frecuencia de corte y altura de corte)

SCint
23,34 15,33 ... 17,40 FC SC SC pch
pg
4

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

SC pgxRe p
13,07 12,03 ... 22,94 18,65 FC
3

3084,74
SC pgxRe p 980,73 1028,25 980,73 47,52
3

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

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

SCtotal 1129,74 980,73 149,01

SCerrorpch SCtotal SC pgxrep SC pch SCint

SCerrorpch 149,01 47,52 37,88 8,71 54,9

Tabla 4.14 Anlisis de varianza


Fuente SC GL CM Fo
Replica 1,79 3 0,60
Frecuencia corte 16,29 2 8,15 1,65
Error pg 29,44 6 4,90
Altura corte 37,88 2 18,94 6,21
Interaccin (f x a) 8,71 4 2,19 0,72

120
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Error pch 54,90 18 3,05


Total 149,01 35

Los efectos de bloque (replica) y frecuencia de corte se prueban utili-


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

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

Problemas

(113) Un industrial textil utiliza un gran nmero de telares. Se desea


que los telares sean homogneos con el objeto de producir telas
de resistencia uniforme. El industrial supone que, aparte de la
variacin usual en la resistencia de la tela en muestras del mis-
mo telar, puede existir una variacin significativa de la resisten-
cia entre los distintos telares. Para investigar esto, selecciona
cuatro telares al azar y realiza cuatro determinaciones de la re-
sistencia. Este experimento es realizado en orden aleatorio.
Realice un anlisis de varianza y vea si existe diferencia signifi-
cativa.
Telar Corrida experimental Total
1 98 97 99 96 390
2 91 90 93 92 366
3 96 95 97 95 383
4 95 96 99 98 388
(114) Una fabrica de calzados cuenta con cinco tipos de cuero curtido.
Cada cuero tiene una forma de proceso. Para investigar se esco-
gen cinco cueros al azar, y se mide la cantidad de cuero produ-
cido en cinco tiempos diferentes. Obtenindose los datos.
Cuero Corrida experimental Total
1 14,0 14,0 14,2 14,0 14,1 70,3
2 13,9 13,8 13,9 14,0 14,0 69,6
3 14,0 14,2 14,1 14,0 13,9 70,2
4 13,6 13,8 14,0 13,9 13,7 69,0
5 13,8 13,6 13,9 13,8 14,0 69,1
Estime la varianza del error experimental

121
Palacios C. Severo

(115) Se pide a cuatro qumicos qu determinen el contenido de nitr-


geno de un fertilizante cada uno realiza tres determinaciones y
los resultados son los siguientes:
Qumico Corrida experimental Total
1 44,49 44,04 44,38 133,41
2 45,15 45,13 44,88 135,16
3 44,72 44,48 45,16 134,36
4 44,20 44,10 44,55 132,85
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 ele-
mentos 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 metli-
co debe variar entre 10 a 30 por ciento para que la aleacin ten-
ga buenas caractersticas.
% metal Corrida experimental Total
1 9 15 12 22 10 68
2 23 18 7 11 17 76
3 19 19 14 15 7 74
4 18 11 7 12 18 66
5 11 19 19 18 25 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 di-
versidad de sus productos en cinco diferentes distritos.
Producto Corrida experimental Total
1 200 150 300 100 700 0,89
2 700 200 180 500 300 0,79
3 300 150 100 200 250 0,96
4 400 800 600 150 350 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 cole-
gios en cuatro materias A: matemticas, B: fsica, C: qumica y
D: lenguaje
Materia Colegio Nota
A 20 30 25 29 27 50
B 18 25 18 35 33 40
C 15 20 27 27 32 35
D 25 35 32 35 35 43
(119) Se realiz un estudio de ingeniera de trnsito sobre los retrasos
en las intersecciones con semforos en las calles de una ciudad.

122
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Se usaron tres tipos de semforo: a) programado, b) semiauto-


mtico 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 (segun-
dos/vehculo). Los datos son los siguientes:
Programado Semiautomtico Automtico
38 18 16
37 21 11
31 19 19
36 26 11
35 23 17
Escriba el modelo lineal
Calcule el anlisis de varianza.
Calcule las medias de mnimos cuadrados del retraso en el trn-
sito y sus errores estndar para cada tipo de semforo.
Calcule el intervalo de confianza del 95% estimado para las me-
dias 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 aplica-
ron cinco dosis diferentes de nitrato de amonio a cuatro parce-
las (rplicas) en un diseo totalmente aleatorizado. Los datos
son el nmero de lechugas cosechadas de la parcela.
Tratamiento Lechuga
0 104 114 90 140
50 134 130 144 174
100 146 142 152 156
150 147 160 160 163
200 131 148 154 168
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 me-
dias 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 signifi-
canca de 0.05.
Escriba las ecuaciones normales para los datos.
Este experimento se llev a cabo con un diseo totalmente alea-
torizado de las parcelas en un arreglo rectangular. Muestre una

123
Palacios C. Severo

aleatorizacin de los cinco tratamientos con nitrgeno de las 20


parcelas, usando una permutacin aleatoria de 1 a 20.
(121) Un fisilogo de animales estudi la funcin pituitaria de las ga-
llinas, 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 aso-
ciadas con la funcin pituitaria de las gallinas durante el rgi-
men para explicar por qu vuelven a producir despus de una
muda forzada. Uno de los compuestos medidos fue la concentra-
cin 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 94,1 90,5 99,4 73,6 74,4
Ayuno 98,8 103,6 115,3 129,1 117,6
60 g salvado 197,2 207,3 177,5 226,1 222,8
80 g salvado 102,9 117,5 119,9 112,1 101,1
Mezcal malta 83,1 89,6 87,8 96,4 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 me-
dias 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 significan-
ca de 0,05.
Escriba las ecuaciones normales de los datos.
Este experimento se llev a cabo en un diseo totalmente aleato-
rizado, con una gallina en cada una de las 25 jaulas. Proporcio-
ne una asignacin aleatoria de los cinco tratamientos a las 25
jaulas, con una permutacin aleatoria de los nmeros 1 a 25.
(122) Se recolectaron datos de estudiantes de pedagoga en cuanto a
su uso de ciertas estrategias de enseanza estudiadas antes de
sus prcticas. Haba 28 estudiantes que haban aprendido las

124
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

estrategias (9 en 2002, 9 en 2003 y 10 en 2004). El 2001 haba 6


profesores que no haban aprendido el uso de estas estrategias y
se usaron como grupo de control.
El investigador registr el nmero promedio de estrategias por
semana que cada estudiante usaba durante sus prcticas. El in-
vestigador quera saber si el nmero de estrategias usadas va-
riaba con el tiempo.
Nmero promedio de estrategias usadas
Control 2001 2002 2003 2004
6,9 7,3 10,9 7,5
5,6 10,6 7,5 14,9
15,9 8,6 6,8 6,1
9,8 8,7 7,6 5,2
7,8 8,8 7,8 5,7
5 7,1 5,7 14,2
11,2 8,9 9,3
7,3 5,9 5,6
10,5 7,3 7,3
10,8
Escriba el modelo lineal estadstico para este estudio y explique
las componentes del modelo.
Calcule el anlisis de varianza.
Calcule un intervalo de confianza del 95% estimado para las
medias de los tratamientos.
Pruebe la hiptesis de que no hay diferencia entre las medias de
los cuatro tratamientos, con la prueba F a un nivel de signifi-
canca de 0.05.
Escriba las ecuaciones normales de los datos.
(123) En cierto estudio de calibracin de espectroscopia de absorcin
atmica, las medidas de respuesta fueron las unidades de absor-
cin 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 ca-
da 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 0,084 0,115 0,183 0,395
0,047 0,087 0,116 0,191 0,399
0,051
0,054
Escriba el modelo lineal estadstico para este estudio y explique
las componentes del modelo.
Calcule el anlisis de varianza.
Calcule las medias de mnimos cuadrados y sus errores estndar
para cada tratamiento.
125
Palacios C. Severo

Calcule un intervalo de confianza del 95% estimado para las


medias de los tratamientos.
Pruebe la hiptesis de que no hay diferencia entre las medias de
los cinco tratamientos, con la prueba F(95%).
Escriba las ecuaciones normales de los datos.
(124) Considere el experimento del ejercicio 121. Suponga que se per-
dieron algunas gallinas durante el transcurso del mismo, lo que
dio como resultado el siguiente conjunto de observaciones.
Tratamiento Suero T3
Premuda 94,1 90,5 99,4 73,6
Ayuno 98,8 103,6 115,3 129,1 117,6
60 g salvado 197,2 207,3 177,5
80 g salvado 102,9 117,5 119,9 112,1 101,1
Mezcal malta 83,1 89,6 87,8 96,4
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 me-
dias 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 significan-
ca de 0,05.
Escriba las ecuaciones normales de los dato
(125) Utilice los datos del ejercicio 51 para determinar cuntas galli-
nas 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 intersec-
ciones necesita el ingeniero de trnsito con cada tipo de semfo-
ro 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 ex-
perimentales. 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 es-
ta manera se ajusta respecto a peso inicial, se tiene ms grados

126
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

de libertad para el cuadrado medio del error y se maneja un di-


seo ms sencillo. Si adems del peso inicial, la edad se los ani-
males 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 ro-
ya. 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 so-
lo con 8 equipos para la medir la fotosntesis y decide medir en-
tre 10:00 y 10:15 a.m. Se sabe que tarda en medir la fotosntesis
de cada hoja afectada 3 minutos. Qu diseo experimental le
recomendara al investigador? De acuerdo con lo recomendado,
indquele como hacer el anlisis de los datos y las comparacio-
nes 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 compleji-
dad, el investigador esterilizara el suelo, aplicara soluciones nu-
tritivas 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 experi-
mental. Por tratamiento va a tener 10 unidades experimentales
en un invernadero.
Qu diseo experimental recomendara.
Como asignara los tratamientos a las unidades experimentales
Que variable(s) medira
Escriba una tabla de anlisis mostrando solamente las fuentes
de variacin y los grados de libertad.
Son los factores cualitativos o cuantitativos
Considere los factores aleatorios y escriba como calcular las
componentes de varianza y las pruebas de F

127
Palacios C. Severo

(130) Para determinar la permanencia del controlador biolgico


beauveria bassiana sobre las hojas del cafeto despus de un
aguacero, se piensa hacer un experimento en el cual se usar un
solo simulador de lluvia para despachar una misma cantidad de
agua con diferentes tiempos de duracin, para una intensidad
dada. Los tiempos de duracin son: 30, 60 y 90 minutos en ho-
ras 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 esta-
r 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 investi-
gador cuenta con 450 plantas para su experimento. Que diseo
experimental recomienda? Qu le indicara al investigador pa-
ra 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 compues-
to. 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 comple-
tamente aleatorizado con 15 unidades experimentales obtuvo la
siguiente informacin:
Tratamiento Impurezas Produccin
1 4,1 12,5
2,9 10,3
1,5 9,6
4,1 12,6
2,2 11,3
2 6,8 11,5
2,7 8,6
3,8 7,2
6,4 11,6
5,6 8,9
3 6,6 6,8
2,2 4,8
3,5 5,6
3,5 7,5
4,6 6,2
Estime la lnea de regresin para cada tratamiento
Lleve a cabo la prueba de hiptesis de que las tres lneas de re-
gresin tienen la misma pendiente
Obtenga la estimacin combinada de la pendiente.
Obtenga las medias sin ajustar y ajustadas de los tratamientos y
comprelos comentando los resultados respectivos.

128
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Obtenga la tabla de anlisis de la varianza e interprete cada uno


de los resultados de esta tabla.
(132) A continuacin se analizan los datos de un experimento en caa
de azcar. En las parcelas grandes se ensayaron dos tratamien-
tos.
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 kilo-
gramos por parcela chica de 100.8 m2, y se gener la variable R:
para el rendimiento de caa en toneladas por hectrea.

V. DISEO TOTALMENTE ALEATORIZADO

Se usa cuando los datos tienen pequea variacin, y adems cuando el


nmero de tratamientos tambin es pequeo.

Si tenemos N-tratamientos, y queremos ubicar n-elementos para los


N-tratamientos procedemos de la siguiente manera.

Se eligen aleatoriamente n-unidades experimentales para aplicarle un


tratamiento digamos t, luego tenemos n-elementos de las Nn-n restan-
tes para aplicarles el tratamiento t2 y as sucesivamente hasta agotar
las Nn unidades experimentales.

En muchos problemas es necesario disear experimentos en los que


pueda controlarse sistemticamente la variabilidad producida por
diversas fuentes extraas.

Ejemplo 4.34
Se desea determinar la alimentacin de terneras con productos distin-
tos 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 ali-
mentacin de terneras, el engorde artificial correspondiente.

129
Palacios C. Severo

Por lo tanto, se requerirn 16 formas de alimentacin para realizar


este experimento, una para cada ensayo.

En principio existe un problema serio en el diseo. Como las terneras


son distintas, las unidades experimentales contribuyen a la variabili-
dad observada en la lectura de alimentacin.

Como resultado, el error experimental reflejar tanto el error aleato-


rio como la variabilidad entre los animales.

Tabla 4.15 Datos de alimentacin de terneras


Ternera Corrida experimental Total Media
1 9,3 9,4 9,6 10 38,3 9,575
2 9,4 9,7 9,8 9,9 38,8 9,700
3 9,2 9,4 9,5 9,7 37,8 9,450
4 9,7 9,6 10 10,2 39,5 9,875

Se desea que el error experimental sea lo ms pequeo posible; en


otras palabras, se busca sustraer del error experimental la variabili-
dad 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 aleatori-


zado. La respuesta observada es el incremento de peso diario en gra-
mos.

El anlisis estadstico se lleva a cabo en funcin de la prueba F, el va-


lor de Fo se compara con el valor de Ft en funcin de los grados de
libertad de los tratamientos y del error experimental.

Debemos calcular la varianza total y descomponerla para el trata-


miento y el error.

SCtotal 9,32 9,4 2 ... 102 10,2 2 153,4 / 16 1,18


2

SCtratamientoo 38,32 38,32 37,82 39,52 / 4 153,4 / 16 0,395


2

SCerror 1,18 0,395 0,785

130
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

GL : N 16 n 4
Total : N 1 15
Tratamiento : n 1 3
Error : N n 12

Tabla 4.16 Anlisis de varianza


Fuente SC GL CM Fo Ft(99%)
Terneras 0,395 3 0,128 1,96 < 5,95
Error 0,785 12 0,065
Total 1,18 15 R = 66,5254%

El anlisis de la prueba F indica que puede ser rechazado la hiptesis


Ho por lo que puede afirmarse que existe diferencia entre las medias
de los tratamientos comparados; sin embargo el investigador puede
concluir entre cuales tratamientos es que existe diferencia.

Problemas

(133) Un tcnico textil desea probar el efecto que tiene cuatro produc-
tos 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 con-
tinuacin, se proporcionan los resultados de la resistencia.
Analice estos datos y haga las conclusiones apropiadas.
Qumico Corrida experimental Total Media
1 73 68 74 71 67
2 73 67 75 72 70
3 75 68 78 73 68
4 73 71 75 75 69
(134) Se emplean cuatro laboratorios para realizar un anlisis qumi-
co 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 58,7 62,7 55,9 60,7 61,4
2 64,5 56,1 60,3 60,9 63,1
3 57,3 60,9 59,1 59,2 55,2
4 61,4 58,2 60,3 58,1 62,3
Existe diferencia significativa entre los laboratorios
Realice un anlisis de varianza

131
Palacios C. Severo

(135) Tres diferentes soluciones para lavar estn siendo comparadas


con objeto de estudias su efectividad en el retraso de crecimiento
de bacterias en envases de leche. El anlisis se realiza en un la-
boratorio 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 13 18 39 22
2 16 17 44 24
3 5 1 22 4
(136) Se desea estudiar la adicin sistemtica para la obtencin de
peltre (aleacin de estao, plomo, cobre antimonio) de muy bue-
na calidad, se comparan cinco estndares con el suministro de
estao (Sn) y cobre (Cu): a) Sn=92, Cu=2; b) Sn=93, Cu=1; c) Sn
=93, Cu=2; d) Sn=94, Cu=1, e) Sn=94, Cu=2
Aleacin Corrida experimental
A 1,18 1,20 1,03 0,92 1,27 1,24
B 1,45 1,23 1,76 1,62 1,34 1,60
C 1,36 1,23 1,41 1,25 1,51 1,44
D 1,45 1,78 1,56 1,74 1,67 1,46
E 1,96 2,12 1,78 1,83 2,07 1,76
(137) Se realiz una prueba de la vida til, a temperatura acelerada,
de un tipo de calentador tubular. Se probaron seis calentadores,
cada uno a cuatro temperaturas distintas: 1520F, 1620F,
1660F y 1708F. Se registr el nmero de horas transcurridas
hasta que se present falla en los 24 calentadores utilizados en el
estudio.
temperatura Horas hasta la falla
1520 1953 2135 2471 4727 6134 6314
1620 1190 1286 1550 2125 2557 2845
1660 651 837 848 1038 1361 1543
1708 511 651 651 652 688 729
Investigue las suposiciones necesarias para un anlisis de va-
rianza de los datos.
Realice un anlisis de varianza de los datos transformados, y
haga una particin de la suma de los cuadrados de la tempera-
tura en contrastes polinomiales ortogonales, para determinar la
mejor relacin entre la temperatura y su variable de respuesta.
Como las temperaturas de prueba tenan espaciamientos de-
siguales, use los siguientes coeficientes de contraste:
Temperatura 1520 1620 1660 1708
Lineal -0,773 -0,051 0,238 0,585
Cuadrtica 0,382 -0,637 -0,328 0,583
Cbica -0,078 0,584 -0,765 0,259
(138) Un entomlogo cont el nmero de huevos que pone cada una de
las 15 hembras de polillas en das sucesivos, en tres variedades
132
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

de gusano de tabaco (USDA, campo y resistente). Los siguientes


datos son el nmero de huevos puestos en el tercer da despus
del apareamiento de cada hembra en cada variedad.
Variedad Nmero de huevos por polilla
USDA 448 906 28 227 634 48 369 137
Campo 211 276 415 787 18 118 1 151
Resistente 0 9 143 1 26 127 161 294
USDA 29 522 319 242 261 566 734
Campo 0 253 61 0 275 0 153
Resistente 0 348 0 14 21 0 218
El entomlogo desea realizar un anlisis de varianza del nme-
ro 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 to-
talmente aleatorizado.
Replica I Replica II
Clon
Enraizado No enraizado Enraizado No enraizado
1 15 49 11 53
2 13 51 11 53
3 13 51 6 58
4 6 42 4 60
5 16 48 12 52
6 14 50 9 55
7 8 56 18 46
8 9 55 10 54
9 8 40 16 48
El cultivador quiere analizar la proporcin de cultivos enraiza-
dos 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 estn-
dar.
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 estn-
dar.

133
Palacios C. Severo

Interprete la grfica respecto a la forma de la distribucin a


partir de la cual se muestrearon las observaciones.

VI. DISEO DE BLOQUES ALETORIZADOS

El concepto de bloques fue introducido en agricultura; al observarse


que los campos experimentales en agricultura marcaban una hetero-
geneidad de fertilidad, lo que complicaba la asignacin de los trata-
mientos 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 aleato-


rizados. El trmino bloque es usado ms ampliamente para referirse a
un grupo de unidad experimental que tienen un conjunto de caracte-
rsticas 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 com-

134
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

paracin por grupos, se detecta que existen diferencias en cuanto a


una caracterstica determinada entre los objetos. A partir de ello se
estructura la formacin de los grupos, en funcin de establecer blo-
ques de tratamiento semejantes en cuanto a las caractersticas en
cuestin para que compongan cada bloque en forma aleatoria en cada
uno de los grupos experimentales posteriores.

Esta distribucin permite llevar a cabo un control ms preciso de los


efectos de esta caracterstica variable a travs del agrupamiento en
bloques elevando con ello la precisin del experimento.

Ejemplo 4.35
Se realizo un experimento con el objeto de comparar el efecto del su-
ministro 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 du-


rante la prueba (alimento de concentrado), expresado en Kg/da de
peso vivo.

Bloque
Concentrado Total Media
I II III IV V
A 0,8 1,0 0,9 0,8 1,0 4,5 0,9
B 1,0 1,1 1,0 1,1 1,3 5,5 1,1
C 1,2 1,3 1,1 1,3 1,1 6 1,2
D 1,4 1,4 1,8 1,6 1,8 8 1,6
Total 5,2 4,8 4,4 4,8 4,8 24

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


2

SCtratamiento 4,52 5,52 62 82 / 5 24 / 20 1,3


2

SCbloque 5,2 2 4,82 4,4 2 4,82 4,82 / 5 24 / 20 0,08


2

135
Palacios C. Severo

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

GL : N 20 n 4 m 5
Total : N 1 19
Tratamiento : n 1 3
Bloque: m 1 4
Error : N n m 1 12

Tabla 4.17 Anlisis de varianza


Fuente SC GL CM Fo Ft(99%)
Concentrado 1,30 3 0,43 23,4 > 5,95
Bloque 0,08 4 0,02 5 < 5,41
Error 0,22 12 0,018 1,09
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 inde-
pendiente 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 deteni-
miento los factores que provocan los resultados obtenidos al comparar
las dietas.

Ejemplo 4.36
Un agrnomo desea determinar el efecto de diferentes fuentes de ni-
trgeno en la produccin de una materia seca sobre cebada forrajera.
Hay cinco fuentes a ser comparadas: (NH4)2SO4, NH4NO3, CO(NH2)2,
Ca(NO3)2 y NaNO3 y con un tratamiento control sin nitrgeno. Se
deseo aplicar los resultados sobre un rango bastante amplio de condi-
ciones, se hicieron ensayos sobre cuatro tipos de suelo.

Para el diseo experimental se eligi un diseo en bloques completa-


mente aleatorizado con los tipos de suelo como factor de bloqueo, se
localizaron seis parcelas en cada uno de los cuatro tipos de suelo, y se

136
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

asigno aleatoriamente los tratamientos a las parcelas dentro de cada


tipo de suelo. La variable de inters es la produccin de cebada bajo
varias fuentes de nitrgeno.

Los datos obtenidos de realizar este experimento se presentan en la


tabla 4.18.

Tabla 4.18 Produccin (kg/parcela) de cebada bajo varias fuentes de nitrgeno


Tipo de suelo
Tratamiento I II III IV
(NH4)2SO4 32,1 35,6 41,9 35,4
NH4NO3 30,1 31,5 37,1 30,8
CO(NH2)2 25,4 27,1 33,8 31,1
Ca(NO3)2 24,1 33,0 35,6 31,4
NaNO3 26,1 31,0 33,8 31,9
Control 23,2 24,8 26,7 26,7

Las sumas de cuadrados se obtienen de la siguiente manera:

SCt ot al Yi j2
Y
ij
2

ni j

740,2
SCtotal 23323,52 4945183
24

SCt r at ami ento


1 Yi j 2

Yi j
2

b ni j

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

1
SCbl oque Yi j2
Yi j 2

t ni j

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

SCerror SCtotal SCtratamiento SCbloque

SCerror 4945183 2561533 1927483 456166

137
Palacios C. Severo

Tabla 4.19 Anlisis de varianza


Fuente SC GL CM Fo Ft(99%)
Suelo 1927483 3 642494 21,13 > 5,42
Tratamiento 2561533 5 512306 16,85 > 4,56
Error 456166 15 30411
Total 4945183 23 R = 90,7755%

Ejemplo 4.37
Un agricultor roca hojas de manzana con diferentes concentraciones
de un compuesto de nitrgeno, luego determina la cantidad de nitr-
geno que permaneca en las hojas inmediatamente despus de la apli-
cacin y al final de ciertos tiempos preestablecidos.

La finalidad de este experimento fue determinar la rapidez a la que el


nitrgeno es absorbido por las hojas, hubo dos reproducciones de cada
tratamiento segn se muestra en la tabla 4.20

Tabla 4.20 Cantidad de nitrgeno que permanece despus de la aplicacin


Concentracin de nitrgeno
Tiempo N1 N2 N3
t0 2,29 6,80 8,75
2,54 5,94 9,52
t1 0,46 3,03 2,49
0,19 1,00 2,04
t2 0,00 0,75 1,40
0,26 1,16 1,81

Asumiendo un bloqueo por tiempos, al llevar a cabo el anlisis de va-


rianza y probar la hiptesis de inters H0: N1 = N2 = N3, los resulta-
dos del ANOVA se muestran en la tabla 4.21

SCbl oque
1
6

35,84 9,21 5,83
50,43
18
917576

SCtratamiento
1
5,74 18,68 26,01 50,43 351136
6 18

SCerror 2884143
1
4,83 12,74 .. 3,21 309755
2

SCerrorexp er 2853167 1764016 2330456 1412880 171574

SCtotal 2884143 1412880 1471262

138
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Con base en stos resultados, se obtiene la tabla 4.21 y a partir de la


sta, se concluye que la permanencia de nitrgeno en las hojas se ve
afectada por la cantidad de nitrgeno aplicada, pues Fo = 4,09 < Ft(95%)
= 6,9. Por otro lado, al parecer los tiempos (bloques) difieren de mane-
ra 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 Fo Ft(95%)
Tiempo 917576 2 458788 10,69 > 6,94
Nitrgeno 351136 2 175568 4,09 < 6,94
Error exp 171574 4 42893
Error 30975 9 3441
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 fun-
cin directa del tipo de catalizador empleado, se emplean cuatro tipos
de catalizadores a fin de realizar el presente estudio.

Tabla 4.22 Tiempos de reaccin del proceso


Lote de materia prima
Catalizador I II III IV Yoi
1 73 74 - 71 218
2 - 75 67 72 214
3 73 75 68 - 216
4 75 - 72 75 222
Yoj 221 224 207 218 Yoo=870

Se estn investigando cuatro catalizadores, en cuatro lotes de materia


prima y se observa el tiempo de reaccin. Los datos obtenidos se pre-
sentan en la tabla 4.22

Para este conjunto de datos se tiene r = 3; k = 3 y el nmero de veces


que cada par de tratamientos aparece en el mismo bloque es:

r k 1 32
2
t 1 3

Este diseo en bloques incompletos balanceado tiene una eficiencia


relativa con respecto al DBCA de:

139
Palacios C. Severo

t 24
E 0,889
kT 33

Prefiriendo de esta forma bloques incompletos balanceados.

Para comprobar la hiptesis H0: 1 = 2 = 3 = 4, se construyen las


diferentes sumas de cuadrados con base en la estructura de las si-
guientes matrices:

C
2
4I 4 x 4 J 4 x 4 8
I 4x4 1
8
I 4x4
3 3 3

Con base en estos resultados, se encuentra que:

870
SCtotal 63156 8100
12

SCbloque
1
221 207 224 218 870 5500
3 12

SCtratajus
1
81 49 16 400 2275
24
En la tabla 4.23 se resumen los resultados anteriores a travs del an-
lisis de varianza. Puesto que Fo = 11,66 > Ft(95%) = 5,41, se concluye que
el catalizador empleado tiene un efecto significativo sobre el tiempo de
reaccin.

SCerror SCtotal SCtratajus SCbloque 8100 2275 5500 325

Tabla 4.23 Anlisis de varianza para los tiempos de reaccin del proceso
Fuente SC GL CM Fo Ft(95%)
Bloque 5500 3 1833 28,2 > 5,41
Tratamiento(ajus) 2275 3 758 11,6 < 5,41
Error 325 5 65
Total 8100 11 R = 95,9876 %

140
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Problemas

(142) Se describe un experimento en el cual se determin el factor de


forma para distintos embutidos a seis niveles de velocidad. El in-
ters se concentro en las diferencias potenciales del equipo, y la
velocidad se consider una variable problemtica.
Embutido Velocidad
1 0,78 0,75 0,77 0,80 0,81 0,78
2 0,83 0,86 0,81 0,85 0,92 0,85
3 0,83 0,89 0,89 0,92 0,95 0,93
4 0,83 0,88 0,86 0,79 0,98 1,14
5 0,75 0,76 0,76 0,86 0,78 0,97
(143) Un fabricante produce nutrientes en cuatro reactores se sabe
que cada reactor tiene sus propias caractersticas de procesa-
miento de modo que cada reactor se considera una variable
problemtica en cualquier corrida experimental en la fabrica-
cin que implica ms de un reactor. El ingeniero de planta sos-
pecha que la velocidad de agitacin influye en la homogeniza-
cin y dilucin de los productos slidos. Cada reactor puede ope-
rar a cuatro velocidades de agitacin distinto.

141
Palacios C. Severo

Se efectu un diseo de bloques aleatorizados para una empresa


exportadora, los datos son:
Agitacin Reactor
5 6 5 8 4
10 9 6 14 5
15 2 9 14 6
20 6 3 7 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 elec-
cin 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 qumi-
co. 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 58,7 62,7 55,9 60,7
2 61,4 64,5 56,1 60,3
3 60,9 63,1 57,3 60,9
4 59,1 59,2 55,2 61,4
5 58,2 60,3 58,1 62,3
Existe alguna diferencia significativa entre los laboratorios.
(145) Se estudia el rendimiento de cuatro detergentes diferentes. Se
obtuvieron las siguientes lecturas de blanqueo para 12 cargas de
lavado distribuidos en tres modelos de lavado.
Detergente Lavado
A 45 43 31
B 47 46 52
C 48 50 55
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 pro-
duccin. El ensayo se realiz teniendo en cuenta una estructura
de bloques. Se midi el rendimiento de maz tonelada/unidad de
superficie y los resultados del ensayo se resumen en la siguiente
tabla:
Fuente SC GL CM Fo

142
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

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

VII. DISEO CUADRADO LATINO

El diseo en bloques aleatorios es adecuado cuando una fuente de va-


riabilidad extraa se elimina comparando un conjunto de medias
mustrales. Una Caracterstica importante de este tipo de diseo es su
balance, que se logra asignando el mismo nmero de observaciones a
cada tratamiento de cada bloque. La misma clase de balance puede
lograrse en otros tipos de diseo ms complicados, en los cuales es
conveniente eliminar el efecto de varias fuentes extraas de variabili-
dad.

El diseo cuadrado latino se usa para eliminar dos fuentes de variabi-


lidad problemtica, en otras palabras, permite analizar sistemtica-
mente por bloques en dos direcciones. En este diseo los renglones y
columnas representan, en realidad, dos restricciones a la aleatoriza-
cin. En general, un cuadrado latino PxP, es un cuadrado que contiene
P renglones y P columnas, dada una de la P2 celdas contiene una de las
P letras que corresponde a un tratamiento, y cada letra aparece una
sola vez en cada rengln y columna, ejemplo.

143
Palacios C. Severo

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

B A C ,

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

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 po-
sibles 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 distri-
bucin bi direccional; de tal manera ejecutado, que permita una for-
macin de los grupos que componen cada variante del experimento,
con una distribucin equitativa, teniendo en cuenta dos posibles fuen-
tes de error.

Ejemplo 4.39
Se realiz un experimento para investigar la influencia entre los tiem-
pos medios para ensamblar 4 tipos de equipos aspersores distintos.
Hay dos fuentes de variacin moderada que afectan la respuesta, la
variacin entre los operarios y el efecto de la fatiga.

Si una persona ensambla una serie de dispositivos durante un cierto


tiempo, se desea evaluar dichas influencias.

Por consiguiente cuatro operarios fueron seleccionados y cada uno


ensambla los cuatro dispositivos de acuerdo al siguiente diseo.

Ensamblado
Filas Total
I II III IV
1 C=44 A=41 B=30 D=40 153
2 B=41 C=42 D=49 A=49 181
3 A=59 D=41 C=59 B=34 193
4 D=58 B=37 A=53 C=59 207
Total 202 161 191 192 763

Tratamiento A B C D
Total 202 142 204 188
Media 50,5 35,5 51 47

144
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Partiendo de la base de datos obtenemos:

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


2

SCf i l a 1532 1812 1932 2072 / 4 763 / 16 365


2

SCcol umna 2022 1612 1912 1922 / 4 763 / 16 226,5


2

SCtratamiento 202 2 142 2 204 2 188 2 / 4 763 / 16 626


2

SCerror 1330 365 226,5 626 112,5

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

Como se aprecia en la tabla 4.24 del anlisis de varianza la columna


de fuente no resulto controlada significativamente ya que el valor de F
es menor que el Ft(99).
Tabla 4.24 Anlisis de varianza
Fuente SC GL CM Fo Ft(99%)
Tratamiento 626 3 208,66 11,12 > 9,78
Fila 365 3 121,66 6,48 < 9,78
Columna 226,5 3 75,5 4,02 < 9,78
Error 112,5 6 18,75
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=cm2, a los 7 das de almacenamiento en cmaras
especiales con 20C de temperatura y 50% de humedad relativa. Los
resultados del diseo que se uso se presentan en la tabla 4.25

Tabla 4.25 Resistencia del concreto a la compresin en kg=cm2


Das Ensamblado Total

145
Palacios C. Severo

I II III IV
1 A=303 B=299 C=290 D=290 1182
2 B=280 A=321 D=313 C=282 1196
3 C=275 D=315 A=319 B=300 1209
4 D=304 C=293 B=295 A=305 1197
Total 1162 1228 1217 1177 4784

4784
SCtotal 1433270 28540
16

SC mtodo
1
1248 1174 1140 1222 4784 17500
4 16

SCdas
1
1182 1196 1209 1197 4784 915
4 16

SClote
1
1162 1228 1217 1177 4784 7455
4 16

SCerror SCtotal SCtrat SCdas DClote 2670

Con base en los anteriores resultados, se llega a la tabla 4.26 y a par-


tir de la misma, con un nivel de significanca del 5% el valor F es Ft(95%)
> 4,75 y puesto que Fo = 13,1,

Se concluye que el mtodo afecta la resistencia a la compresin. Ade-


ms, al parecer los das no difieren significativamente en dicha resis-
tencia (cuadrado medio es pequeo en relacin al del error), mientras
los lotes si, ya que el cuadrado medio es grande en relacin con el
error.

Tabla 4.26 Anlisis de varianza para la resistencia a la compresin en kg=cm2


Fuente SC GL CM Fo Ft(95%)
Da 915 3 305 0,68 < 4,75
Lote 7455 3 2485 5.58 > 4,75
Mtodo 17500 3 5833 13,1 > 4,75
Error 2670 6 445
Total 28540 15 R = 90,6447%

146
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Problemas

(148) Se encuentra en estudio el efecto que tienen 5 productos distintos


A, B, C, D y E sobre el tiempo de reaccin de un proceso. Cada
lote de material nuevo es lo suficientemente grande para permi-
tir que slo se realicen cinco pruebas. Ms an cada prueba tar-
da hora y media; por lo que solo se pueden realizar cinco ensa-
yos al da.
El investigador decide efectuar el experimento usando un diseo
cuadrado latino con el fin de controlar sistemticamente las va-
riables: lote de material y da. Obtenindose los siguientes datos.
Ensamblado
Filas
I II III IV V
1 A=8 B=3 D=7 C=1 E=7
2 C=11 E=8 A=3 D=7 B=2
3 B=4 A=5 C=1 E=10 D=9
4 D=6 C=10 E=6 B=6 A=8
5 E=4 D=8 B=8 A=3 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 cu-
147
Palacios C. Severo

rado de una plaga. Se selecciono cuatro operarios para realizar


este estudio.
Por otra parte, el ingeniero sabe que cada mtodo produce cier-
to tipo de intoxicacin, por lo que, el tiempo que se tarde en el l-
timo fumigado debe ser menor que el primero, independiente del
mtodo.
En otras palabras, se produce un patrn en el tiempo de fumi-
gado. Para controlar esta posible fuente de variabilidad el inge-
niero utiliza el diseo cuadrado latino:
Operario
Fumigado
I II III IV
1 C=2 D=7 A=14 B=10
1 B=8 C=1 D=18 A=7
1 A=9 B=11 C=10 D=5
1 D=14 A=12 B=10 C=10
(150) Se va efectuar un estudio de los movimiento para determinar el
mejor diseo de trabajo para montar computadoras, cinco dise-
o se hallan en estudio. Se seleccionan cuatro estudiantes en en-
samblaje aleatoriamente entre un grupo de sesenta, se le ensea
minuciosamente a trabajar con los cinco diseos.
Diseo de trabajo
Estudiante
I II III IV V
1 A=10 B=3 C=9 D=14 E=11
2 B=5 C=10 D=5 E=10 A=6
3 C=6 D=12 E=5 A=10 B=6
4 D=4 E=8 A=4 B=11 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:
Diseo de trabajo
Estudiante
I II III
1 A=14 B=16,5 C=11
2 B=9,5 C=17 A=15
3 C=11 A=12 B=13
(152) Se fabrica una cubierta de caucho para una avioneta y se expe-
rimenta un cuadrado latino, el experimento es descrito:
Maquina
Prueba
I II III IV
2 A=251 B=241 D=227 C=229
3 D=234 C=273 A=274 B=226
1 C=236 D=236 B=218 A=268
4 B=195 A=270 C=230 D=225
(153) Una investigacin describe los mtodos de preparacin de cierto
insecticida. Se usa un diseo cuadrado latino para analizar.
Ingredientes
Mezcla
I II III IV V VI VII
148
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

1 A=98 B=17 C=89 D=64 E=63 F=132 G=244


2 B=69 E=67 A=70 G=70 F=111 D=60 C=218
3 C=37 F=83 G=83 B=74 D=70 A=75 E=169
4 D=65 G=60 E=91 F=56 C=61 B=59 A=150
5 E=56 D=44 B=70 C=68 A=88 G=111 F=220
6 F=113 C=15 D=65 A=51 G=83 E=57 B=233
7 G=64 A=62 F=65 E=86 B=45 C=100 D=187
(154) Una agencia de control supone que existe diferencia en el conte-
nido 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. Me-
diante un anlisis qumico sobre cada lote se obtienen:
Lote
Anlisis
I II III IV V
1 A=24,3 B=24,7 C=24,3 D=24,4 E=24,3
2 B=24,4 C=24,3 D=24,9 E=24,4 A=24,4
3 C=24,6 D=24,5 E=24,7 A=24,5 B=24,6
4 D=24,9 E=24,4 A=24,5 B=24,4 C=24,4
5 E=24,0 A=24,2 B=24,8 C=24,6 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
Caldeo
Acero
I II III IV
1 A=48 B=43 D=47 C=41
2 C=41 D=48 A=43 B=47
3 B=49 A=45 C=41 D=49
4 D=46 C=41 B=46 A=46
(156) Se evalan tres muestras de tierra fertilizada con abono: qumi-
co, natural y compost. Siendo los resultados siguientes.
Fertilizante
Abono
I II III IV
Qumico A=4,9 C=4,0 B=4,3 D=4,2
Natural B=5,1 A=5,3 D=4,8 C=4,1
Compost C=4,7 D=4,8 A=5,1 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:
Vidriado
Temperatura
I II III IV
1300 C=23 A=21 B=24 D=26
1400 A=24 B=22 D=27 C=25
1500 D=25 C=25 A=29 B=28
1800 B=28 D=23 C=29 A=27

149
Palacios C. Severo

(158) Se han preparado tres diferentes tipos de soluciones para elimi-


nar 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.
Das
Solucin
I II III
1 A=13 B=44 C=16
2 C=22 A=12 B=13
3 B=9,5 C=22 A=39
(159) Se utilizan cinco reactores distintos sobre una solucin galvni-
ca de dorado electroltico. Para evaluar se utilizan varios lotes
que slo permiten realizar cinco ensayos por da. La investiga-
cin se realiza mediante un diseo cuadrado latino, con el fin de
controlar sistemticamente las variables de material y da.
Das
Reactor
I II III IV V
A A=8 B=10 D=5 C=8 E=3
B C=6 E=1 A=3 D=7 B=8
C B=10 A=7 C=1 E=6 D=10
D D=2 C=7 E=8 B=2 A=9
E E=8 D=4 B=6 A=4 C=11
(160) Se encuentra bajo estudio el efecto que tienen 5 reactivos distin-
tos (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 la-
tino, 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 A=8 B=7 D=1 C=7 E=3
2 C=11 E=2 A=7 D=3 B=8
3 B=4 A=9 C=10 E=1 D=5
4 D=6 C=8 E=6 B=6 A=10
5 E=4 D=2 B=3 A=8 C=8
Analice la tabla de ANOVA
Diga que otro diseo experimental pudiera utilizarse.
Diga que recomendara respecto a la eleccin del reactivo qu-
mico, 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 (tra-
tamientos) en kg/parcela.
150
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Fuente SC GL CM Fo
Filas 1,44
Columnas 5,04
Tratamiento 58,4
Error 2,72 7
Total 90,40

VIII. DISEO CUADRADO GRECO-LATINO

Consideremos un cuadrado latino NxN al que se le sobrepone un se-


gundo 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.

Columna
Cuadro
I II III IV
1 A B C D
2 B C D A
3 C D A B
4 D A B C

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

151
Palacios C. Severo

El factor representado por la letra griega es ortogonal a los renglones,


las columnas y los tratamientos de las letras latinas porque cada letra
griega ocurre una sola vez en cada rengln, en cada columna y para
cada letra latina. Por lo tanto, la suma de cuadrados debido al factor
letra griega puede calcularse usando los totales de la letra griega. El
error experimental se reduce en esta cantidad.

Ejemplo 4.41
Un ingeniero sospecha que en el lugar de trabajo usado por cuatro
operarios puede representar una fuerte adicin de variabilidad. Es
posible introducir al lugar de trabajo , , , a como un cuarto fac-
tor. Se produce el cuadrado greca latino que se muestra a continua-
cin.

Operario
Montaje Yi
I II III IV
1 C=11 B=10 D=4 A=8 33
2 B=8 C=12 A=10 D=12 42
3 A=9 D=11 B=7 C=15 42
4 D=9 A=8 C=18 B=6 41
Total 37 41 39 41 158

SCtotal 9 2 102 ... 7 2 152 158 / 16 173,75


2

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


2

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


2

Tratamiento A B C D
Total 35 31 56 36
Media 8,75 7,75 14 9

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


2

los totales de las lneas de montaje son:

Letra Griega Total de montaje


Y1 = 45
Y2 = 38
Y3 = 44
Y4 = 31

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


2

152
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

SCerror 173,75 14,25 2,75 94,25 31,25 31,25

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

Tabla 4.27 Anlisis de varianza


Fuente SC GL CM Fo Ft(99%)
Tratamiento 94,25 3 31,41 3,017 < 29,5
Fila 14,25 3 4,75 0,456 < 29,5
Columna 2,75 3 0,91 0,087 < 29,5
Montaje 31,25 3 10,41 1 < 29,5
Error 31,25 3 10,41
Total 173,75 15 R = 82,0143%

En el anlisis de varianza ninguna de las fuentes de variacin contro-


ladas resultaron significativas al anlisis ya que los valores calculados
de F siempre son menores que los valores de Ft.

Problemas

(162) Se desea saber si hay diferencia entre cuatro combustibles usa-


dos en cuatro sembradoras. Disear un experimento grecola-
tino.
Operario
Montaje
I II III IV
1 A=14 B=16 C=21 D=14
2 B=16 C=16 D=11 A=23
3 C=19 D=18 A=16 B=16
4 D=15 A=11 B=15 C=15
(163) Con el fin de mejorar la calidad de las gallinas, se han aadido
dos productos qumicos en su alimentacin. Las distintas canti-
dades del primero se indican con A, B, C y D.
Las del segundo por , , y . Se alimenta a las gallinas orde-
nados en grupos de acuerdo con sus pesos iniciales 1 1,5 1,8 y 2

153
Palacios C. Severo

kilogramos y cuatro especies diferentes. El incremento de peso


por unidad de tiempo viene dado en el cuadro. Realice un anli-
sis de varianza del experimento, sacar conclusiones de acuerdo a
su criterio.
Peso
Especies
I II III IV
1 A=3 B=6 C=10 D=6
2 B=4 C=6 D=5 A=6
3 C=8 D=10 A=5 B=8
4 D=6 A=3 B=7 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 dispo-
nen en orden ascendente los a - promedios del tratamiento y se deter-
mina el error estndar para cada promedio.

Ejemplo 4.42
Consideremos los datos de la tabla 4.28, siendo el CMerror = 8,06 para
N=25 y n=5, el error tiene 20 GL, organizando los promedios Y de
tratamientos en orden ascendente se tiene

Y1 = 9,8
Y5 = 10,8
Y2 = 15,4
Y3 = 17,6
154
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Y4 = 21,6

Error estndar de cada promedio: SYi CM error / n 1,27

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

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

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

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

Tabla 4.28 Datos para tratamiento


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

Y3 y Y2 no existe diferencia significativa


Y5 y Y1 no existe diferencia significativa

X. DISEO DOBLE REVERSO

En los experimentos de nuestro campo, sin duda, el estudio de la in-


fluencia 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, em-


pollado de huevos, mejoramiento gentico, etc. Han permitido estable-
cer una serie de particularidades propias de los mismos, las que uni-

155
Palacios C. Severo

das a las tcnicas experimentales, han dado origen a diseos que lo-
gran una medida importante al resolver los problemas planteados.

El diseo doble reverso cumple los principios fundamentales del mto-


do de comparacin por. grupo-tratamiento, aprovechando las carac-
tersticas 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
Sub experimentos d = I 2II + III
Gallinas
I II II d1 d2 d2
1 b=6 a=7 b=3 -3 9
2 b=6 a=9 b=2 -10 100
3 a=9 b=3 a=9 12 144
4 b=4 a=8 b=2 -10 100
5 a=10 b=12 a=7 -7 49
6 a=7 b=7 a=10 3 9
7 a=12 b=4 a=15 19 361
8 a=9 b=6 a=11 8 64
9 b=4 a=15 b=4 -22 484
10 b=3 a=18 b=8 -25 625
11 b=6 a=9 b=7 -5 25
12 a=8 b=4 a=12 12 144
Total 47 -75 2114

Pasemos a continuacin al anlisis de los resultados de este experi-


mento 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 185 10,28
B 93 23,25

SCtotal 2114 47 75 / 12 2065


2

SCtratamientoo 472 752 / 6 47 75 / 12 1240,33


2

156
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

SCerror 2065 1240,33 824,67

Tabla 4.30 Anlisis de varianza


Fuente SC GL CM Fo Ft(99%)
Tratamiento 1240,33 1 1240,33 15,04 > 10,0
Error 824,67 10 82,467
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 limita-
ciones en los mtodos precedentes. Este mtodo fue desarrollado am-
pliamente 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 Qu-
micos) en la siembra de hortalizas.
(166) Establezca la diferencia entre el diseo doble reverso y los dise-
os aleatorizados.
(167) Elabore el modelo del ejemplo 4.43
(168) Aporte un criterio de evaluacin til del diseo doble reverso.
(169) A los problemas de (156, 157, 158 y 159) elabore sus anlisis de
varianza.

157
Palacios C. Severo

XI. ESTIMACIN DE PARMETROS DEL MODELO

Las herramientas principales para el diagnstico de modelos unifac-


toriales esta basado en los residuos.

ij Yij Y ij

Los residuos del i-simo tratamiento se determinan restando el pro-


medio del tratamiento a cada observacin dentro del tratamiento.

Usualmente la comprobacin de linealidad del promedio consiste en


graficar los residuos, tal como se muestra. Se recomienda que tal
comprobacin de diagnostico sea un paso de rutina en cada proyecto
de diseo experimental.
158
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Ejemplo 4.44
Analizar los datos de la tabla 4.10

Tabla 4.31 Valores originales y residuos


% 1 2 3 4 5 Yi
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 PK=(K-1/2)/25
1 -3,8 0,02
2 -3,6 0,06
3 -3,4 0,10
4 -3,4 0,14
5 -2,8 0,18
6 -2,8 0,22
7 -2,8 0,26
8 -2,6 0,30
9 -0,8 0,34
10 -0,8 0,38
11 +0,2 0,42
12 +0,2 0,46
13 +0,4 0,50
14 +0,4 0,54
15 +0,4 0,58
16 +1,2 0,62
17 +1,4 0,66
18 +1,4 0,70
19 +1,4 0,74
20 +1,6 0,78
21 +2,6 0,82
22 +2,6 0,86
23 +3,4 0,90
24 +4,2 0,94
25 +5,2 0,98

Los residuos se organizan en forma ascendente y se calculan sus pun-


tos de probabilidad acumulada Pk.

La grfica de probabilidad normal se deja al lector para que lo desa-


rrolle, con los residuos graficados contra Pkx100 en la escala vertical
derecha.

En la parte inferior los puntos del residuo.

XII. POLINOMIO ORTOGONAL


159
Palacios C. Severo

Cuando los niveles de los factores son equidistantes, puede simplificar-


se 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 sucesiva-
mente, 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 des-
compone la suma de cuadrados de tratamiento y pueden ser incorpo-
rados al anlisis de varianza como se muestra. Cada efecto tiene un
grado de libertad y puede ser probado comparando su suma de cua-
drados en la media de cuadrados del error.

Coeficiente de los
Total de
% algodn contrastes ortogonales Ci
tratamiento
Lineal Cuadrtico Cbico Curtico
15 49 -2 2 -1 1
20 77 -1 -1 2 -4
25 88 0 0 0 6
30 108 1 1 -2 -4
35 54 2 2 -1 1
1 1 5/6 35/2
Efecto Ci Y 41 -155 -57 -100

SC CiY / n Ci2
2
33,62 343,21 64,98 33,95
El modelo polinomial cbico ajustado a los datos es:

Y o 1 P1 ( X ) 2 P2 ( X ) 3 P3 ( X )

SCo Y / N 376/ 25 15,04

SC 1 CiY / n Ci2 41/ 5(10) 0,82

SC 2 Ci Y / n Ci2 155/ 5(14) 2,2143

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

160
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Como se tiene a=5 niveles de X e Y entre los niveles, d=5 el modelo del
polinomio ortogonal es:


Y 15,04 0,82( X 25) / 5 2,2143 X 25 / 5 5 2 1 / 12
2

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

resultando el modelo

Y 62,611 9,01X 0,4814X 2 0,00786X 3

Tabla 4.32 Anlisis de varianza


Fuente SC GL CM Fo Ft(95%)
% Algodn 475,95 4 118,94 14,76 > 2,87
Lineal (33,62) 1 33,62 4,17 < 4,35
Cuadrtico (343,4) 1 343,40 42,58 > 4,35
Cbico (64,98) 1 64,98 8,06 > 4,35
Curtico (33,95) 1 33,95 4,21 < 4,35
Error 161,20 20 8,06
Total 637,15 28 R = 74,6998%

Los efectos cuadrtico y cbico del porcentaje de algodn son signifi-


cativos.

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

I. INTRODUCCIN

161
Palacios C. Severo

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


usarlo como iluminacin. No deje que el ANAVA (anlisis de varianza)
se convierta en muleta de un trabajo de campo mal hecho o como sus-
tituto 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 espe-
ranza 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 pi-
loto 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 re-
sultados 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 con-
tribuye al objetivo general del estudio. Empiece con el problema,
no con la tcnica.

Las tcnicas estadsticas de anlisis prueban ser herramienta muy


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

162
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

II. MTODOS NO PARMETRICOS

En la prctica aparecen situaciones en las que los requisitos no estn


justificados, como es el caso de una poblacin fuertemente asimtrica.
A causa de ello, se han creado mtodos que son independientes de las
distribuciones de la poblacin y de los parmetros asociados.

Las pruebas no paramtricas se pueden usar como observaciones de


contraste ms complicada. Son especialmente tiles cuando se trata
con datos no numricos, por ejemplo, cuando los consumidores colo-
can 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 conve-
niente una prueba no paramtrica consistente en los siguientes pasos:

1. Combinar todos los valores mustrales en una ordenacin as-


cendente 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, denominndo-
lo Rn y los tamaos mustrales Nn. Por conveniencia elegimos N1
al menor. Una diferencia significativa entre la suma del rango
R1 y Rz, implica una diferencia entre las muestras.
3. Para encontrar la diferencia entre las sumas de rangos, usa-
mos:
N i ( N i 19)
U Ni N j Ri i j
2

La distribucin muestral U es simtrica y tiene una media


Ni N j
U
2

y una varianza

N i N j ( N i N j 1)
U2
12

163
Palacios C. Severo

Si Ni y Nj son ambas al menos iguales a 8, resulta que la distribucin


de U es aproximadamente normal

U U
z
U

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


correspondiente a otra muestra viene dada por.
N i ( N i 19)
U Ni N j Ri i j
2

Adems

U i U j Ni N j

b33 0,676

Donde:
N = Ni + Nj

Ejemplo 5.46
Se desea determinar si hay diferencia entre los telares I y II, al nivel de
significanca del 0,05.
Tabla 5.33 Datos de telares I y II
1 11,7 6 14,7 11 17,8 16 22,7
2 11,8 7 15,2 12 18,3 17 24,2
3 12,6 8 15,9 13 18,9 18 25,3
4 12,9 9 16,1 14 19,6
5 14,1 10 16,9 15 20,5
Combinando los 18 valores de la muestra en ordenacin ascendente,
tal como se indica en la tabla 5.33, en la segunda fila se asignan los
rangos.

Donde

N 8 1
N 10
2

Adems

R 106
1
R 652

164
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

U 810 89 / 2 106 10

U 8 *10 / 2 40

U2 8 *10 *19 / 12 126,67

la distribucin es

z 10 40/ 11,25 2,67

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

como la hiptesis Ho que estamos estudiando es que no hay diferencia


entre los telares, entonces

Ho si 1,96 z 1,96

Rechazamos y concluimos que hay diferencia entre los telares al nivel


del 0,05.
IV. PRUEBA H DE KRUSKAL-WALLIS

Con esta prueba podemos decidir si dos muestras provienen o no de la


misma poblacin. Una generalizacin para k muestras de 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 or-
denan y que las sumas de rangos para las k muestras son Rk respecti-
vamente. Definido:

165
Palacios C. Severo

Rj
2
12
H 3( N 1)
N ( N 1) N j

Ejemplo 5.47
Una fabrica de tejidos desea comprar una de cinco maquinas diferen-
tes. 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 coloca-


da por orden de presentacin.
1 42 6,5 53 9 57 14 64 17,5 68 21 72
2,5 48 6,5 53 10 60 14 64 17,5 68 21 2
2,5 50 6,5 53 11 61 14 64 19 70 23 75
4 50 6,5 53 12 63 16 65 21 72 24 77
25 82

A 68 72 77 4253
B 72 53 63 5348
C 60 82 64 7572
D 48 61 57 6450
E 64 65 70 6853

Rango
A 17,5 21 24 1 6,5 70
B 21 6,5 12 6,5 2,5 48,5
C 10 25 14 23 21 93
D 2,5 11 9 14 4 40,5
E 14 16 19 17,5 6,5 73

H 6,44

Para K-1=4 grados de libertad al nivel de significacin 0,05 X 02,96 .


Puesto que 6,44 < 9,49 no podemos rechazar la hiptesis de igualdad
entre las maquinas. Podemos aceptar la hiptesis de que no hay dife-
rencia 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 investiga-


cin es una tabulacin cruzada directa de los resultados.

166
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Las tcnicas multivariables ms utilizada en el anlisis son:

Anlisis de regresin mltiple


Interaccin automtica
Anlisis discriminante
Anlisis de factores
Anlisis de conglomerados
Escalas multidimensionales
Anlisis conjunta.

Las tres primeras tcnicas miden la dependencia entre variables. Es-


tos 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 va-
riables dependientes.

Las otras cuatro tcnicas, estn diseados para medir la interdepen-


dencia entre las variables. En este mtodo no hay variable dependien-
te o independiente.

Anlisis de regresin mltiple

Este tipo de anlisis enfoca una ecuacin de prediccin que relaciona


una variable dependiente y un conjunto de variables independiente.
Esta es una de las tcnica multivariable ms bsicas. Es muy til para
predecir el intervalo de una variable dependiente.
El procedimiento proporciona la ecuacin correspondiente a la lnea
recta que mejor se ajusta a los datos. La ecuacin de esta lnea recta se
puede usar como ecuacin de prediccin.

La ecuacin se desarrolla mediante un procedimiento conocido como


mnimos cuadrados y corresponde a una lnea recta, no es apropiado
para situaciones donde la relacin entre las variables dependiente e
independiente no es lineal.

Interaccin automtica

167
Palacios C. Severo

Al igual que la regresin mltiple, la interaccin automtica es un


mtodo para analizar la relacin entre una variable dependiente y
varias variables independientes. Pero mientras el anlisis de regresin
mltiple produce una ecuacin predictiva que describe la relacin, la
interaccin automtica genera una serie de ecuaciones de dos vas,
seleccionado en cada divisin la variable independiente que explica la
mayor variacin en la variable dependiente.

Anlisis discriminante

El procedimiento determina las variables predictivas ms estrechas


que identifican a un subgrupo en la muestra, es decir, identifica las
variables que son las discriminadoras entre los miembros de los sub-
grupos 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 redu-


cirlas a un conjunto ms pequeo. En procesos sociales es comn me-
dir un gran nmero de datos, por esta razn se cree que en la mayora
de los casos todas estas variables son facetas de un nmero menor de
variables subyacentes. El propsito del anlisis de factores es estable-
cer 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 iden-
tifica 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 caractersti-
ca de un producto.

168
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

VI. CORRELACIN DE SPEARMAN

Se utiliza este mtodo para medir la correlacin de dos variables X e Y.


En lugar de usar valores precisos de las variables, o cuando tal preci-
sin 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:

6 D 2
rS 1
N ( N 2 1)

Ejemplo 5.48
Se analiza agua contaminada de 10 estanques, adems para ver la
confiabilidad de dicho anlisis se procede a realizar los clculos anal-
ticos 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
D2 1 4 1 1 1 9 1 4 1 1


rS 1 (6 * 24) / 10 * (102 1) 0,8545

Indica que hay marcada relacin entre los anlisis de laboratorio y


terico.

Anlisis de varianza

El anlisis de varianza es una tcnica que resulta til para mejorar la


precisin de un experimento. Supongamos que en un experimento la
variable respuesta Y est relacionada linealmente con la variable in-
dependiente X. Adems, el experimentador no puede controlar la va-
riable X pero puede medirla al mismo tiempo que a Y. Con el anlisis
de varianza se busca adaptar el valor observado de la respuesta para
tomar en cuenta el efecto de la variable concominante. Si no se lleva a
cabo dicho ajuste, la variable concominante puede aumentar la media
del cuadrado del error, con lo que hay mayor dificultad en la deteccin
de diferencias reales en la respuesta debidos a los tratamientos. Por lo
tanto, el anlisis de covarianza es un mtodo para tomar en cuenta el
efecto de algunas variables que no pueden ser controladas.
169
Palacios C. Severo

Ejemplo 5.49
Se usan tres maquinas distintas para producir fibras para una empre-
sa textil. El ingeniero de proceso esta interesado en determinar si exis-
te diferencia en los resultados de la fibra producida por las tres ma-
quinas. 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 sien-
do. Y: resistencia de cada fibra y X: grosor.

Maquina I Maquina II Maquina III


Y X Y X Y X
36 20 40 22 35 21
41 25 48 28 37 23
39 24 39 22 42 26
42 25 45 30 34 21
49 32 44 28 32 15
207 126 216 130 180 106


SCYY 362 412 ... 342 322 603 / 3(5) 436,40
2


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


SCXY 20 * 362 25 * 412 ... 21* 342 15 * 322 362 * 603 / 3(5) 282,60


YY 2072 2162 1802 / 5 603 / 3(5) 140,40
2


XX 1262 1032 1062 / 5 362 / 3(5) 66,13
2

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

YY SCYY YY 346,40 140,40 206,00


XX SCXX XX 261,73 66,13 195,50

XY SCXY XY 282,60 90,00 186,60

SC SCYY SCXY / SCXX 346,40 282,6 / 261,73 41,27


2 2

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


2 2

SC SC 41,27 27,99 13,28

170
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

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

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

F90, 2,11 2,86

XY / XX 186,6 / 195,6 0,954


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

F90, 2,11 9,65

Y1 Ajustada Y1 X1 X 41,4 0,95425,2 24,13 40,38

Y2 Ajustada Y2 X 2 X 43,2 0,95426,0 24,13 41,42

Y3 Ajustada Y3 X 3 X 36,0 0,95421,2 24,13 38 ,80

Tabla 5.34 Anlisis de varianza


SC
Fuente GL Y GL CM
X XY Y
Maquina 2 66,13 96,0 140,4
Error 12 195,60 186,6 206,0 27,99 11 2,54
Total 14 261,73 282,6 346,4 41,27 13
Maquina 13,28 2 6,64
ajustada

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 interprte-
lo.
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
Palacios C. Severo

(171) Una Empresa textilera desea comprar una de cinco maquinas


diferentes. En un experimento diseado para saber si hay dife-
rencia 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 24 6 43 9 58 13 65 17 69 23 77
2 28 6,5 45 10 62 14 66 17,5 71 24 78
2,5 37 7 52 11 63 15 67 19 73 26 79
4 39 7,5 53 12 64 16 68 21 75 28 80
32 82
(172) Se analiza Aire contaminado de 10 Ingenios mineros, adems
para ver la confiabilidad de dicho anlisis se procede a realizar
los clculos analticos para ver su dispersin.
Laboratorio 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 em-
presa minera aurfera, adems para ver la confiabilidad del
anlisis qumico se procede a realizar los clculos analticos pa-
ra ver su dispersin.
Laboratorio 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 investi-
gacin 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 0,29 0,49 0,20
0,40 0,27 0,45 0,29
0,32 0,22 0,30 0,27
0,49 0,20 0,42 0,35
0,48 0,39 0,41 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 pro-
ducida por las tres maquinas. Se selecciona una muestra aleato-
ria de cinco fragmentos para cada maquina siendo. Y: consis-
tencia y X: sabor.
Maquina I Maquina II Maquina III
Y X Y X Y X
31 29 49 20 39 28
40 27 45 29 35 26

172
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

32 22 30 27 49 29
49 20 42 35 43 24
48 39 41 29 47 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.
Compute el coeficiente de correlacin de Spearman e interprte-
lo.
Estudiantes
1 2 3 4 5 6 7 8 9 10
Mitad de semestre 15 14 18 12 06 11 13 17 10 09
Fin de semestre 14 11 10 15 06 09 07 08 12 13

6
DISEOS EXPERIMENTALES
APLICADO A INGENIERA
173
Palacios C. Severo

La estadstica ha demostrado que la mortalidad de los militares aumenta


perceptiblemente durante tiempos de guerra.
Alphonse Allais

I. INTRODUCCIN

En muchos procesos experimentales de carcter exploratorio, el in-


vestigador se enfrenta con el problema de determinar el efecto de un
gran nmero de variables. En estas condiciones, es necesario estable-
cer 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 combina-
ciones correctas de condiciones variables para que el anlisis resulte
confiable. En la industria se utilizan tres tipos de diseos fundamenta-
les 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 proce-


sos 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 numri-


co 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 caractersti-
cas son similares pero no idnticas, cada lote se llama bloque. Si el
mismo experimento se repite en las mismas condiciones se llama repli-
ca.

La aplicacin de estas tcnicas a una estrategia experimental puede


ilustrarse considerando la optimizacin de las consideraciones opera-
tiva de un proceso.

174
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Ejemplo 6.50
Todo proceso cientfico, tecnolgico y social esta vinculado bajo el
siguiente esquema:

a) 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.

Factores externos

Factores


controlables Diseo
( Entradas)
X1

X2
Proceso
Y1 Respuesta
Y2 (Salidas)

Ejemplo 6.51
Se lixivia un desecho minero conocido como cola (relave, desecho,
desmonte) con alto contenido de plata, estao, plomo y cobre. En me-
dio cido bajo dos procesos distintos:

a) Clorurado en donde los componentes lixiviados fueron com-


plejos 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 cloru-
rado de plata o nitrato de plata.

El vector de control viene a ser la recuperacin del metal valioso (pla-


ta) de la cola (relave, desecho, desmonte).

175
Palacios C. Severo

La recuperacin de la plata de los dos medios acuosos (insumo en


donde esta la plata en forma ionica) se efecta por medio de la preci-
pitacin (cementancin) con chatarra de hierro obtenindose los si-
guientes productos respectivamente.

2 Ag Fe 2 AgO Fe 2

2 Ag Fe 2 Ag Fe 2

Dos productos distintos en donde el insumo es el mismo, produciendo


un control distinto en la recuperacin del metal valioso, en cada tipo
de medio acuoso.

Problema

(177) En un centro educativo se ve el rendimiento acadmico de los


estudiantes alimentados y desnutridos, Obtenindose el grfico
asinttico ascendente y descendente respectivamente.
Evalu el insumo en el proceso de aprendizaje?
(178) Se procesa un mineral aurfero con dos reactivos con el fin de
evaluar el rendimiento de recuperacin de oro de dicho mate-
rial.
176
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Plante un diseo factorial para el presente proceso?


(179) Se realiza la comparacin de dos procesos para la recuperacin
de oro, siendo el proceso convencional la cianuracin y el proce-
so innovativo el Proceso SEVERO.
Plantee un diseo experimental para los procesos mencionados.
(180) Se tiene una solucin cida de cloruro de plata y desea precipi-
tarse electrolticamente dicho metal, se pide al lector que facto-
res 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 precipi-
tacin 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 ensa-
yo completo o rplica del experimento.

Por ejemplo, si existen a-niveles del factor A y b-niveles del factor B,


entonces cada rplica del experimento contiene todas las ab combina-

177
Palacios C. Severo

ciones de los tratamientos. A menudo, se dice que los factores estn


cruzados cuando stos se arreglan en un diseo factorial.

El efecto de un factor se define como el cambio en la respuesta produ-


cida 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

Factor B

4 5
Factor A

12 10

b) Sin interaccin

Factor B

4 5
Factor A

10 15

Numricamente

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

Interpretando este resultado nos indica que incrementando el factor A


del nivel 1 al 2 produce un cambio en la respuesta promedio de 6,5
unidades.

178
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Para el efecto B:

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

Interpretando este resultado indica un decremento del factor B del


nivel 1 al 2 produciendo un cambio en la respuesta promedio de -0,5
unidades.

Como en este caso la diferencia en la respuesta entre los niveles de un


factor no es la misma en todos los niveles de otros factores. Cuando
esto ocurre existe una interaccin entre los factores.

Grficamente podemos visualizar este fenmeno,

Interactivo Sin Interaccin

Ejemplo 6.53
Un investigador disea un calefactor elctrico para mantener cons-
tante 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 cale-
faccin, y tiene tres alternativas. Cuando el calefactor se manufactura
y se enva a la Piscigranja, el investigador no tiene control sobre los
extremos de temperatura a que ser expuesto, sabe por experiencia
que es probable que la temperatura influya en la duracin efectiva del
calefactor.
El investigador decide probar los tres materiales de la cubierta a tres
niveles de temperatura ( 2C, 8C y 12C). Se prueban tres calefactores
a cada combinacin de material de la cubierta y temperatura y las 36
pruebas se ejecutan al azar.

En la tabla 6.35 se presenta el experimento y los datos resultantes de


duracin observada de los calefactores.

179
Palacios C. Severo

Tabla 6.35 Datos para el experimento del calefactor elctrico


Temperatura
Material Yi
2 8 12
20 70 150 188 138 110
1 230 623 576 1429
82 58 126 126 168 160
136 122 25 70 130 155
2 479 198 539 1216
106 115 58 45 74 180
34 40 150 174 96 104
3 229 583 342 1154
80 75 139 120 82 60
Total 938 1404 1457 3799

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

SCmaterial 1429 2 1216 2 1154 2 / 3 * 4 3799 2 / 36 10683.72

SCtemperaturaa 9382 1404 2 1457 2 / 3 * 4 3799 2 / 36 39118,72

SCint eraccin 230 2 ... 342 2 / 4 3799 2 / 36 10683.72 39118,72 9613,78

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

En la tabla 6.36 se muestran los resultados del procedimiento.

Tabla 6.36 Anlisis de varianza


Fuente SC GL CM Fo Ft(99) Ft(95)
Material 10683,72 2 5341,86 7,91 5,53 3,37
Temperatura 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 Ft(95) existe interaccin as como influencia de los efectos
principales.

180
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Ti
Duracin

p
o
2
Tipo 3

o 1
Tip

Temperatura

Grfica de tipo de material contra temperatura.

Como una interpretacin auxiliar de los resultados en este experimen-


to resulta til la construccin de una grfica de las respuestas prome-
dio en cada combinacin del tratamiento.

El hecho de que las rectas no son paralelas indica una interaccin sig-
nificativa tan solo para Ft(95). En general a menos temperatura, ma-
yor 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 dis-
minuye con los materiales tipo 3 y 2, mientras que con el tipo 1 per-
manece sin cambio, al parecer, el material tipo 2 da los mejores resul-
tados.

III. COMPARACIN MLTIPLE

Si el anlisis de varianza indica que hay diferencia en el nivel medio de


los renglones y columnas, es de inters llevar a cabo comparacin
entre las medias individuales de rengln y columna para describir las
diferencias significativas.

Y22 = 9,8 Y32 = 10,8 Y12 = 15,4

Error estndar de cada promedio

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

Del apndice obtenemos los valores crticos para 27 GL y 95% de signi-


ficacin

181
Palacios C. Severo

r0,05 (2,27) 2,91*12,99 37,80 r0,05 (3,27) 3,06 *12,99 39,75

Tabla 6.37
Tratamiento Y22 Y32
Yij 9,8 10,8
Y12 21,6 11,8 10,8
Y32 17,6 7,8

Y1 y Y3 no existe diferencia significativa

El modelo estimado para el presente caso es:

Coeficientes de los contrastes ortogonales


Material Y1
Lineal Cuadrtico
1 1429 -1 1
2 1216 0 -2
3 1154 1 1
r 1 3
Efecto CiY 275 151
SC[(CiY)2/n Ci2] 12604,16 1266,72

SC o Y / N 3799 / 36 105,52
1 SC1 CiY / n Ci2 275 / 3(2) 45,83
2 SC 2 CiY / n Ci2 3 *151 / 3(6) 25,164

El modelo del polinomio ortogonal es:

Y 225,11 79,35X 1 25,164X 2

Tabla6.38 Anlisis de varianza


Fuente SC GL CM Fo Ft(65)
Material 10683,72 4 5341,86 7,91 > 3,36
Lineal 12604,16 1 12604,16 18,66 > 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.

S modelo SCmaterial SCtemp scint eraccin 59413,22

R 2 SCmodelo / SCtotal 0,765

182
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

IV. DISEO ANIDADO

En ciertos experimentos multifactoriales, los niveles de un factor son


similares pero no idnticos pero diferentes del otro factor. Tal arreglo
se conoce como diseo anidado con los niveles del factor.

Ejemplo 6.54
Un industrial compra materia prima por lotes a tres proveedores. La
pureza de la materia prima varia considerablemente, lo cual causa
problemas en el control del producto terminado. Se desea determinar
si la variabilidad en la pureza puede atribuirse a diferencias entre los
proveedores. Cuatro lotes de materia prima de cada proveedor se se-
leccionan 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 91 91 94 94 93 92 93 95 91 94 96
92 90 93 97 91 97 93 96 97 93 92 95
93 89 94 93 90 95 91 95 93 95 95 94
Tlote 279 270 278 284 275 285 276 284 285 279 281 285
Tproveedor 1111 1120 1130

SCtotal 313935 33612 / 36 148,31

SC proveedor 11112 1120 2 1130 2 / 4 * 8 33612 / 36 15,06

SClote 279 2 270 2 ...2812 2852 / 3 11112 1120 2 1130 2 / 4 * 8 69,92

SCerror 313935 279 2 270 2 ... 2812 2852 / 3 63,33

GL : N 36 n 4 m 3

Total : N 1 35

Pr oveedor : m 1 2

Lote : m(n 1) 9

Error : mn(2 1) 24

183
Palacios C. Severo

Tabla 6.40 Anlisis de varianza


Fuente SC GL CM Fo Ft(99)
Proveedor 15,06 2 7,53 0,97 < 2,26
Lote 69,92 9 7,77 2,94 > 2,26
Error 63,33 24 2,64
Total 148,31 35

184
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Problemas

(184) Un ingeniero de procesos sospecha que el acabado de una pieza


no metlica (polietileno) depende de la alimentacin y la tempe-
ratura. Selecciona tres niveles de alimentacin y eligi aleato-
riamente cuatro niveles de temperatura a continuacin se reali-
za un experimento Bifactorial.
Alimentacin Temperatura ()
m/min 160 180 200 240
60 74 99 98
0,508 80 64 104 108
76 60 96 99
99 119 104 92
0,635 110 88 99 86
111 92 95 88
99 98 114 104
0,762 110 104 108 88
107 88 110 102
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.
Maquina
Operario
1 2 3
110 111 114
1
111 109 112
112 114 120
2
115 119 117
(186) Un ingeniero electromecnico estudia la fuerza producida por
un torno. Sospecha que los factores ms importantes son las re-
voluciones del motor y la alimentacin. Se selecciona aleatoria-
mente cuatro niveles de alimentacin y se usan los niveles de ve-
locidad de rotacin baja y alta para representar las condiciones
de operacin extrema. Analice los datos.
Velocidad Rapidez alimentacin
Torno 0,15 0,30 0,45 0,60
2,85 2,86 2,94 2,83
980
2,80 2,87 2,88 2,86
2,45 2,70 2,75 2,60
1200
2,44 2,78 2,86 2,72
(187) Se realiz un experimento para determinar si la temperatura
influye en la coccin de un azulejo ordinario producto de arcillas
contaminadas.

185
Palacios C. Severo

Temperatura C
Azulejo
800 850 900
988 526 528
1 1026 538 547
1004 532 521
1063 565 570
2 1080 510 565
1043 590 583
(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 conclusio-
nes.
Proceso I Proceso II Proceso III
Lote 1 2 3 1 2 3 1 2 3
15 16 13 35 27 25 25 27 33
25 19 15 19 25 18 14 35 38
20 28 17 17 24 21 15 21 54
26 20 14 14 21 17 20 29 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.
Proceso I Proceso II Proceso III
Lote 1 2 1 2 1 2
9 15 10 10 15 9
10 13 11 12 15 11
8 19 13 11 14 12
16 14 12 14 8 12

186
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

V. DISEOS FACTORIALES

El trmino experimento factorial o arreglo factorial hace referencia a


la constitucin de los tratamientos o combinaciones de tratamientos
que se desean comparar. Este trmino no afecta lo que se conoce como
diseo de tratamientos, pues este se refiere a la seleccin de factores
que se desean estudiar los niveles de los factores a ensayar y combina-
cin 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 unida-
des experimentales y la forma como se controla la variabilidad natu-
ral de las mismas. As el diseo experimental puede ser completamente
aleatorizado, bloques completamente aleatorizados, cuadrados lati-
nos, 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 elec-
cin del diseo. Sin embargo, la seleccin de ambos (del diseo y de los
tratamientos) es importante por tanto ninguno de los dos debe descui-
darse en la planeacin del experimento. En un experimento factorial
se investigan simultneamente los efectos de cierto nmero de diferen-
tes 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, en-
contrar la combinacin de niveles de los factores que optimizan
esa respuesta.

Los tratamientos en el anlisis factorial consisten en todas las combi-


naciones se forman de los distintos niveles de los factores. Por ello, la
caracterstica esencial que hace necesario el estudio conjunto de facto-
res 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 dife-


rente al que dara con un estudio conjunto, y es mas difcil describir el
comportamiento general o encontrar el ptimo.
187
Palacios C. Severo

Ejemplo 6.55
Se presenta un experimento de factores por separado que consiste en
determinar las condiciones ptimas de almacenaje de los pescados en
barcos pesqueros. Los factores estudiados fueron: temperatura, dura-
cin y mtodo de empaque (proporcin de hielo y pescado). La res-
puesta de inters es una medida de la calidad del pescado al descar-
gue.

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 (man-
teniendo 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.

Notacin 2
Prueba Combinacin A B C
1 1 - - -
2 a + - -
3 b - + -
4 ab + + -
5 c - - +
6 ac + - +
7 bc - + +
8 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 aproxima-
damente lineal en el intervalo de los niveles escogidos de los factores.

188
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Si cada variable es continua, existen dos niveles el superior e inferior.

Las notaciones arriba mencionadas son obtenidas para asignar los


niveles superior e inferior de los factores. La combinacin 1 indica que
todas las variables estn en su nivel inferior. Las variables que no
aparecen en el resto de combinaciones estn en su nivel inferior. La
combinacin a indica los valores superior e inferior por + y - respecti-
vamente. Un diseo experimental 2n puede combinarse geomtrica-
mente y cada combinacin experimental corresponde a un punto en el
espacio cartesiano cuyas coordenadas son 1.

VI. DISEO FACTORIAL 2n

Los diseos factoriales se usan ampliamente en experimentos que in-


cluyen varios factores cuando es necesario estudiar el efecto conjunto
de los factores sobre la respuesta. Hay varios casos especiales del di-
seo factorial que son importantes debido a su uso generalizado en el
trabajo de investigacin y porque constituyen las bases de otros dise-
os 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 nive-
les, se dice que es un experimento factorial 2n. Los niveles de estos fac-
tores pueden ser cuantitativos o bien cualitativos.

La seleccin de nicamente dos niveles puede conducir a inferencias


errneas.

As cuando la respuesta se afecta en forma cuadrtica, los niveles es-


tudiados pueden indicar que no efecto el factor. Este es un riesgo que
se corre al usar dos niveles por factor.

3 4

1 2

Diseo factorial 2n simple

189
Palacios C. Severo

En el caso de n = 2, se tiene el factorial ms sencillo 22.

VII. DISEO FACTORIAL 22

A este diseo se le llama diseo factorial 22. Los niveles de los factores
pueden denominarse arbitrariamente mnimo y mximo.

Se tienen cuatro tratamientos que se denotan por cualquiera de los


siguientes smbolos.

El primer diseo de esta serie, es aquel que tiene Slo dos factores, A y
B, Cada uno con dos niveles, con cuatro combinaciones en el plano.

Ejemplo 6.56
Un investigador desea estudiar la influencia de la temperatura y el
tiempo de acondicionamiento en un experimento. Su vector respuesta
Y es la recuperacin del proceso.
Factores Niveles
A = Temperatura (C) 20 80
B = tiempo (min) 1 3

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


Tabla 6.41 Notacin de un diseo 22
Diseo Niveles
Prueba Combinacin X1 X2 A B Yi
1 1 - - 20 1 65
2 a + - 80 1 80
3 b - + 20 3 70
4 ab + + 80 3 85

El anlisis del diseo 22 nos permite obtener informacin sobre los


efectos e interacciones de las variables.

Efecto A = [-1+a-b+ab]/2 = [-65+80-70+85]/2 = 15


Efecto B = [-1-a+b+ab]/2 = [-65-80+70+85]/2 = 5
Interaccin AB = [+1-a-b+ab]/2 = [65-80-70+85]/2 = 0

El efecto principal se calcula simplemente de las diferencias de los


promedios de las respuestas cuando el efecto A esta en su nivel supe-
rior, menos el promedio de las respuestas cuando A est en su nivel
inferior.

No existe interaccin con los factores en estudio.

190
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Ejemplo 6.57
Se desea evaluar un proceso donde se estudian dos factores a tres ni-
veles. Para evaluar el error se corren pruebas centrales.

A: 8 9 10
B: 90 115 140

Tabla 6.42 Notacin de un diseo 22 con pruebas centrales


Diseo Niveles
Prueba Combinacin X1 X2 A B Yi
1 1 - - 8 90 80
2 a + - 10 90 82
3 b - + 8 140 86
4 ab + + 10 140 95
5 0 0 0 9 115 89
6 0 0 0 9 115 90
7 0 0 0 9 115 91

Para determinar la varianza media del error, evaluamos los puntos 5,


6 y 7 bajo la siguiente expresin:

S2
Yi
2


Yi
2

N 1 N N 1

89 2 90 2 912 270
2

S2 1
2 6

Efecto A = (-80+82-86+95)/2 = 5,5


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

Ejemplo 6.58
En una investigacin se desea evaluar el efecto del SO2, sobre una po-
blacin cercana a una empresa minera que monitorea dicho contami-
nante 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 pobla-
cin respecto de la chimenea y la direccin del viento. Los niveles ele-
gidos para evaluar cada uno de los factores son los siguientes.
Niveles
Factores - 0 +
Q: Tasa de emisividad (g/s) 80 120 60
H: Altura de chimenea (m) 30 45 60
V: Velocidad del viento (m/seg) 5 7.5 10
X: Distancia (m) 500 650 800

La concentracin de SO2 viene expresada por la relacin:


191
Palacios C. Severo

10 6 Q H
2

C exp 0,5
vK1K 2 K 2

Donde:

k1 = 36; k2 = 18,5: son constantes de proporcionalidad.

Ejemplo 6.59

Un estudioso desea conocer la influencia de la temperatura y el tiempo


de acondicionamiento en un experimento. Particularmente est intere-
sado en entender como al elevar la temperatura del acondicionador
cambia las caractersticas del medio produciendo un conjunto de con-
diciones no favorables para el proceso.
Niveles
Factores - +
A: Tiempo (min) 30 60
B: Temperatura (C) 10 30

Se evalan dos factores fijados a dos niveles, es decir se decide utilizar


un diseo factorial completo, en donde N = 2n = 22 = 4 experimentos.
Los valores de las variables a experimentar se codifican con valores +1
y 1. Con los recursos que se dispone se decide realizar el experimento
por triplicado. Los resultados se visualizan en la siguiente tabla.
Tabla 6.43 Notacin de un diseo 22 replicado
Prueba A B Recuperacin
1 - 30 - 10 0,17 0,16 0,15
2 + 60 - 10 0,22 0,20 0,21
3 - 30 + 30 0,30 0,29 0,31
4 + 60 + 30 0,37 0,36 0,38

Tabla 6.44 Efecto e interacciones


Efectos Interacciones
A = 0,06 AB = 0,01
B = 0,15 Bloque = -0,015
Bloque = 0,005
Basado en 1 grado de libertad

Tabla 6.45 Anlisis de varianza


Fuente SC GL CM Fo Ft(99)
A 0,0108 1 0,0108 144,00 > 13,74
B 0,0675 1 0,0675 900,00 > 13,74
AB 0,0003 1 0,0003 4,00 < 13,74
Bloque 0,00035 2 0,000175 2,33 < 13,74
Error 0,00045 6 0,000075
Total 0,0794 11 R2 = 99,4332%
192
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Ejemplo 6.60
Se estudia un proceso electroltico en donde interactan dos factores:
densidad de corriente y temperatura, en la tabla 6.46 se dan las res-
puestas y los niveles de trabajo.

Tabla 6.46 Notacin de un diseo 22 con pruebas centrales


Experimento
Prueba X1 X2 Y
1 0,5 64 68,72
2 0,7 64 67,85
3 0,5 6 69,60
4 0,7 6 69,44
5 0,6 35 68,73
6 0,6 35 68,72
7 0,6 35 68,74

Varianza del error

S 2 68,732 68,72 2 68,74 2 / 2 206,16 2 / 6 0,0001

el modelo lineal viene representado bajo un estudio de Yates.

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

Ejemplo 6.61
La remocin del cobre y la recuperacin de cianuro de los efluentes de
cianuracin son, sin duda de gran inters desde el punto de vista am-
biental 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 se-
pararse fcilmente por filtracin. El segundo es hacer una evaluacin
con diferentes aminas seleccionando la mejor y realizar un diseo
experimental 22 utilizando como variables el pH y la cantidad de reac-
tivo 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 expe-
rimentos factorial 22 utilizando como variables el pH (9 y 12) y la con-

193
Palacios C. Severo

centracin del compuesto (0,25 y 5 g/L). Todas las pruebas de este


diseo experimental se realizaron por triplicado.

Amina Frmula
Quartamin 2050 R-N(CH3)3Cl
Quartamin 60 R-N(CH3)3Cl
Dodecilamina CH3(CH2)11NH2
Quartamin D86P 2R-N(CH3)3Cl

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

Experimento
Prueba X1 X2 Remocin cobre (%)
1 9 0,25 9,51 9,00 9,97
2 12 0,25 0,05 0,09 0,05
3 9 5 60,25 61,63 61,27
4 12 5 55,54 55,12 56,87

Efectos estimados para Y


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

El primer paso para interpretar los efectos principales es comprobar


que la variacin observada en la respuesta es debida a un efecto real
de cada factor y no al error experimental. Para no entrar en detalles,
se considera que los dos efectos no son significativos y que no parecen
fruto de la imprecisin de la experimentacin. No existe interaccin
entre los factores.

Anlisis de varianza
Fuente SC GL CM Fo Ft(99)
X1: pH 8640,87 1 8640,87 25421,18 > 13,74
X2: Amina 160,674 1 160,674 472,70 > 13,74
X1X2 13,3774 1 13,3774 39,36 > 13,74
Bloque 1,12655 2 0,56327 1,66 < 13,74
Error 2,03945 6 0,3399
Total 8818,09 11 R2 = 99,9769%

Valor ptimo = 61,05


Factor Bajo Alto ptimo
pH 9,0 12,0 9,0
Amina 0,25 5,0 0,25

194
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

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

De aqu puede verse que la amina y no as el pH afectan la eficiencia


de eliminacin de cobre. Un aumento en la cantidad de amina incre-
mentar la remocin de cobre, de la misma manera que lo har una
disminucin del pH.

El efecto ms importante es el de la cantidad de amina, por lo que


valdra la pena explorar cantidades mayores a las estudiadas en este
trabajo.

Grfica de Efectos Principales para Y Grfica de Interaccin para Y

60 80

50
60 Amina=0.25
Amina=5
40
Y 40
30
Y

20 20

10 Amina=0.25
0 Amina=5
0 9 12
9 12 0.25 5 pH
pH Amina

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 in-


teraccin a niveles inferiores de ambos factores.
Contornos de la Superficie de Respuesta Estimada
Superficie de Respuesta Estimada
5 Y
0.0-8.0 Y
8.0-16.0 0.0-8.0
4 16.0-24.0 8.0-16.0
24.0-32.0 16.0-24.0
32.0-40.0
80 24.0-32.0
32.0-40.0
3 40.0-48.0
Amina

60 40.0-48.0
48.0-56.0 48.0-56.0
56.0-64.0 56.0-64.0
2 64.0-72.0 40
Y

64.0-72.0
72.0-80.0 72.0-80.0
80.0-88.0 20 80.0-88.0
5
1 4
0 3
2
9 9.5 1 Amina
10 10.5 11 0
0 11.5 12
9 9.5 10 10.5 11 11.5 12 pH
pH

Grfico lineal con punto ptimo Grfico espacial con punto ptimo

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


proceso.

195
Palacios C. Severo

Problemas

(190) Se presume que el efecto del pH y la temperatura en el rendi-


miento de cierta reaccin qumica no son independientes. Para
determinar el grado de relacin entre los factores estudiados
(pH, T), se realiz un diseo experimental 22 donde se evalan
dos niveles de cada uno de estos factores y se mide el % de ren-
dimiento de la reaccin. Ac se muestran las condiciones del di-
seo, la matriz del mismo y los resultados experimentales de 2
determinaciones paralelas:
Rendimiento (%)
pH T (C) Replica I Replica II
- - 45 47
- + 73 71
+ - 23 26
+ + 30 33
Haciendo uso del anlisis de varianza, confirme el resultado.
Escriba la ecuacin de regresin teniendo en cuenta solamente
los trminos significativos.
Analice los efectos principales de los factores estudiados y de la
interaccin entre estos sobre el rendimiento mediante los grfi-
cos correspondientes.
Determine las condiciones experimentales ptimas de T y pH
que permiten obtener el mayor rendimiento.
(191) Se llev a cabo una investigacin para estudiar el efecto que
tienen la concentracin de un reactivo cR y la presencia de un ca-
talizador K sobre el rendimiento de un proceso qumico. El estu-
dio se realiz mediante un diseo factorial 2 2 en las siguientes
condiciones experimentales:
Rendimiento (%)
cR mK Replica I Replica II Replica III
- - 28 25 27
+ - 36 32 32
- + 18 19 23
+ + 31 30 29
Analice de manera cualitativa la significacin de los factores de
inters (cR, mK) y la interaccin cRmK sobre el rendimiento de la
reaccin estudiada y compruebe estadsticamente el resultado
de su anlisis.
Escriba la ecuacin de regresin obtenida. Qu informacin le
brindan los signos de los coeficientes de la ecuacin? De que ti-
po es la interaccin cRmK?.
Analice los grficos de efectos principales de los factores estu-
diados y de la interaccin entre estos sobre el rendimiento. De-

196
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

termine las condiciones experimentales ptimas de c R y mK para


obtener el mayor rendimiento. Reporte el valor del rendimiento
y su intervalo de confianza en estas condiciones.
(192) En la determinacin potenciomtrica simultnea de NH3 y CO2
con HCl se desea estudiar la influencia de Co(II) y Ni(II) presen-
te en la muestra sobre los resultados obtenidos. Con este objetivo
se realizan dos diseos experimentales 22 para estudiar el efecto
de Co(II) y Ni(II) sobre la determinacin del NH3 y sobre la de-
terminacin de CO2. Las condiciones del diseo son las siguien-
tes:
NH3 CO2
Ni(II) Co(II) NH3 Ni(II) Co(II) CO2
- - 75,9 76,1 - - 56,9 57,2
+ - 36,7 36,5 + - 56,7 56,4
- + 66,8 66,5 - + 56,5 56,7
+ + 36,2 36,3 + + 56,8 56,7
Analice de manera cualitativa la significacin de los factores de
inters (concentracin de Ni y de Co) y la interaccin entre estos
sobre el resultado de la determinacin de cada uno de los com-
puestos qumicos analizados. Compruebe estadsticamente el re-
sultado cualitativo obtenido.
Escriba la ecuacin de regresin obtenida. Qu indican los sig-
nos de los coeficientes de la ecuacin? Cmo es la interaccin
Ni(II) Co(II)?.
Analice los grficos de efectos principales de los factores estu-
diados y de la interaccin entre estos. Determine cuales son las
condiciones experimentales ptimas tal que no se afecte la de-
terminacin de NH3 y de CO2.
(193) Se desea estudiar el efecto sobre el rendimiento (expresado en %)
de un proceso qumico para obtener un compuesto inorgnico de
tres factores de manera simultnea: concentracin de un reacti-
vo, 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 58,0 59,6
+ - - 52,5 54,2 55,5
- + - 37,8 39,4 40,1
+ + - 54,2 53,0 55,6
- - + 69,0 66,0 67,5
+ - + 72,0 70,8 74,5
- + + 49,1 48,2 47,0
+ + + 70,6 71,9 73,2
Afectan de manera significativa los factores estudiados el ren-
dimiento del proceso bajo investigacin

197
Palacios C. Severo

Actan de manera independiente estos tres factores sobre el


rendimiento de la reaccin
Cules son las condiciones experimentales ptimas
(194) Un mtodo nuevo de determinacin de manganeso (Mn) fue
desarrollado para conocer el contenido de este elemento en un
mineral. Para validar el mtodo se tomaron 8 muestras homo-
gneas del mineral y se determin el porcentaje en masa de Mn
por dos laboratorios diferentes. Los resultados obtenidos son:
A B Mn (%)
- - 1,70 1,72
+ - 1,75 1,77
- + 1,68 1,67
+ + 1,72 1,73
Suponiendo que el contenido real de Mn en la muestra es de 1.71
%, compare el mismo con cada una de las 2 medias experimen-
tales (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 anal-
ticos diferentes: gravimetra, colorimetra y complejometra.
Los resultados en % de nquel se encuentran abajo:
A B C Mn (%)
Gravimetra Colorimetra Complejometra
- - - 1,76 4,44 1,78
+ - - 1,80 4,06 1,85
- + - 1,48 5,79 2,12
+ + - 1,27 4,34 1,40
- - + 1,60 4,64 1,72
+ - + 1,74 5,12 1,60
- + + 1,27 5,57 1,58
+ + + 2,18 4,39 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 ca-
so 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 selecciona-
dos son temperatura (T) y humedad (H) y sus niveles de prueba
se eligen de acuerdo a las condiciones del laboratorio; en este
caso los niveles de temperatura son (22oC, 24oC) y para la hu-
medad (20%, 50%).

198
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

La variable de respuesta es la frecuencia de oscilacin (Y). El di-


seo experimental seleccionado es un factorial completo 2 2 con
punto central que se muestran a continuacin.
Temperatura Humedad Frecuencia
Prueba (C) (%) (Hz)
1 22 20 9,9706
2 24 20 9,9706
3 22 50 99704
4 24 50 9,9702
5 23 35 9,9704
6 23 35 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 mejo-
ras tanto de los equipos como de las instalaciones del laborato-
rio, buscando tener un menor impacto de las fuentes de incerti-
dumbre 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 proce-
so previo de desorcin de oro, sobre todo en aquellas que tienen
que ver con el electrolito, como la concentracin de oro, la con-
centracin de cianuro de sodio e hidrxido de sodio, la conducti-
vidad, el pH y la temperatura. Con estas queda definida la refe-
rencia 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 estu-
dio, 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.
Niveles
Factores - +
Potencial (Vols) 2,5 3,5
NaOH (g/L) 10 20
DC (A/cm) 0,025 0,075
Consumo
Potencial NaOH DC energa Tiempo
Prueba (Vols) (g/L) (A/cm) (Watt-h) (min)
2,5 10 0,025 3,43 115,0
3,5 10 0,025 9,38 78,7
2,5 20 0,025 4,33 108,5
3,5 20 0,025 13,94 76,0
2,5 10 0,075 3,29 78,9
3,5 10 0,075 9,38 78,7
2,5 20 0,075 5,73 173,9

199
Palacios C. Severo

3,5 20 0,075 15,66 113,2


3,0 15 0,050 7,79 88,9
3,0 15 0,050 7,64 87,4
3,0 15 0,050 6,87 80,3
3,0 15 0,050 7,75 93,8
3,0 15 0,050 6,70 80,0
Se pretende minimizar el tiempo del proceso, de consumo de
energa (mayor eficiencia de corriente) y menor cantidad de hi-
drxido de sodio a fin de optimizar las condiciones por medio de
las ecuaciones logradas. Esto redunda en un beneficio econmi-
co y practico para la recuperacin electroqumica de oro.
(198) El reciclado electroqumico de los compuestos de partida en di-
solucin cido se ha monitorizado por anlisis de la DQO (de-
manda qumica de oxgeno), cromatografa de placa fina, anli-
sis 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 comple-
tamente el sustrato, a partir de las leyes de Faraday, y una con-
centracin de sustrato a tratar de 0,015 M en un volumen de 150
cm3. El tiempo de reaccin se ha prolongado para aquellos casos
en que se observ un mejor comportamiento de la disminucin
de la DQO al aumentar la carga elctrica.
El plan experimental escogido para estudiar la influencia de las
principales variables de reaccin es un diseo factorial completo
23 con ocho barridos experimentales, donde las variables esco-
gidas y sus niveles fueron la temperatura (25 y 40C), la con-
centracin de electrolito (50 y 96%) y la densidad de corriente
(500 y 1000 A/m2).
Niveles
Factores - +
X1: Temperatura (C) 25 40
X2: Concentracin (%) 50 96
X3: DC (A/m) 500 1000
Temperatura Concentracin DC
Prueba (C) (%) (A/m) DQO
1 25 50 500 32487
2 40 50 500 725
3 25 96 500 3075
4 40 96 500 2852
5 25 50 1000 2775
6 40 50 1000 6525
7 25 96 1000 867
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 encarga-
200
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

das de degradar son especficas para cada contaminante con-


creto y mucho ms verstil y cmoda de escalar y disear a ni-
vel 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 estudia-
do 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 elec-
trodos de aluminio y como variables de operacin pH inicial,
concentracin de electrolito y densidad de corriente.
Las variables evaluadas fueron densidad de corriente (DC), pH
inicial y concentracin de NaCl como soporte electroltico, todas
las variables en dos niveles.
Los niveles usados para cada variable fueron: DC 20, 40 y 60
mA/cm2; pH 4, 7 y 9; [NaCl] 0, 2000 y 4000 ppm.
Niveles
Factores - 0 +
X1: DC (mA/cm) 20 40 60
X2: pH 4 7 9
X3: [NaOH] (ppm) 0 2000 4000
DC [NaOH] Al % Slidos totales
Prueba (mA/cm) pH (ppm) (g) Clarificado Espuma
1 20 4 0 0,0663 19,81 22,73
2 60 4 0 0,0659 20,95 23,49
3 20 9 0 0,0245 22,59 24,00
4 60 9 0 0,1301 22,09 23,77
5 20 4 4000 0,2139 21,73 22,77
6 60 4 4000 0,0648 15,05 17,25
7 20 9 4000 0,0658 14,56 17,92
8 60 9 4000 0,0647 15,23 18,69
9 40 7 2000 0,2109 22,00 23,12
10 40 7 2000 0,2091 16,88 16,80
11 40 7 2000 0,2173 20,16 19,15
Que factor influye en el mayor desprendimiento de aluminio al
desarrollar la electrocoagulacin-electroflotacin.
En que regin del pH ocurre mejor el proceso.
(200) La investigacin se desarroll con las aguas residuales de una
industria lctea de la regin. Se tomaron muestras tanto del
tanque de descargas, como del tanque de homogeneizacin; este
ltimo toma las aguas del tanque de descarga de las aguas resi-

201
Palacios C. Severo

duales de la empresa y las mezcla. A stas se le analizaron: pH,


DQO, conductividad elctrica, grasas y aceites. Los anlisis se
realizaron el mismo da del muestreo; de acuerdo con los resul-
tados, 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 electrli-
sis. Este sistema opera como reactor discontinuo a escala proto-
tipo, 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 rectangu-
lares 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 electrocoa-
gulacin.
Niveles
Factores - 0 +
X1: pH 5 7 8
X2: DC (A/m) 32,43 37,83 43,23
X3: tiempo (min) 5 10 15
DC tiempo DQO
Prueba pH (A/m) (min) (%)
1 5 32,43 5 75,73
2 8 32,43 5 62,36
3 5 43,23 5 46,55
4 8 43,23 5 93,99
5 5 32,43 15 70,83
6 8 32,43 15 51,44
7 5 43,23 15 77,29
8 8 43,23 15 93,99
9 7 37,83 10 43,88
10 7 37,83 10 45,79
11 7 37,83 10 42,15
La electrocoagulacin se vislumbra como un tratamiento efi-
ciente para la remocin de contaminantes en las aguas residua-
les 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 tiem-
po) tienen efecto significativo sobre la remocin de DQO. El di-
seo de tres factores es bastante ajustado a los datos. En parti-
cular, si se tienen niveles ptimos del estudio para pH, tiempo y
densidad de corriente.
(201) La planificacin de los experimentos se realiz aplicando el di-
seo experimental factorial 2n; se analiz la influencia de la

202
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

temperatura, la relacin lquido/slido y tiempo en la depura-


cin de especies metlicas de efluentes, manteniendo fija la velo-
cidad de agitacin. Las variables de respuesta consideradas fue-
ron: porcentaje de extraccin de especies metlicas (E) y selecti-
vidad (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 va-
riables se muestran en la tabla.
Niveles
Factores - 0 +
X1: Temperatura () 30 45 60
X2: tiempo (h) 1 2 3
X3: Lquido/Slido (L:S) 8 10 12
Condiciones fijas del experimento: Velocidad de agitacin 600
rpm; pH 4,06.
Los modelos que regulan el proceso son:
YNi 72,2433 6,4475 X 1 4,1325 X 2 0,0625 X 3 2,765 X 1 X 2 R 87,9058
YCo 81,0333 3,58 X1 2,255 X 2 0,3425 X 3 2,165 X1 X 2 R 96,5456
YFe 71,36 6,22625 X1 5,24125 X 2 17,0613X 3 1,51625 X1 X 2 1,61125 X 2 X 3 R 90,0524
YMn 70,2356 6,5 X1 4,6675 X 2 0,4925 X 3 3,2425 X1 X 2 R 95,9567
Elabore un diseo experimental que satisfaga la depuracin del
efluente
(202) Los residuos slidos de la lixiviacin o colas constituyen un gran
problema para el ecosistema de la regin industrial; su trata-
miento, 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 re-
cuperacin 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 bio-
lixiviacin y lixiviacin qumica con cidos orgnicos produci-
dos por los microorganismos en sus procesos metablicos.
En la tabla aparece la matriz experimental correspondiente al
plan 23, y un experimento en el nivel central. Con este diseo de
experimento se obtuvo el comportamiento de las variables de
respuesta Selectividad y Extraccin de Ag y Cu. La selectividad
se consider como la relacin entre la recuperacin de un com-
ponente dado y el grado de disolucin total del mineral. En to-
dos los experimentos se mantuvieron fijos los parmetros si-

203
Palacios C. Severo

guientes: relacin lquido:slido: L/S=12/1 cm3 de solucin/g de


cola; velocidad de agitacin: 630 rpm; tamao de partculas (-
0,149+0,074) mm. Se realiz el estudio del comportamiento ci-
ntico de la disolucin del Ag y Cu. Las muestras de licor de lixi-
viacin se colectaron a determinados intervalos de tiempo, se fil-
traron y analizaron por espectroscopia de absorcin atmica.
Niveles
Factores - 0 +
X1: Temperatura () 30 45 60
X2: tiempo (h) 1 3 5
X3: Lquido/Slido (L:S) 1 5 9
T t L/S % Extraccin
Prueba () (h) (cm/g) Ag Cu
1 30 1 1 62,96 77,38
2 60 1 1 71,60 80,53
3 30 5 1 69,07 77,93
4 60 5 1 82,40 87,39
5 30 1 9 64,24 77,58
6 60 1 9 70,45 80,09
7 30 5 9 63,72 77,39
8 60 5 9 87,12 90,91
9 45 3 5 78,63 80,10
(203) Se controlaron 3 variables que permitieron conocer las condi-
ciones 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:
Niveles
Factores - 0 +
X1: [H2O2] (ml/L) 0 1 2
X2: Volumen a tratar (L) 4 8 12
X3: [TiO2] (mg/L) 0 100 200

[H2O2] Volumen [TiO2] Radiacin Degradacin


(mg/L) pH
Prueba (ml/L) (L) (W/m) (%)
1 0 4 0 36,5 3,85 23,52
2 2 4 0 44,5 3,91 46,19
3 0 12 0 18,0 5,77 7,39
4 2 12 0 44,83 5,41 33,03
5 0 4 200 26,03 3,72 43,34
6 2 4 200 61,83 5,73 31,87
7 0 12 200 52,83 8,43 14,8
8 2 12 200 35,41 5,12 6,62
9 1 8 100 40,17 4,24 16,8
10 1 8 100 50,83 4,2 19,8
11 1 8 100 34,17 4,12 14,84
Para el estudio de estas variables se realizaron una serie de ex-
perimentos donde la variable de respuesta fue el porcentaje de
degradacin medido como el porcentaje de reduccin en la DQO.

204
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Del anlisis de los datos obtenga el ANAVA, estime la respuesta


ptima, adems de la superficie de respuesta, que permiten ob-
tener un modelo estadstico que describe el comportamiento del
sistema de fotodegradacin respecto a las variables experimen-
tales estudiadas y que permitan establecer el grado de confiabi-
lidad de los datos obtenidos.
(204) Se seleccionaron modelos lineales del tipo 2n, en los que n repre-
senta el nmero de variables a estudiar. Para un diseo experi-
mental 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 obser-
va 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.
Floculante Coagulante Concentracin residual
pH
Prueba (mg/L) (mg/L) Color DQO
1 0,1 20 6 47,0 84,5
2 1 20 6 45 75,0
3 0,1 100 6 13 60,5
4 1 100 6 22,5 55,5
5 0,1 20 9 188,5 105,5
6 1 20 9 180,5 138,5
7 0,1 100 9 40,5 82,5
8 1 100 9 40,5 42,5
Debido a la buena calidad del efluente obtenido bajo las condiciones p-
timas 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 res-
pecto a la variacin de dosis para poder reducir la cantidad de coagu-
lante a aplicar, de tal manera de conservar niveles de remocin acepta-
bles para los derivados.

VIII. DISEO FACTORIAL 23

205
Palacios C. Severo

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

7 8

3 4

1 2

Diseo factorial 23 simple

Al igual que en el diseo factorial 22, existen tres notaciones diferentes


para los ocho tratamientos que son de uso general. La primera es la
notacin + y -, llamada con frecuencia notacin geomtrica. La se-
gunda es el uso de las letras minsculas para identificar las combina-
ciones de los tratamientos. La tercera notacin utiliza 1 y 0 para deno-
tar 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 grfica-
mente en un cubo.

En este tipo de diseo se asume el error al valor de la mayor combina-


cin, 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 23


Prueba A B C Combinacin Y

206
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

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

Tabla 6.48 Efecto e interacciones


Efectos Interacciones
A = 3,5 AB = 4,0
B = -3,5 AC = 4,0
C = 26,5 BC = 2,0
Error estndar 1 GL

Tabla 6.49 Anlisis de varianza


Fuente SC GL CM Fo Ft(99)
A 24,5 1 24,5 5,44 < 12,25
B 24,5 1 24,5 5,44 < 12,25
C 1404,5 1 1404,5 312,11 > 12,25
AB 32,0 1 32,0 7,11 < 12,25
AC 32,0 1 32,0 7,11 < 12,25
BC 8,0 1 8,0 1,78 < 12,25
Error 4,5 1 4,5
Total 1530,0 7 R2 = 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 24
Prueba A B C D Combinacin Y
1 - - - - 1 71
2 + - - - a 65
3 - + - - b 60
4 + + - - ab 65
5 - - + - c 90
6 + - + - ac 95
7 - + + - bc 86
8 + + + - abc 96
9 - - - + d 85
10 + - - + ad 88
11 - + - + bd 68
12 + + - + abd 80
13 - - + + cd 83
14 + - + + acd 85
15 - + + + bcd 75
16 + + + + abcd 70
Tabla 6.51 Efecto e interacciones
Efectos Interacciones

207
Palacios C. Severo

A = 3,25 AB = 2,25
B = -7,75 AC = -0,25
C = 12,25 BC = 1,25
D = 0,75 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 ABC ABD BCD ACD ABCD
+ + + + + + - - - - +
- - - + + + + + - + -
- + + - - + + + + - -
+ - - - - + - - + + +
+ - + - + - + - + + -
- + - - + - - + + - +
- - + + - - - + - + +
+ + - + - - + - - - -
+ + - + - + - + + + -
- - + + - + + - + - +
- + - - + + + - - + +
+ - + - + + - + - - -
+ - - - - - + + - - +
- + + - - - - - - + -
- - - + + - - - + - -
+ + + + + - + + + + +

Los efectos importantes son B, C y CD.


Tabla 6.54 Anlisis de varianza
Fuente SC GL CM Fo Ft(99)
B 240,25 1 240,25 10,79 > 9,33
C 600,25 1 600,25 26,98 > 9,33
CD 812,25 1 812,25 36,51 > 9,33
Error 267,00 12
Total 1919,75 R2 = 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: H2SO4 (ml) 50 120
C: FeCl3 (gr) 15 35
A B C Y
100 50 15 68,71

208
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

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

Tabla 6.55 Efecto e interacciones


Efectos interacciones
A = 0,45 AB =-1,27
B = 0,92 AC = 2,50
C = 0,81 BC = 5,42
Errores estndar con 4 GL

Tabla 6.56 Anlisis de varianza


Fuente SC GL CM Fo Ft(99)
A 0,414 1 0,414 0,21 < 21,20
B 1,692 1 1,692 0,87 < 21,20
C 1,312 1 1,312 0,67 < 21,20
AB 3,225 1 3,225 1,66 < 21,20
AC 12,5 1 12,5 6,42 < 21,20
BC 58,561 1 58,561 30,21 21,20
Error 7,792 4 1,948
Total 85,798 10 R2 = 90,9175%

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

Valor ptimo = 70,1382


Factor Bajo Alto ptimo
A 100 150 150
B 50 120 120
C 15 35 35

Grfica de Efectos Principales para Y Grfica de Interaccin para Y

66.2 70
+
66
68
+ -
65.8 +
- -
66
Y

+
Y

65.6
- +
-
64
65.4
+ -

65.2 62
100 150 50 120 15 35 100 150 100 150 50 120
A B C AB AC BC

Efectos e interacciones significativas de factores principales

209
Palacios C. Severo

Contornos de la Superficie de Respuesta Estimada Contornos de la Superficie de Respuesta Estimada


C=25.0 B=85.0
130 Y 35 Y
64.0-64.3 64.0-64.3
64.3-64.6 64.3-64.6
64.6-64.9
110 64.9-65.2
31 64.6-64.9
64.9-65.2
65.2-65.5
65.2-65.5
65.5-65.8
65.8-66.1 27 65.5-65.8
90
B

66.1-66.4 65.8-66.1

C
66.4-66.7 66.1-66.4
66.7-67.0 23 66.4-66.7
67.0-67.3 66.7-67.0
70
67.0-67.3
19
50
100 110 120 130 140 150 15
A 100 110 120 130 140 150
A
Contornos de la Superficie de Respuesta Estimada
A=125.0
35 Y
64.0-64.3
64.3-64.6
31 64.6-64.9
64.9-65.2
65.2-65.5
27 65.5-65.8
65.8-66.1
C

66.1-66.4
23 66.4-66.7
66.7-67.0
67.0-67.3
19

15
50 70 90 110 130
B

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

Superficie de Respuesta Estimada Superficie de Respuesta Estimada


C=25.0 B=85.0
Y Y
64.0-64.3 64.0-64.3
64.3-64.6 64.3-64.6

67 64.6-64.9 68 64.6-64.9
64.9-65.2
64.9-65.2
66.5 65.2-65.5 67
65.2-65.5
65.5-65.8
66 65.5-65.8
65.8-66.1
65.8-66.1
66 66.1-66.4
Y

65.5 66.1-66.4
Y

66.4-66.7
66.4-66.7
65 65 66.7-67.0
66.7-67.0 67.0-67.3
64.5 67.0-67.3
64 35
64 130 31
110 100 110 27
100 110 120 130 23
90 19
120 130 70 140 150 15 C
140 150 50 B A
A

Superficie de Respuesta Estimada


A=125.0
Y
64.0-64.3
64.3-64.6
72 64.6-64.9
64.9-65.2
70 65.2-65.5
65.5-65.8
68 65.8-66.1
66.1-66.4
Y

66 66.4-66.7
66.7-67.0
64 67.0-67.3

62 35
31
50 27
70 23
90 19
110 15 C
130
B

Superficie respuesta estimada en el espacio de factores principales

Aplicacin nanotecnologica

Actualmente el desarrollo de la nanotecnologa est asociado a la dis-


ponibilidad de nanoestructuras, o tambin, al dominio de las tcnicas
de fabricacin de las mismas.

En este entorno han aparecido diferentes modos de abordar la fabri-


cacin de nanoestructuras. Se puede trabajar en sentido descendente
(de arriba abajo), desprendiendo o aadiendo material a una superfi-
cie 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 nue-
210
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

vos materiales que se pueden obtener con esta tecnologa, tienen espe-
cial importancia, los films cermicos obtenidos por procesos de elec-
trodeposicin, 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 perxi-
dos se pueden convertir en los xidos correspondientes por tratamien-
to 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 co-
mo emisor de luz y diodos lser abarcando un amplio rango desde el
rojo al ultravioleta debido a sus interesantes propiedades, particular-
mente su amplio band-gap de 3,37 eV a 300 K.

En el presente ejemplo se ha aplicado una tcnica de electrodeposicin


sobre un sustrato de vidrio conductor para obtener columnas de ZnO.

Ejemplo 6.65
Con el fin de poder investigar, de forma rpida, la influencia que las
variables del proceso (densidad de corriente, tiempo de exposicin al
electrolito y temperatura de desarrollo del proceso) tienen en la for-
macin y crecimiento de las columnas obtenidas, se diseo un modelo
experimental de tres variables a dos niveles (diseo factorial a dos
niveles), de esta manera se ha conseguido optimizar el proceso. Es
decir, este mtodo permite con muy pocas experiencias de laboratorio
obtener la informacin suficiente para poder abordar, con garantas
de xito, la fabricacin de estas estructuras.

Las muestras se obtuvieron por electrodeposicin, sobre un sustrato


de vidrio de entre 0,5 y 1 cm2, recubierto de una capa conductora de
xido de estao y flor.

Con el fin de poder controlar la densidad de corriente aplicada, el


tiempo de exposicin y la temperatura se utiliz un potenciostato-

211
Palacios C. Severo

galvanostato modelo 263 A y su correspondiente celdilla, introducida


en una manta calefactora con termostato.

El electrodo de referencia utilizado fue el de Ag/AgCl en una solucin


saturada de KCl/AgCl y contraelectrodo de Pt.

Como electrolito se emple una solucin de concentracin 510-3 M de


ZnCl2 y 0,1 M de KCl en agua desmineralizada. Durante todo el proce-
so 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.
Niveles
Factores - 0 +
X1: DC (mA/cm) 1 1,75 2,5
X2: Tiempo (seg) 600 1200 1800
X3: Temperatura (C) 65 75 85

Altura
Prueba X1 X2 X3
(nm)
1 - - - 439
2 + - - 281
3 - + - 611
4 + + - 902
5 - - + 304
6 + - + 256
7 - + + 109
8 + + + 687

Los valores de la variable respuesta, altura de las columnas expresada


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

212
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Altura 1271,33 744,083X1 0,562118 X 2 8,6166 X 3 0,2986 X1 X 2 6,616 X1 X 3 0,0116 X 2 X 3

Valor ptimo = 924,125


Factor Bajo Alto ptimo
A: X1 1 2,5 2,5
B: X2 600 1800 1800
C: X3 65 85 65

Grfica de Efectos Principales para Altura Grfica de Interaccin para Altura

620 800 +
-
570 700

520 600 -

Altura
-
Altura

500
470 +
400 +
420 +- -
300 +
370 -
200 +
320
1 2.5 1 2.5 600 1800
1 2.5 600 1800 65 85 AB AC BC
X1 X2 X3
Efectos e interacciones significativas de factores principales

Contornos de la Superficie de Respuesta Estimada Contornos de la Superficie de Respuesta Estimada


X3=75.0 X2=1200.0
1800 Altura 85 Altura
260.0-320.0 260.0-320.0
320.0-380.0 320.0-380.0
1600 380.0-440.0 81 380.0-440.0
440.0-500.0 440.0-500.0
1400 500.0-560.0 500.0-560.0
560.0-620.0 77 560.0-620.0
620.0-680.0 620.0-680.0
X2

1200
X3

680.0-7 40.0 680.0-7 40.0


7 40.0-800.0 73 7 40.0-800.0
1000 800.0-860.0 800.0-860.0
860.0-920.0 860.0-920.0
800 69

600 65
1 1.3 1.6 1.9 2.2 2.5 1 1.3 1.6 1.9 2.2 2.5
X1 X1

Contornos de la Superficie de Respuesta Estimada


X1=1.75
85 Altura
260.0-320.0
320.0-380.0
81 380.0-440.0
440.0-500.0
500.0-560.0
77 560.0-620.0
620.0-680.0
X3

680.0-7 40.0
73 7 40.0-800.0
800.0-860.0
860.0-920.0
69

65
600 800 1000 1200 1400 1600 1800
X2
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/cm2) tambin favorece la


formacin y el crecimiento de las columnas. No obstante este factor
tiene menor influencia que el tiempo de exposicin.

213
Palacios C. Severo

Superficie de Respuesta Estimada Superficie de Respuesta Estimada


X3=75.0 X2=1200.0
Altura Altura
260.0-320.0 260.0-320.0
320.0-380.0 320.0-380.0
380.0-440.0 380.0-440.0
860 440.0-500.0 600 440.0-500.0
500.0-560.0 500.0-560.0
760
560.0-620.0 560.0-620.0
500
660 620.0-680.0 620.0-680.0
Altura

Altura
680.0-740.0 680.0-740.0
560 400
740.0-800.0 740.0-800.0
460 800.0-860.0 800.0-860.0
860.0-920.0 300 860.0-920.0
360 1800
1600 85
1400 81
260 1200 77
1000 200 73
1 1.3 800
1.6 1.9 2.2 600 X2 1 1.3 1.6
69 X3
2.5 1.9 2.2 65
2.5
X1 X1

Superficie de Respuesta Estimada


X1=1.75
Altura
260.0-320.0
320.0-380.0
380.0-440.0
780 440.0-500.0
500.0-560.0
680 560.0-620.0
620.0-680.0
580
Altura

680.0-740.0
740.0-800.0
480
800.0-860.0
860.0-920.0
380 85
81
77
280 73
600 800 1000
69 X3
1200 1400 65
1600 1800
X2

Superficie respuesta estimada en el espacio de factores principales

La temperatura alta ( 80 - 90 C) influye negativamente en la for-


macin y crecimiento de las columnas. Siendo su efecto, en valor abso-
luto, 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 ma-
yor 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 pro-
medio 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 de-
cap segn las normas ASTM B183 e ISO 9226. La electrodeposicin
se realiz empleando un electrodo de disco rotatorio acoplado a un
potenciostato-galvanostato y la temperatura de la solucin se control
empleando un bao termostatizado con recirculacin. Una malla de
platino con suficiente rea efectiva se empleo como nodo inerte y un
electrodo de calomel saturado fue usado como electrodo de referencia.
214
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Siguiendo un diseo experimental factorial 2n completamente aleatori-


zado con replica, se depositaron los recubrimientos compuestos de Ni-
D variando la densidad de corriente, la agitacin del bao y la concen-
tracin de nanopartculas de Diamante en los niveles que se presentan
en la tabla.

Niveles
Factores - 0 +
X1: DC (A/cm) 2 3,5 5
X2: Agitacin (rpm) 400 650 900
X3: Concentracin (g/L) 10 15 20

Espesor pelcula
Prueba X1 X2 X3
(m)
1 2 400 10 14
2 5 400 10 40
3 2 900 10 15
4 5 900 10 40
5 2 400 20 14
6 5 400 20 39
7 2 900 20 15
8 5 900 20 39,5

Los recubrimientos compuestos de Ni-D presentan mejor resistencia a


la corrosin que los recubrimientos de Nquel puro, cuando son obte-
nidos a altas velocidades de rotacin del electrodo y alta concentra-
cin de partculas en el bao.

Efectos estimados para Pelcula


Efectos Interacciones
A: X1 = 25,125 AB = -0,375
B: X2 = 0,625 AC = -0,375
C: X3 = -0,375 BC = 0,125
Errores estndar con 1 GL

Tabla 4.12 Anlisis de varianza


Fuente SC GL CM Fo Ft(99%)
A: X1 1262,53 1 1262,53 40401,0 > 12,25
B: X2 0,78125 1 0,78125 25,0 > 12,25
C: X3 0,28125 1 0,28125 9,0 < 12,25
AB 0,28125 1 0,28125 9,0 < 12,25
AC 0,28125 1 0,25125 9,0 < 12,25
BC 0,03125 1 0,03125 1,0 < 12,25
Error 0,03125 1 0,03125
Total 1264,22 7 R = 99,9975%

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

215
Palacios C. Severo

Valor ptimo = 40.0625


Factor Bajo Alto ptimo
X1 2,0 5,0 5,0
X2 400,0 900,0 900,0
X3 10,0 20,0 10,0

Grfica de Efectos Principales para Pelicula Grfica de Interaccin para Pelicula

44 44

+
- -+
39 39

34 34

Pelicula
Pelicula

29 29
-+
+-
24 24

19 19

14 +- +-
14
2 5 400 900 10 20 2 5 2 5 400 900
X1 X2 X3 AB AC BC

Efectos e interacciones significativas de factores principales

Contornos de la Superficie de Respuesta Estimada Superficie de Respuesta Estimada


X3=15.0
X3=15.0
Pelicula
900 Pelicula 14.0-17.0
14.0-17.0 17.0-20.0
17.0-20.0
20.0-23.0
800 20.0-23.0
44 23.0-26.0
23.0-26.0
26.0-29.0 26.0-29.0
39
700 29.0-32.0 29.0-32.0
32.0-35.0 34 32.0-35.0
Pelicula
X2

35.0-38.0 35.0-38.0
600 38.0-41.0
29
38.0-41.0
41.0-44.0 24 41.0-44.0
44.0-47.0 44.0-47.0
500 19 900
800
700
14 600
400 2 2.5 500
3 3.5 4 4.5 400 X2
2 2.5 3 3.5 4 4.5 5 5
X1
X1

Superficie respuesta estimada en el plano y espacio de factores principales

La presencia de las nanopartculas en los recubrimientos de Nquel,


mejora su microdureza hasta en un 243,3%.

La incorporacin de nanopartculas de Diamante en la matriz de N-


quel, tiene un efecto positivo sobre el proceso de electrodeposicin,
hacindolo ms eficiente.

El transporte de masa influye durante el proceso de electrodeposicin


de los recubrimientos compuestos Ni-D.

Las nanopartculas de Diamante cambian la morfologa de los recu-


brimientos 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 poten-

216
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

cial de impacto ambiental en ste proceso debido a su alta acidez y a la


presencia de varios metales disueltos (Cr, Mn, Al, Zn, Fe, Ni, Co).

En el mbito mundial uno de los aspectos principales a tener en cuenta


al disear los procesos de recuperacin de nquel y cobalto usando la
lixiviacin cida a presin de minerales oxidados de nquel est rela-
cionado precisamente con el tratamiento a realizar al licor residual
que se genera.

Para realizar el estudio se utiliz una muestra compsito representati-


va del licor residual de la tecnologa cida de nquel y cobalto, con un
contenido promedio de 8,2 g/L de H2SO4, 4,3 g/L de aluminio y 0,62
g/L de cromo.

Como reactivo neutralizante se us una muestra compsito represen-


tativa de los slidos residuales industriales del proceso carbonato
amoniacal, o sea, una muestra de la suspensin saliente de los alam-
biques 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 inyec-
cin de un agente oxidante, oxgeno del aire y la agitacin.

Las principales respuestas que se analizan en el diseo son la neutrali-


zacin del cido libre (H2SO4) y la precipitacin del aluminio y el cro-
mo del licor residual.

En el diseo de la matriz experimental se us el mtodo factorial com-


pleto (2n). En la tabla se muestran las variables y los niveles usados.

Niveles
Factores - 0 +
X1: Temperatura (C) 70 75 80
X2: Relacin Mg/cido (g/g) 1 1,5 2
X3: Agitacin (Re) 8000 10000 12000
X4: Inyeccin aire (L/min) 5 7,5 10

La seleccin de la temperatura en el nivel medio de 75 C estuvo basa-


da en pruebas preliminares realizadas. La relacin magnesio/cido
217
Palacios C. Severo

fue establecida en el nivel bsico en 1,5 gramos de magnesio conteni-


dos en los slidos residuales por gramos de cido libre contenidos en el
licor residual. Dicho valor se determin sobre la base de clculos este-
quiomtricos 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 in-
fluencia en la disminucin del contenido de hierro en el licor neutrali-
zado.

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 descodifi-
cada.

Temp Relacin Agitacin Aire Al Cr


Prueba pH
() (Mg/cido) (Re) (L/min) (g/L) (g/L)
1 70 1 8000 5 3,66 0,12 3,66
2 80 1 8000 5 4,30 0,62 1,20
3 70 2 8000 5 2,59 0,31 3,35
4 80 2 8000 5 0,78 0,14 3,60
5 70 1 12000 5 2,57 0,32 3,33
6 80 1 12000 5 0,23 0,06 3,77
7 70 2 12000 5 0,20 0,06 3,85
8 80 2 12000 5 2,64 0,32 3,33
9 70 1 8000 10 2,27 0,32 3,38
10 80 1 8000 10 0,85 0,14 3,60
11 70 2 8000 10 0,20 0,06 3,80
12 80 2 8000 10 1,04 1,04 3,57
13 70 1 12000 10 2,64 0,31 3,23
14 80 1 12000 10 0,97 0,15 3,59
15 70 2 12000 10 2,09 0,31 3,38
16 80 2 12000 10 2,14 0,33 3,52

Para realizar los experimentos se midi el volumen de licor residual y


se adicion al reactor, secalent la solucin hasta alcanzar la tempe-
ratura de trabajo, se puso en funcionamiento el agitador y el compre-
sor de aire, se adicion la suspensin de slidos residuales y se puso en
marcha el cronmetro inmediatamente. Finalmente se tomaron las
muestras para los anlisis qumicos.

218
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

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 recupe-
rar 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 residua-
les durante la neutralizacin.

Prueba cido Precipitacin Disolucin de metales


libre (%) Al y Cr (%) (%)
H2SO4 Al Cr Ni Co Fe Mg Mn
1 99,4 37,5 35,3 43,0 43,6 4,3 27,1 49,5
2 99,7 92,9 85,5 25,2 40,4 2,6 24,6 34,2
3 99,5 69,9 66,6 18,1 34,1 1,7 21,0 23,8
4 99,1 33,6 36,7 27,4 45,8 3,7 31,5 49,4
5 99,0 22,8 36,7 22,4 40,1 2,4 32,2 33,7
6 99,7 93,1 85,8 21,3 34,9 2,8 22,5 24,3
7 99,4 65,9 64,7 16,5 32,8 1,5 21,5 20,7
8 98,7 22,9 38,5 22,6 40,8 2,3 27,6 29,4
9 99,1 38,8 39,7 28,0 46,5 3,8 33,3 47,1
10 99,4 63,3 62,1 16,2 33,6 1,5 20,4 24,6
11 99,5 78,8 71,1 19,4 38,3 2,2 22,8 29,5
12 99,0 25,0 36,9 20,7 39,4 2,2 30,4 30,9
13 99,0 24,2 39,7 20,4 40,1 2,2 28,9 31,8
14 99,5 72,4 67,8 17,6 33,6 1,7 20,7 22,8
15 99,6 92,1 85,1 20,5 35,8 2,6 22,0 25,6
16 98,8 36,9 41,8 26,2 44,3 3,3 33,9 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 H2SO4
R 98,77 99,86 99,51 99,63 99,96 99,66 97,96
Error estndar 2,79 0,64 0,23 1,14 2,07 4,43 0,28
Darwin-Watson 1,65 1,48 2,20 1,83 2,10 1,60 1,76

Los valores de R2, indicativos de la proporcin de la varianza de las


variables de salida (Y) con respecto a las variables de entrada (X), son

219
Palacios C. Severo

altos en todos los casos, lo que denota un buen porcentaje de adapta-


cin 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 significa-
cin estadstica del 95% y se excluyen las variables e interacciones que
no tienen una influencia estadsticamente significativa.

Modelos estadsticos de la precipitacin del aluminio y el cromo del


licor residual

% Al 54,38 48,35 Re l 17,18Temp

%Cr 55,86 35,41Re lacin 8,52Temp 8,07(Re l )(Temp)

y de la neutralizacin del cido libre:

% Ac 99,28 0,462 Re l

Modelos estadsticos de la disolucin de magnesio, nquel, cobalto,


hierro y manganeso del licor residual:
%Mg 26,27 8,70 Re l 1,84Temp 2,23(Re)(Temp)

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

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

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

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

Donde:
Temp = Temperatura
Rel = Relacin
Re = Reynolds

En las ecuaciones anteriores se observa que la relacin magne-


sio/cido y la temperatura son las variables que ejercen una mayor
220
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

influencia en el proceso. El aumento de la relacin magnesio/cido


favorece la neutralizacin del cido libre y la precipitacin del alumi-
nio y el cromo que estn disueltos en el licor residual e influye de for-
ma 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 (temperatu-


ra, relacin magnesio/cido, agitacin y aire) y las respuestas de sali-
da, siendo el valor de R2 superior al 98%.

Las variables que ejercen una mayor influencia sobre las respuestas
analizadas son la relacin magnesio/cido y la temperatura. No obs-
tante 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 decre-


ciente 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 alu-
minio y el 85,54% del cromo.

Se recomienda completar la neutralizacin del licor residual con car-


bonato e hidrxido de calcio y recuperar el nquel y el cobalto a partir
del licor neutralizado con los slidos residuales.

221
Palacios C. Severo

Problemas

(205) En un estudio del rendimiento para el desarrollo de un proceso


se consideraron cuatro factores, cada uno a dos niveles: tiempo
(A): 2,5 a 3, concentracin (B): 14 a 18, presin (C): 60 a 80, y
temperatura (D): 225 a 250. Se corrieron dos replicas de un di-
seo 24, y los datos resultantes se muestran en la siguiente ta-
bla:
A B C D Replica I Replica II
- - - - 12 14
+ - - - 18 16
- + - - 13 15
+ + - - 13 17
- - + - 17 18
+ - + - 15 14
- + + - 20 19
+ + + - 15 17
- - - + 10 13
+ - - + 25 22
- + - + 13 16
+ + - + 24 25
- - + + 19 21
+ - + + 21 23
- + + + 17 22
+ + + + 23 26
Que factores y que interacciones influyen en el rendimiento.
Elabore grficas e interprete los efectos de los factores principa-
les y las interacciones
(206) Un equipo realiz un estudio del rendimiento de un proceso para
establecer los parmetros ptimos de operacin. El equipo deci-
di considerar tres factores, cada uno a dos niveles. Se corrieron
dos rplicas y decidieron utilizar un diseo 23.
A = Tiempo (2 h, 4 h)
B = Concentracin (10%, 20%).
C = Presin (55 psi, 85 psi)
Rendimiento
A B C I II
- - - 12 14
+ - - 18 16
- + - 13 15
+ + - 16 17
- - + 17 18
+ - + 15 14
- + + 20 19
+ + + 15 17
Que factores y que interacciones influyen en el rendimiento.
Elabore grficas e interprete los efectos de los factores principa-
les y las interacciones
222
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

(207) Un investigador qumico desea determinar las condiciones expe-


rimentales 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 aadi-
do, la temperatura de calentamiento y la longitud de onda selec-
cionada para medir la absorbancia de la muestra. Realiza un
experimento factorial 23 con diferentes niveles de los factores de
inters, obteniendo 8 determinaciones replicadas para todas las
posibles combinaciones estudiadas. A continuacin se muestran
las condiciones del diseo y los resultados obtenidos:
Vox T Mn (%)
- - - 0,45 0,46 0,44
+ - - 0,87 0,89 0,89
- + - 0,66 0,66 0,68
+ + - 0,88 0,90 0,91
- - + 0,24 0,22 0,25
+ - + 0,63 0,65 0,61
- + + 0,55 0,55 0,51
+ + + 0,73 0,73 0,71
Qu factores influyen significativamente de manera indepen-
diente en el rendimiento de la reaccin
Qu interacciones entre factores son estadsticamente importan-
tes y cmo son estas
Cules son las condiciones experimentales ptimas
(208) Se realiza un experimento factorial 24 en una planta piloto para
estudiar los efectos que se supone influyen sobre la rapidez de
filtracin de un producto. Se estudia el efecto de 4 factores, tem-
peratura, presin, concentracin de reactivo y rapidez de mez-
clado. Los resultados del diseo se muestran a continuacin:
Factores
A B C D Filtracin
- - - - 45
+ - - - 71
- + - - 48
+ + - - 65
- - + - 68
+ - + - 60
- + + - 80
+ + + - 65
- - - + 43
+ - - + 100
- + - + 45
+ + - + 104
- - + + 75
+ - + + 86
- + + + 70
+ + + + 96

223
Palacios C. Severo

Plantee la ecuacin de regresin teniendo en cuenta los resulta-


dos de la tabla de ANOVA y el error de cada coeficiente.
Actan de manera independiente los factores estudiados. Inter-
prete el grfico de efectos principales y el de las interacciones.
Halle el valor ptimo de rapidez de filtracin junto a su interva-
lo de confianza.
Se puede simplificar este diseo 24 a un diseo experimental 23
Si su respuesta es positiva, realice partiendo de ste un diseo de
experimentos 23.
(209) Se aplic un diseo factorial 24 para estudiar un proceso de co-
rrosin selectiva con nitruro en un plasma corrosivo. En el pro-
ceso se utiliz C2F6 como gas reactivo y se tomaron como facto-
res de inters el espacio entre nodo y ctodo (A), la presin en
la cmara del reactor (B), gasto de C2F6 (C) e intensidad de la
corriente aplicada al ctodo (D). La variable de respuesta de in-
ters es la rapidez de corrosin del nitruro de silicio. Los resul-
tados obtenidos son los siguientes:
Factores Rapidez de
A B C D Corrosin
- - - - 550
+ - - - 669
- + - - 604
+ + - - 650
- - + - 633
+ - + - 642
- + + - 601
+ + + - 635
- - - + 1037
+ - - + 749
- + - + 1052
+ + - + 868
- - + + 1075
+ - + + 860
- + + + 1063
+ + + + 729
Estime los efectos de los diferentes factores sobre la rapidez de
corrosin.
Realice el ANAVA y determine los factores importantes para el
rendimiento
Escriba la ecuacin de la regresin, teniendo en cuenta los inter-
valos 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
2k con k<4 y realice el anlisis de varianza. Rescriba la ecuacin
de regresin.

224
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

(210) Se determin el contenido de nquel en un mineral mediante la


tcnica de valoracin complejomtrica por dos vas diferentes:
directa y retroceso. Los resultados obtenidos en % en masa son:
A B Ni (%)
- - 1,011 0,995
+ - 0,986 0,998
- + 0,992 0,989
+ + 0,982 0,995
- - 0,990 0,996
+ - 0,988 0,999
- + 0,997 0,998
+ + 0,994 0,996
(211) Un fabricante de aleaciones de aluminio produce refinadores de
textura en forma de lingotes. La compaa manufactura el pro-
ducto en 4 hornos. Se sabe que cada horno tiene sus propias ca-
ractersticas de operacin, de modo que los hornos se considera-
rn una variable problemtica en cualquier corrida experimen-
tal 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 blo-
ques 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 8 4 5 6
10 14 5 6 9
15 14 6 9 2
20 17 9 3 6
Analice la tabla de ANOVA
Diga si las sospechas del ingeniero son ciertas. Explique.
Explique si fue conveniente bloquear el efecto de los diferentes
hornos.
Realice un anlisis de los residuos

225
Palacios C. Severo

IX. DISEO FACTORIAL 2k REPLICADO

En una variedad del diseo factorial en donde el vector respuesta se


repite o replica dos, tres, cuatro, veces.

El efecto se calcula multiplicando por el nmero de replicas. La suma


de cuadrados se procede similarmente a los efectos.

Ejemplo 6.68
Se lleva a cabo una investigacin para estudiar los efectos que tienen
la concentracin y un catalizador sobre la reaccin de un proceso.

Factores Niveles
A = Concentracin 15 20
B = Catalizador 1 2

Tabla 6.57 Datos para el diseo 22 replicado


Prueba A B Y1 Y2 Y3 Yt
1 15 1 31 19 32 82
2 20 1 30 23 28 81
3 15 2 29 36 25 90
4 20 2 18 32 27 77

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

Efecto B 1/3277 90 81 82 0,66

Interacci n AB 1 /3277 82 82 90 2,0

El efecto A (concentracin) es negativo, sugiere que al elevar la canti-


dad 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 inter-


pretacin. Para el presente diseo existe un mtodo especial para rea-
lizar los clculos del ANAVA.

SC A 1/ n * 2 k ab a b 1 1/n * 2 k EfectoA 2,332 /34 16,33


2 2

SCB 1/ n * 2 k ab b a 1 1/n * 2 k EfectoB 1,33


2 2

SC AB 1/ n * 2 k ab 1 a b 1/n * 2 k Interacci nAB 12,0


2 2

226
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

La suma total de cuadrados se determina de la misma manera que los


diseos aleatorizados.

SCtotal Yi 2 Yi / n * 2 k
2

SCtotal 312 19 2 ... 32 2 27 2 330 /3 * 4 323


2

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


aleatorizados.

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

El anlisis de varianza se presenta en la tabla 6.58

Tabla 6.58 Anlisis de varianza


Fuente SC GL CM Fo Ft(99)
A 16,33 1 16,33 0,485 < 11,3
B 1,33 1 1,33 0,039 < 11,3
AB 12,00 1 12,00 0,356 < 11,3
Error 293,34 8 33,67
Total 323,00 11 R2 = 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 20 15
B = Catalizador 1 2

Tabla 6.59 Datos para el diseo 22 replicado


Prueba A B Y1 Y2 Y3 Yt
1 20 1 30 23 28 81
2 15 1 31 19 32 82
3 20 2 18 32 27 77
4 15 2 29 36 25 90

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

Efecto B 1/3277 90 81 82 0,66

227
Palacios C. Severo

Interaccio n AB 1 /3281 90 82 77 2,0

Ejemplo 6. 69
Se lleva a cabo una investigacin para estudiar los efectos que tienen
la dosificacin de reactivos qumicos en un proceso

Niveles
Factores - +
A = Concentracin X 15 20
B = Concentracin Y 1 2
C = Concentracin Z 18 25

Tabla 6.60 Datos para el diseo 22 replicado


Diseo
Prueba Y1 Y2 Y3 Yt
A B C
1 15 1 18 31 19 32 82
2 20 1 18 30 23 28 81
3 15 2 18 29 36 25 90
4 20 2 18 18 32 27 77
5 15 1 25 19 32 31 82
6 20 1 25 23 25 27 75
7 15 2 25 36 25 29 90
8 20 2 25 30 27 18 75

Tabla 6.61 Efecto e interacciones


Efectos Interacciones
A = -3,0 AB =-1,667
B =+ 1,0 AC =-0,66
C = -0,66 BC = 0,33
Bloque = 0,416
Error estndar 1 GL

Tabla 6.62 Anlisis de varianza


Fuente SC GL CM Fo Ft(95)
A 54,00 1 54,00 1,48 < 4,54
B 6,000 1 6,000 0,19 < 4,54
C 2,666 1 2,666 0,07 < 4,54
AB 16,66 1 16,66 0,46 < 4,54
AC 2,666 1 2,666 0,07 < 4,54
BC 0,666 1 0,666 0,02 < 4,54
Bloque 0,583 2 0,292 0,01 < 3,68
Error 546,083 15 36,406
Total 629,33 23 R2 = 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.

228
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

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 en-
tonces colocado en un sistema de recirculacin con objeto de la-
var el carbn. Se variaron tres factores en el proceso experimen-
tal
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 puri-
ficacin determina cuan limpio queda el carbn. Se utilizaron
dos niveles de cada factor y se corrieron dos pruebas experimen-
tales para cada una de las 8 combinaciones (n=2). Los porcenta-
jes de slidos en peso obtenidas son
Vector respuesta
A B C Replica I Replica II
- - - 4,65 5,81
+ - - 21,42 21,35
- + - 12,66 12,56
+ + - 18,27 16,62
- - + 9,73 7,88
+ - + 13,18 12,87
- + + 6,51 6,26
+ + + 18,23 17,83
Suponga que todas las interacciones son potencialmente impor-
tantes 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 19 10
+ - - 15 20 16
- + - 24 16 17
+ + - 23 17 27
- - + 17 25 21
+ - + 16 19 19
- + + 24 23 29
+ + + 28 25 20
Evalu todos los efectos factoriales. Utilice un nivel de significa-
cin de 0.05
(214) Se llev a cabo un experimento para determinar si existe o no
una diferencia significativa en la cantidad de aluminio alcanza-

229
Palacios C. Severo

da en el anlisis entre cierto niveles de las siguiente variables de


proceso.
Tiempo de mezcla (T): 2 y 4 horas
Velocidad de mezcla (V): 36 y 78 rpm
Condicin del Nitrgeno (C): seco y humedad relativa (72%)
Estado fsico del propulsor (E): no vulcanizado y vulcanizado
Estado Tiempo Velocidad Condicin del Cantidad
fsico mezcla mezcla nitrgeno aluminio
- - + + 16,3
- + + + 16,0
- - - - 16,2
- + - + 16,1
- - - + 16,0
- + - - 16,0
- - + - 15,5
- + + - 15,9
+ - + + 16,7.
+ + + + 16,1
+ - - - 16,3
+ + - + 15,8
+ - - + 15,9
+ + - - 15,9
+ - + - 15,6
+ + + - 15,8
Suponga que todas las interacciones de tres y cuatro factores
son despreciables y analice los datos. Utilice un nivel de signifi-
cacin 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 rie-
go: una y dos veces diarias y el tipo de poroto sembrado: peque-
o y grande.
Se hacen tres rplicas del experimento y se obtienen los siguien-
tes 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 inter-
acciones. Interprete los resultados obtenidos y sugiera condicio-
nes 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 du-
230
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

racin de una herramienta de corte. Para ello se eligen dos nive-


les para cada factor y se corren dos rplicas del diseo factorial
23. La tabla siguiente presenta los datos de tiempo de duracin
(en horas) de la herramienta.
Combinacin de Rplica
tratamientos 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.
Determine cules de estos efectos son importantes usando la ta-
bla de anlisis de varianza.

X. DISEO 2k CON PRUEBAS CENTRALES


231
Palacios C. Severo

En un estudio factorial simple 2n estudiamos tan solo las combinacio-


nes 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 mues-
tra as mismo evaluar la curvatura de la funcin matemtica.

Tal como se ve en la figura, el plano factorial 1-2 y 3-4 est cruzado


por una lnea de curvatura (Gauss).
3 4 3-4

5 5

1 2 1-2

Diseo Factorial 2n con pruebas centrales

El punto central 5, el cual sirve para evaluar el error aleatorio, tam-


bin 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 mode-
lo por lo que desechamos el anlisis lineal y continuamos con un tra-
tamiento cuadrtico aumentando pruebas experimentales al diseo
inicial (rotacional).

Existe un mtodo para replicar ciertos puntos en un diseo factorial 2n


lo cual proteger contra la curvatura adems de permitir obtener
estimaciones de errores independientes. Dicho mtodo consiste en
agregar pruebas centrales al diseo 2n, para lo cual se hacen n rpli-
cas en el eje central. Un mtodo importante para agregar las corridas
de rplicas en el centro del diseo es que los puntos centrales no influ-
yan en las estimaciones usuales de los efectos en un diseo 2n. Con una
observacin en cada uno de los puntos factoriales.

Sea YF el promedio de las cuatro corridas en los puntos factoriales y


Sea YC el promedio de las corridas del punto central.

Si la diferencia Y F Y C es pequea, entonces los puntos centrales se


encuentran en el plano, y no hay curvatura. Si Y Y es grande F C

entonces existe curvatura. Una suma de cuadrados para la curvatura


con un GL esta dado por:

232
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

nF nC Y F Y C
SCcurvatura
n F nC

Donde nF y nc es el nmero de puntos de la factorial y el central respec-


tivamente (esta cantidad puede comprobarse con el cuadrado medio
del error para probar la curvatura).

Y Ao Ai X i Ai j X i X j Ajj X 2j

Donde:

Ajj son efectos cuadrticos.

S los puntos factoriales del diseo no son replicados, es posible em-


plear los nc puntos centrales para construir una estimacin del error
con nc - 1 grados de libertad.

Ejemplo 6.70
Se esta evaluando el rendimiento de un proceso. Existen dos variables
de inters, concentracin de sulfato de cobre y temperatura en el pro-
ceso 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 centra-


les:

CM error SCerror / nC 1 Yi Y / nC 1
2

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


CM error 72,3 72,46 ... 72,6 72,46 / 4 0,043
2 2

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

YF 65 80 70 85/ 4 75

233
Palacios C. Severo

La diferencia entre el promedio del factorial y el promedio del central


es 2,54 resulta dicho valor muy grande, lo cual nos indica que existe
curvatura.

La suma de la curvatura de los cuadrados se calcula de la ecuacin


general.

SCcurvatura 452,54 /4 5 50,8

Tabla 6.63 Anlisis de varianza del diseo con punto central


Fuente SC GL CM Fo Ft(99)
A 225,00 1 225,00 5325,56 > 21,2
B 25,00 1 25,00 581,39 > 21,2
AB 0,00 1 50,8 1270,00 > 21,2
Curvatura 50,8 1 0,00 0,00 < 21,2
Error 0,17 4 0,04
Total 300,97 7

El anlisis de varianza indica que ambos factores presentan efectos


significativos y que no hay interaccin AB = 0, existe evidencia de
curvatura en la respuesta de la regin explorada.

XI. DISEO CONFUNDIDO

Un diseo confundido es una tcnica mediante el cual se confunden,


deliberadamente, ciertos efectos sin importancia, con el propsito de
fijar los efectos ms importantes con mayor precisin. En el hecho, al
calcular el valor de un efecto o interaccin confundido estamos calcu-
lando 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 efec-


tuar una experimentacin completa. En el diseo experimental
se denomina bloque a una agrupacin homognea de experi-
mentos.
b) Aquellas en los cuales la experimentacin se realiza usando dos o
ms tipos de maquinas.

XII. DISEO FACTORIAL 2K CON DOS BLOQUES

Si deseamos correr una sola replica del diseo 2n. Requerimos una
cantidad de materia prima y cada lote de materia prima deber cu-
brir una prueba de las combinaciones de tratamiento.

234
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Tabla 6.64 Diseo 24 con dos bloques, asignando las corridas


Bloque I Bloque II
(1) = 71 a = 65
ab = 65 b = 60
ac = 95 c = 90
bc = 86 d = 85
ad = 88 abc = 96
bd = 68 bcd = 75
cd = 83 acd = 85
abcd = 70 abd = 60
626 636
1262

Por lo tanto se requieren n lotes de materia prima. Si estos lotes se


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

La suma de cuadrados del bloque

SCbloque 626 2 6382 / 8 1262 / 16 6,25


2

SC A 42,25 SCB 240,25 SCC 600,25 SCD 2,25


SC AB 20,25 SC AC 0,25 SC AD 0,25 SCBC 6,25
SCBD 72,25 SCCD 812,25

235
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 decidi-
do que las interacciones de tres factores son despreciables, por lo que
la suma del error es:

SCerror SC ABC SC ABD SC ACD SCBCD

SCerror 30,25 12,25 72,25 2,25 117

Como podemos visualizar el bloque ABCD no influye en el anlisis de


las combinaciones de los tratamientos, siendo B, C y CD los efectos e
interacciones que presentan significacin, tal como concluimos en el
mismo ejemplo del diseo 24.

XIII. DISEO FACTORIAL 2k CON 4 BLOQUES

Este tipo de diseo es de mucha utilidad cuando se desarrolla experi-


mentos a nivel laboratorio y bach, el nmero de factores es relativa-
mente grande con k>4.

Ejemplo 6.72
Consideremos un diseo factorial 25, a cada bloque debemos asignar
ocho combinaciones de tratamiento correspondientes, requiriendo un
total de cuatro bloques para las 32 pruebas a desarrollar para efec-
tuar el experimento.
Tabla 6.66 Diseo 25 con 4 bloques, asignando las corridas
Bloque I Bloque II Bloque III Bloque IV
1 = 2,152 a = 2,025 b = 2,111 e = 2,057
ad = 2,004 d = 2,170 c = 2,267 ac = 2,013
bc = 2,301 be = 2,037 ae = 2,033 bd = 2,164
abe = 1,991 ce = 2,210 de = 2,072 cd = 2,301
ace = 1,978 abc = 2,220 abd = 2,146 ab = 2,041
cde = 1,944 bcd = 2,332 acd = 2,114 ade = 2,057
bde = 2,215 abde = 1,857 abce = 2,025 bce = 2,236
abcd = 2,161 acde = 1,919 bcde = 1,898 abcde = 1,944
16,746 16,770 16,666 16,813
66,995

SCbloque SC ABCDE 0,01197 SCerror 0,0999 SCtotal 0,4898

Tabla 6.67 Anlisis de Varianza del bloque


Fuente SC GL CM Fo Ft(99)
Bloque (ABCD) 0,0119 1 0,0119 1,7955 < 4,54
A 0,1173 1 0,1173 17,595 > 4,54
B 0,0041 1 0,0041 0,0615 < 4,54
C 0,0167 1 0,0167 2,505 < 4,54

236
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

D 0,0050 1 0,0050 0,750 < 4,54


E 0,1311 1 0,1311 19,665 > 4,54
AB 0,0005 1 0,0005 0,075 < 4,54
AC 0,0026 1 0,0026 0,390 < 4,54
AD 0,0007 1 0,0007 0,1015 < 4,54
AE 0,0014 1 0,0014 0,210 < 4,54
BC 0,0045 1 0,0045 0,675 < 4,54
BD 0,0003 1 0,0003 0,045 < 4,54
BE 0,0077 1 0,0077 1,155 < 4,54
CD 0,0239 1 0,0239 3,585 < 4,54
CE 0,0352 1 0,0352 5,250 > 4,54
DE 0,0266 1 0,0266 3,990 < 4,54
Error 0,0099 15 0,0067
Total 0,4989 31

XIV. DISEO FACTORIAL 2k CON BLOQUES REPLICADOS

Es una variedad del diseo confundido en donde el vector respuesta se


repite o replica dos, tres, veces.

Para entender mejor este tipo de diseo aplicaremos un ejemplo.

Ejemplo 6.73
Se realiza un estudio para determinar los efectos que tienen tres va-
riables A, B y C. Se efectan slo cuatro combinaciones de tratamien-
to. Por lo tanto, cada rplica del diseo 23 debe recopilarse en dos blo-
ques. Se realiza las reproducciones confundidas ABC en la replica I y
AB en la replica II.

Tabla 6.68 Diseo 23 con bloques replicados


Replica I Replica II
1 = 68,72 a = 67,85 1 = 68,66 a = 68,22
ab = 69,44 b = 69,60 c = 68,17 b = 69,10
ac = 67,93 c = 67,75 ab = 69,02 ac = 68,26
bc = 68,73 abc = 68,72 abc = 68,66 bc = 68,66
548,74 548,75

a b c abc ab ac bc 1 / n * 2 k 0,0125
" 2
SC ABC

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

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


2

SCbloque SC ABC
"
SC AB
"
0,0506 0,00456 0,005516

237
Palacios C. Severo

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

Un mtodo rpido para calcular los efectos e interacciones y que pro-


porciona seguridad en el anlisis de varianza posterior, de un diseo
factorial.

Construccin de Yates: La primera mitad de la columna se forma su-


mando el vector respuestas por pares. La segunda mitad de la colum-
na 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 2n.

Si en caso se realizan replicas en el proceso, entonces el calculo de los


efectos deber dividirse por k*2n-1, donde k es el nmero de replicas.
De igual manera para el calculo de la suma de cuadrados multiplicar
por k*2n.

Ejemplo 6.74
Los datos de la tabla 6.70, analizarlo aplicando la tcnica de Yates.

238
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

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 Efectos SC
1 68,72 136,57 275,61 548,74 - -
a 67,85 139,04 273,13 -0,86 -0,215 0,0924
b 69,60 135,68 -1,03 4,24 1,060 2,2472
ab 69,44 137,45 0,17 0,52 0,130 0,0338
c 67,75 -0,87 2,47 -2,48 -0,620 0,7688
ac 67,93 -0,16 1,77 1,20 0,300 0,1800
bc 68,73 0,18 0,71 -0,70 -0,175 0,0612
abc 68,72 -0,01 -0,19 -0,90 -0,225 0,1012
548,74 3,4847

SCtotal Yi 2 Yi / 2 n
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
Diferencia -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

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


2

239
Palacios C. Severo

Problemas

(217) Se estudia la recuperacin del cromo, nquel e hierro de los


desechos de acero inoxidable. La disolucin de dicho acero se
realiza electrolticamente, siendo las variables pH y temperatu-
ra, de acuerdo a los estudios termodinmicos el potencial de la
aleaciones Ea = 2,897. Elabore el ANAVA y analice los efectos e
interacciones del proceso.
pH: 8,88 8,43 7,01 6,92
T: 23,9 28,3 24,3 27,5
Ed: 2,16 2,08 2,22 2,19
(218) Un relave con alto contenido de plata 300 g/ton, es tratado por
flotacin y cianuracin siendo ambos procesos antieconmicos.
Se procede a realizar un estudio de lixiviacin en medio cloru-
rante 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 qu-
mico, el investigador tiene inters en los efectos de los factores
A: H2SO4 87 - 93 %, B: Tiempo 15 - 30 min, C: catalizador 35 -
45 min, D: Temperatura 60 - 80 C.
(220) Un investigador en Bacteriologa esta interesado en el efecto que
tienen dos diferentes medios de cultivo y dos lapsos sobre el cre-
cimiento de un virus en particular. Realiza un diseo factorial 22
en orden aleatorio.
Analice los datos que se muestran. A: 21 - 37, B: 26 - 34.
(221) Se manufacturan circuitos integrados. El proceso bsico de pro-
cedimiento consiste en depositar una capa epitaxial en el tablero
de silicio pulido.
Los tableros se colocan dentro de una campana en el cual se in-
troduce 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

240
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

(222) Se utiliza una aleacin ligera de aluminio-titanio para la fabri-


cacin de componentes aeroespaciales. Se realizo un estudio so-
bre agrietamiento a fin de determinar el efecto de cuatro facto-
res sobre las grietas. Los factores son A: Temperatura, B: Con-
tenido de titanio, C: Tratamiento trmico, D: Contenido de alu-
minio. Se hicieron dos replicas de un diseo 24, se mide la longi-
tud de grieta en mm.
Replica I Replica II
1,7 1,9
1,4 1,4
1,3 1,5
1,6 1,5
1,2 1,3
1,2 1,2
1,4 1,4
1,2 1,2
2,0 2,1
1,8 1,8
1,7 1,9
1,4 1,5
1,8 1,9
1,3 1,2
1,4 1,2
1,3 1,3
Estime los efectos de los factores. Realice un ANAVA.
Existe algn indicio de que algn factor influya en la variabili-
dad de agrietamiento.
(223) Se realiz un experimento en una prensa de dispositivos para
microcomputadoras. Se estudian 5 factores, cada Uno a dos ni-
veles los factores son A: Tiempo, B: Revelado C: Dimensin D:
Corrosin, E: Material.
1 = 8 d = 6 e = 8 de = 7
a = 10 ad = 10 ae = 12 ade = 9
b = 32 bd = 30 be = 35 bde = 34
ab = 50 abd = 53 abe = 52 abde = 55
c = 18 cd = 15 ce = 15 cde = 16
ac = 21 acd = 22 ace = 20 acde = 20
bc = 44 bcd = 45 bce = 45 bcde = 40
abc = 61 abcd = 65 abce = 63 abcde = 60
Realice un ANAVA
Interprete las interacciones significativas
Desarrolle un diseo 25 y un diseo con bloques.
(224) En un estudio del rendimiento de un proceso se consideran 4
factores, cada uno a dos niveles, A: Tiempo 2,5 - 3, B: Concen-
tracin 16 - 18, C: Presin 70 - 90, D: Temperatura 250 - 200.
Se corre una sola replica de un diseo 24.
Y: 12, 18, 13, 16, 17, 15, 20, 15, 10, 25, 13, 24, 19, 21, 17, 23
Realice un ANAVA
241
Palacios C. Severo

Pruebe realizar un diseo por bloques e interprete.


(225) Se elabora galletas, y se desea saber si las variables tienen in-
fluencia en el proceso siendo A: Material vidrio-aluminio, B:
Homogenizado pala-batidor, C: Harina popular-extra. El vector
respuesta es lo crocante. Analice los datos de las replicas.
Replica 1 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 in-
fluencia de tres factores en la vida media de un pesticida qumi-
co aplicado en el suelo. La unidad experimental lo constituirn
recipientes que contienen el suelo sobre el cual se aplica el pesti-
cida. Los niveles de los factores a estudiar son los siguientes:
Niveles
Factores
- +
A: Temperatura (C) 25 35
B: Humedad (%) 15 35
C: Suelo (%) 1 3
Se desarrollan replicas con la finalidad de evaluar la vida media
del proceso, siendo los resultados experimentales:
Y1: 886, 188, 230, 130, 168, 65, 156, 32
Y2: 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 condicio-
nes bajo las cuales se produce, se diseo un experimento facto-
rial considerando los siguientes factores a tres niveles:
Niveles
Factores
- +
A: Concentracin de SO2 (ppm) 0 3000
B: Temperatura (C) 150 350
C: Concentracin de O2 (%) 0 6
D: Humedad (%) 0 20
Se realiza el experimento con la finalidad de controlar la emi-
sin de NO2, 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

242
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Se desea eliminar la presencia de NO 2, por lo que se quiere sa-


ber 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 fi-
nalidad 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 hie-
rro, utilizada para el transporte de agua en la industria petrole-
ra. Una de las variables de mayor importancia fue la tempera-
tura promedio del agua que se usa como refrigerante y la otra la
concentracin del inhibidor. Los niveles de ambos factores son:
Niveles
Factores
- +
A: Temperatura 60 90
B: Inhibidor 10 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.
Niveles
Factores
- +
A: Mo (%) 0.2 0.8
B: W (%) 1.5 3.5

243
Palacios C. Severo

Un investigador decide experimentar pruebas secuenciales, para


lo cual desarrolla las siguientes aleaciones:
Suponiendo que la resistencia del acero es una funcin estable-
cida por:
R 1000 15W 0,5Mo 1 4,52 Mo
Se desea saber:
Cual es la combinacin ptima del aleante para alcanzar la m-
xima resistencia
En cuantas pruebas se puede llegar al mximo
(232) La eficiencia de un fertilizante depende de sus componentes mi-
nerales del suelo que se va a utilizar. Un estudioso decide prepa-
rar diversos tipos de suelos y aplicar el fertilizante a una varie-
dad vegetal y la respuesta esta medida en funcin del rendi-
miento del fertilizante. El contenido de los minerales varia en los
siguientes rangos:
Niveles
Factores
- +
A: Fsforo (%) 0.2 0.6
B: Fertilizante (%) 1.5 3.0
C: Nitrgeno (%) 0.3 0.9
D: Carbono (%) 0.0 0.6
Suponiendo que la eficiencia del fertilizante se puede estimar
mediante la siguiente relacin.
E f 100 e A 0, 05 B 0,5 100B C 1 Tan4 C D 1 A 0,5 D 1,5
4 6 8 2

Diga cual es la combinacin ptima del suelo al alcanzar su


mximo?
En cuantas pruebas se alcanza al objetivo?
(233) Se desea estimar el efecto del SO2 sobre la poblacin cercana a
una fabrica monitoreando la concentracin de este contaminan-
te 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:
Niveles
Factores
- +
A: Tasa de emisividad (g/s) 5 10
B: Altura (m) 30 60
Siendo el vector respuesta:
140 180 200 310 130 320 170 300 280 270 265 275 266

244
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

XVI. DISEO FACTORIAL FRACCIONADO

Los diseos factoriales simples requieren cantidades excesivas de


tiempo, material, conviene encontrar otros diseos que requieran me-
nores 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 im-
portante 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 algu-
nos 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 em-
plee un diseo factorial de dos niveles, las tendencias y otros efectos
confunden las estimaciones.

Cualquier fenmeno emitido en un modelo ajustado confunde ciertos


parmetros estimados en el modelo, sea cual fuere el tipo de diseo
empleado. Los buenos diseos factoriales fraccionados se arreglan
cuidadosamente de tal manera que la estimacin de los efectos que se
piensa son importantes, se confunden por accin de los efectos que se
consideran no importantes.

245
Palacios C. Severo

Puesto que en la investigacin es de inters los efectos principales, es


fundamental que stos no se confundan con otros efectos principales.
En casi todos los diseos factoriales fraccionados comnmente usados,
los efectos principales se confunden con interacciones de alto orden.
Por lo tanto si un experimentador utiliza uno de estos diseos para
medir los efectos principales, deber estar dispuesto a suponer, cuan-
do menos en forma tentativa, que las interacciones con las que se con-
funden los efectos principales son cero o muy pequeas.

Pocos experimentadores evitan usar los diseos factoriales fracciona-


dos debido a la necesidad de hacer tales supocisiones respecto a los
efectos de alto orden.

XVII. MEDIO FRACCIONADO DEL DISEO 2k

Se estudian a partir de k=3 factores en dos niveles cada uno, para lo


cual utilizamos un diseo factorial fraccionado del tipo (1/2)n2k donde
n es la cantidad que debe disminuirse la fraccin.

Ejemplo 6.75
Si tenemos un diseo 23=8 pero queremos una media fraccin por lo
tanto tendremos (1/2)*23=4 combinaciones de tratamiento.
Tabla 6.72 Primer media fraccin del diseo 23
A B C Combinacin
- - + c
+ - - a
- + - b
+ + + abc

Ntese que el diseo 23-1 se forma al seleccionar slo las combinaciones


de tratamiento que producen la multiplicacin de signos, donde C=AB.

Es posible construir la combinacin de tratamientos del diseo 2k-1


completo igualando el factor C por la interaccin -AB, de amplia apli-
cacin cuando los efectos principales son negativos, pero tienen una
gran influencia en el proceso.
Tabla 6.73 Segunda media fraccin del diseo 23
A B C=-AB Combinacin
- - - 1
+ - + ac
- + + bc
+ + - ab

246
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

El uso del diseo factorial fraccionado a menudo conduce a una gran


economa y eficiencia en la experimentacin, especialmente si los en-
sayos pueden hacerse en sucesin. Por ejemplo, supongamos que se
estn investigando k=5 factores (25 ensayos). Es preferible realizar un
diseo fraccionado 25-1 (16 ensayos) analizar los resultados y decidir el
mejor conjunto de ensayos que deben recopilarse despus.

Ejemplo 6.76
Consideremos el experimento de la autoclave, el diseo mostrado en la
tabla 6.74, consta de una rplica del diseo 24. En este estudio, los efec-
tos principales B, C y la interaccin CD resultaron diferentes de cero.

Utilizaremos el diseo 24-1con D=ABC. Para construir el diseo prime-


ro se escribe el diseo base de 23 que se mueve en las primeras tres
columnas tal como se indican en la tabla.
Tabla 6.74 Diseo 24-1con D=ABC
A B C D=ABC Combinacin Y
- - - - 1 71
+ - - + ad 88
- + - + bd 68
+ + - - ab 65
- - + + cd 83
+ - + - ac 95
- + + - bc 86
+ + + + abcd 70

Los efectos e interacciones se calculan idem a las factoriales norma-


das.

A 1/ 4 71 88 68 65 83 95 86 70 2,5 A BCD

B 12 B ACD

C 10,5 C ABD

D 2 D ABC

AB 1,2 AB CD

AC 4,5 AC BD

BC 1,0 BC AD

Podemos concluir que los efectos principales B y C son grandes y que


la interaccin AB tambin es significativa.
247
Palacios C. Severo

Para ver la efectividad de este diseo investigaremos un diseo 25-1con


cinco factores.

Tabla 6.75 Diseo 25-1con E=ABCD


A B C D E=ABCD Combinacin Y
- - - - + e 12
+ - - - - a 18
- + - - - b 13
+ + - - + abe 16
- - + - - c 17
+ - + - + ace 15
- + + - + bce 20
+ + + - - abc 15
- - - + - d 10
+ - - + + ade 25
- + - + + bde 13
+ + - + - abe 24
- - + + + cde 11
+ - + + - acd 21
- + + + - bcd 17
+ + + + + abcde 23

Calculo de efectos e interacciones:

A 5,5 A BCDE B 1,5 B ACDE C 1,0 C ABDE


D 2,25 D ABCE E 0,0 E ABCD AB 1,75 AB CDE
AC 3,25 AC BDE AD 5,0 AD BCE AE 0,25 AE BCD
BC 1,25 BC ADE BD 1,0 BD ACE BE 0,75 BE ACD
CD 1,0 CD ABE CE 0,25 CE ABD DE 0,0 DE ABC

Tabla 6.76 Anlisis de varianza del diseo 25-1


Fuente SC GL CM Fo Ft(99)
A 121,00 1 121,00 4,73 > 3,29
D 20,25 1 20,25 0,79 < 3,29
AB 12,25 1 12,25 0,48 < 3,29
AC 42,24 1 42,24 1,65 < 3,29
AD 100,00 1 100,00 3,91 > 3,29
Error 256,00 10 25,60
Total 550,75 15

La suma de cuadrados del modelo es:

SCmodelo SC A SCD SC AB SC AC SC AD 295,75

XVIII. CUARTO FRACCIONADO DEL DISEO 2k

248
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Cuando hay un nmero grande de factores. Hay que considerar una


fraccin de un cuarto del diseo 2k este diseo contiene 2k-2 ensayos.

Este diseo se puede construir escribiendo primero las combinaciones


de tratamiento asociado con el factorial completo con k-2 factores.
Despus se asocian las dos columnas adicionales con las interacciones
elegidas apropiadamente, que incluyen los primeros k-2 factores.

Los alias estructurados para un diseo 26-2 son:


A BCE DEF ABCDF B ACE CDF ABDEF C ABE BDF ACDEF
D FBC AEF ABCDE E ABC ADF BCDEF F BCD ADE ABCEF
AB CE ACDF BDEF AC BE ABDF BDEF AD EF BCDE ABCF
AE BC DF ABCDF AF DE BCEF ABCD BD CF ACDE ABEDF
BF CD ACEF ABDE ABD CDE ACF BEF ACD BDE ABF CEF

Ejemplo 6.77
Se ha aplicado la tcnica experimental para la optimizacin de un
proceso en donde se consideran seis variables a dos niveles
A: 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)226= 24 en que


confundimos los siguientes factores e interacciones E=-ABC, F=BCD.
Tabla 6.77 Diseo 26-2con E=ABC y F=BCD
A B C D E=ABC F=BCD Combinacin Y
- - - - - - 1 92,0
+ - - - + - aef 90,0
- + - - + + bef 91,0
+ + - - - + abf 91,2
- - + - + - cdf 90,3
+ - + - - - acf 92,0
- + + - - - bc 90,2
+ + + - + - bce 89,5
- - - + - + df 92,3
+ - - + + + abef 92,8
- + - + + - bde 90,7
+ + - + - - abd 90,4
- - + + + - cde 91,6
+ - + + - - acd 92,6
- + + + - + bcdf 91,6
+ + + + + + Abcdef 92,0

Los efectos e interacciones son:

249
Palacios C. Severo

A 0,12 B 0,87 C 0,01


D 1,20 E 0,66 F 0,73
AB CE 0,17 AC BE 0,43 BC AE BF 0,16
AD EF 0,27 BD CF 0,32 CD BF 0,43
AF DE 0,66 ABD CED 0,17 ACD ABF 0,14
Obtenemos informacin clara sobre los efectos principales si se consi-
deran que las interacciones de tercer orden y superior son insignifica-
tivas. Respecto a las interacciones de segundo orden observamos que
estn confundidas entre si y con interacciones de cuarto orden; su
anlisis permitir comprobar el comportamiento lineal de nuestros
vectores respuestas en la regin experimental estudiada.

El anlisis de varianza se muestra en la tabla 6.78. Para decidir si una


variable es o no significativa en el rango experimental estudiado, en el
nivel de significanca del 99%, el cual nos proporciona esta seguridad
en el anlisis de varianza para el vector respuesta indican que A, C y E
no son significativas en los niveles elegidos y podemos suponer que
estamos en el rango elegido para estas variables.

Tabla 6.78 Anlisis de varianza para el diseo 26-2


Fuente SC GL CM Fo Ft(99)
B 3.06 1 3.06 7,89 > 4,85
D 4.20 1 4.20 10,83 > 4,85
F 2,18 1 2,18 5,60 > 4,85
AF+DE 1,76 1 1,76 4,53 < 4,85
Error 4,27 11 0,39
Total 15,47 15

250
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Problemas

(234) Deseamos mejorar el rendimiento de un proceso, en un diseo


25-2 se investigan 5 factores, confundiendo E= ABCD siendo su
vector respuesta.
Y: 98, 99, 94, 82, 86, 92, 85, 90, 86, 90, 80, 90, 85, 81, 84, 93
(235) Se trabaja a nivel Bach un proceso cataltico, se asume que la
respuesta de inters es la reaccin de variables. Cuatro factores
han sido propuestos como variables, a dos niveles.
Aplique un diseo 26-3 siendo su nivel respuesta.
Y: 53, 83, 62, 77, 75, 84, 75, 86
(236) Deseamos mejorar el rendimiento de un proceso, en un diseo
27-4 se investigan 7 factores, confundir D=AB, E=AC, F=BC,
G=ABC.
Y: 70, 65, 80, 95, 88, 91, 85, 87
(237) Se utiliza un diseo 25-2 para investigar el efecto sobre el rendi-
miento 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 fue-
ron los siguientes:
e = 23.2 ad = 16.9 cd = 23.8 bde = 16.8
ab = 15.5 bc = 16.2 ace = 23.4 abcde = 18.1
Determine la relacin generadora de este diseo.
Escriba las relaciones de alias de este diseo.
Calcule los efectos. Determine cules de ellos son importantes.
Cmo llevara a cabo el anlisis para este experimento.
(238) Es posible disear un experimento 25-2 en el cual no se realice
ninguna medicin en la cual los factores A y C se encuentren
ambos en alto al mismo tiempo?
(239) Usted acaba de ser contratado como jefe de planta en una fbri-
ca 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 ex-
perimento factorial fraccionado de la forma 24-1 para estudiar la
situacin. La estructura de dicho experimento es la siguiente
A = tiempo de fermentacin.
B = % de cebada presente.
251
Palacios C. Severo

C = % de arroz presente.
D = % de maz presente.
(1), ab, c, abc, d, abd, cd, abcd
Escriba la matriz de diseo del experimento anterior y diga cua-
les efectos se encuentran confundidos.
Es este un diseo ortogonal? Cul es la resolucin del diseo?
Qu crticas le merece esta estructura de experimentacin?
Si alguien le propusiera utilizar un experimento de la forma 242
para investigar esta situacin, qu le respondera usted?
Un par de semanas despus, ya un poco ms calmado y con un
mayor conocimiento del proceso, usted decide que existe un
quinto factor influyente:
E = tiempo de maduracin.
Escriba la matriz de diseo un nuevo experimento, esta vez de la
forma 25-2, que permita tomar en cuenta este factor adicional y
que evite los problemas presentados en el diseo anterior.
Encuentre los efectos confundidos en este nuevo diseo. Cul es
la resolucin del mismo?
Qu puntos se encuentran dentro de esta fraccin?
(240) Usted est recin graduado y acaba de entrar a trabajar en la
empresa Soda, la cual elabora galletas. La compaa ha presen-
tado algunos problemas econmicos en los ltimos tiempos, as
que su misin es tratar de incrementar la calidad y la producti-
vidad. Se le pide estudiar la influencia de tres variables sobre la
textura de la galleta:
A = tiempo en el horno.
B = % de leche.
C = tipo de harina (nacional o importada)
Escriba la matriz de diseo para un experimento 23 (completo).
A partir de esa matriz de diseo tome las siguientes medidas:
Nivel 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 po-
dra interpretarse el diseo anterior en funcin de un diseo 2 2,
donde slo estuviesen involucrados los factores A y B?

252
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

(241) Usted es gerente de una planta de produccin de detergentes. Se


detect que un problema de llenado se deba a la variabilidad en
la densidad del detergente, por lo que se decidi realizar un ex-
perimento para determinar cules factores del proceso de pro-
duccin afectan la densidad. Los factores (a 2 niveles) a conside-
rar 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 ingredien-
tes.
(242) Debido a que cada corrida corresponde a un da de produccin,
se decidi reducir el tamao del experimento, de 27 = 128 corri-
das, a una fraccin de 27-3.
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
bdeg 295.0
abe 405.0
cde 393.0
aceg 432.0
bcef 325.0
abcdefg 193.5
Diga cul es la estructura de confusiones del experimento.
Determine cules factores influyen significativamente en la den-
sidad 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 va-
riables sobre las propiedades fsicas de cierto tipo de asfalto.
Llamemos A, B, C, D, E y F a esas variables.
Si se lleva a cabo un diseo factorial completo a dos niveles
cuntas corridas deben hacerse?

253
Palacios C. Severo

Escriba una cuarta fraccin del diseo que requiera slo 16 co-
rridas. Escriba una relacin generadora para este diseo.
En el diseo que usted realiz, qu efectos estn confundidos con
A y con BD.
(244) Considere un diseo factorial fraccional 25-2. Estudie la estruc-
tura de confusiones y la resolucin de las fracciones que se ob-
tienen de las siguientes formas:
Partiendo de un 25 completo, se toman aquellos puntos donde las
interacciones ABCDE y ABCD estn ambas a nivel alto.
Partiendo de un 25 completo, se toman aquellos puntos donde
dos interacciones de cuarto orden ABCD y BCDE estn en nivel
alto.
Partiendo de un 25 completo, tomando los puntos donde dos in-
teracciones de tercer orden estn a nivel alto.
Partiendo de un 23, asignando factores adicionales a dos inter-
acciones de segundo orden, por ejemplo AB y AC.
(245) Suponga que se le presentan las siguientes alternativas:
Correr un diseo 26 completo.
Correr un diseo 26-2 replicado cuatro veces.
Comente en que condiciones es preferible utilizar uno u otro
(246) Se describe un experimento en el cual se utiliz un diseo 25-1 con
I = ABCDE para investigar los efectos de cinco factores sobre el
color de un producto qumico. Los factores son A: solven-
te/reactivo, B: catalizador/reactivo, C: temperatura, D: pureza
del reactivo y E: pH del reactivo. Los resultados fueron como si-
gue:
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 dise-
o 25-1 a un factorial completo con los factores significativos.
Suponga que debe correr un experimento 25, pero que por res-
tricciones 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 blo-
ques.

254
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

(247) Se estudia la influencia de 7 factores sobre la viscosidad de un


aceite producido en una nueva planta experimental. Para ello se
utiliz un diseo 27-3 donde I=-ABCE=BCDF=ACDG son los ge-
neradores utilizados. Los resultados obtenidos son:
Analice los resultados obtenidos y determine los factores signifi-
cativos 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: tempe-
ratura del horno, B: tiempo de calentamiento, C: tiempo de
transferencia, D: tiempo de inmersin y E: temperatura del
aceite de templar. Los datos se presentan enseguida:
A B C D E I II II
- - - - - 7,78 7,78 7,81
+ - - + - 8,15 8,18 7,88
- + - + - 7,50 7,56 7,50
+ + - - - 7,59 7,56 7,75
- - + + - 7,54 8,00 7,88
+ - + - - 7,69 8,09 8,06
- + + - - 7,56 7,52 7,44
+ + + + - 7,56 7,81 7,69
- - - - + 7,50 7,25 7,12
+ - - + + 7,88 7,88 7,44
- + - + + 7,50 7,56 7,50
+ + - - + 7,63 7,75 7,56
- - + + + 7,32 7,44 7,44
+ - + - + 7,56 7,69 7,62
- + + - + 7,18 7,18 7,25
+ + + + + 7,81 7,50 7,59
Determine la estructura de confusiones para este diseo.

255
Palacios C. Severo

Cules son los puntos incluidos en este diseo


Qu factores influyen en la altura libre media
Existe evidencia de que alguno de los factores influya en la va-
riabilidad 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 visco-
sidad de un detergente lquido. Para ello se ha decido utilizar un
diseo 23 con una sola rplica, el cual debe desarrollarse en dos
bloques. Cul de las siguientes dos opciones preferira y por
qu?
Opcin 1:
Bloque I Bloque II Bloque III Bloque IV
a (1) b ac
abc bc c ab
Opcin 2:
Bloque I Bloque II Bloque III Bloque IV
(1) b a ab
abc ac bc c
(250) Si alguien le propone correr un experimento 26 en ocho bloques,
qu le dira?
(251) En un esfuerzo por incrementar la produccin se realiz un ex-
perimento en una planta de manufactura de dispositivos de se-
miconductor. Se estudiaron cinco factores, cada uno a dos nive-
les. Los factores y niveles son. A: apertura del diafragma (pe-
quea, grande), B: tiempo de exposicin (20% abajo y arriba del
valor nominal), C: tiempo de revelado (30 y 45 seg), D: dimen-
sin 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

256
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

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 2k ms pequeo.
(252) Se desea realizar un experimento 25-1, pero los lotes de materia
prima permiten correr un mximo de 10 puntos en cada uno.
Indique como debera realizarse este experimento.
(253) Una planta qumica produce oxgeno licuando aire y separndo-
lo en los diferentes gases que lo componen por medio de destila-
cin 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 condicio-
nes actuales de operacin son temperatura (1) = -220C y co-
ciente de presin (2) = 1.2. Usando los datos que se dan a conti-
nuacin, ajuste un modelo de primer orden, pruebe las hiptesis
necesarias para comprobar su ajuste y determine el camino de
ascenso mximo.
Temperatura Cociente de
Pureza (%)
(1) presiones (2)
-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 aurfe-
ros mediante un Factorial Fraccionado 28-4, toma las siguientes
variables y rangos.
Niveles
Factores - 0 +
X1: Aglutinante (kg/t) 5 10 15
X2: Sal oxidante (kg/t) 0,1 0,8 1,5
X3: Tipo mineral 1/2 1/1 2/1
X4: Humedad (%) 10 14 18
X5: Aglomerante (kg/t) 0,0227 0,068 0,1134
X6: Agente lixiviante ppm 0 50 100
X7: Radio riego (l/h.m) 5 7,5 10
X8: tiempo curado (h) 16 56 96
Prueba X1 X2 X3 X4 X5 X6 X7 X8 Y
1 - - - - - - - - 76,3
2 + - - - + + + - 80,8
3 - + - - + + - + 86,2
4 + + - - - - + + 84,3

257
Palacios C. Severo

5 - - + - + - - + 79,1
6 + - + - - + - + 85,7
7 - + + - - - + - 82,2
8 + + + - + - - - 81,9
9 - - - + - + + + 81,8
10 + - - + + - - + 87,5
11 - + - + + - + - 71,9
12 + + - + - + - - 79,3
13 - - + + + + - - 81,6
14 + - + + - - + - 87,4
15 - + + + - - - + 85,0
16 + + + + + + + + 84,2
17 0 0 0 0 0 0 0 0 85,9
18 0 0 0 0 0 0 0 0 85,6
19 0 0 0 0 0 0 0 0 83,0
20 0 0 0 0 0 0 0 0 85,7
Analice los datos de % de recuperacin de oro de todas las pruebas
estadsticamente para determinar el grado de influencia de cada va-
riable independientemente y sus interacciones.

258
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

XIX. DISEO DE PLACKETT BURMAN

Es posible construir diseos para investigar hasta K=N-1 factores con


slo N ensayos, en donde N es un mltiplo de 4.

Frecuentemente estos diseos son tiles en la experimentacin indus-


trial. De particular importancia son las que requieren ocho ensayos
para hasta siete factores y diecisis ensayos para hasta quince facto-
res. Se dice que este es una Variedad del diseo factorial fraccionado.

Estas variedades son muy tiles para estudiar factores que no han
sido estudiados. El primer diseo es una fraccin de un diseo 2 7. Esta
puede construirse escribiendo primero los niveles positivo y negativo
de un diseo 23 completo con los factores ABC y despus conocido los
niveles de los otros cuatro factores con las interacciones de los tres
factores originales como aparece: D=AB, E=AC, F=BC, G=ABC.

El diseo constituye una fraccin de dieciseisavo y, adems, es una


fraccin principal los signos generadores son positivos.

Es posible utilizar los siete grados de libertad de este diseo.

Para estimar los siete efectos principales. Cada uno de estos factores
tiene quince alias. Sin embargo, la estructura de los alias se simplifica
considerablemente, si se supone que las interacciones de tres o ms
factores son despreciables. Haciendo esta suposicin, cada combina-
cin 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 nega-


tivos 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 -+-+++---+++++-+++--+----+-+-++--+-

259
Palacios C. Severo

El diseo de 12 corridas se proyectar en tres rplicas de un diseo 2 2


completo en cualquiera de los 11 factores originales.
Tabla 6.79 Diseo PLACKETT-BURMAN para N=8 y k=7
Prueba A B C D E F G
1 - - - - + + +
2 + - - + + - -
3 - + - + - + -
4 + + - - - - +
5 - - + + - - +
6 + - + - - + -
7 - + + - + - -
8 + + + + + + +

Sin embargo, en tres factores el diseo proyectado es un factorial 2 3


completo ms un factorial fraccionado 23-1.

Los diseos Plackett-Burman se obtienen escribiendo el rengln apro-


piado 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 elemen-
to en la primera posicin. Simultneamente, se genera una tercera
columna o rengln a partir de la segunda. Este procedimiento se con-
tina hasta que se genera la columna o rengln k. A continuacin se
agrega un rengln de signos negativos para cada factor. Por ejemplo

XYZ XYZ
ZXY YZX
YZX ZXY

Los diseos de Plackett-Burman tienen estructura de alias muy intrin-


cada. En un diseo de doce pruebas, cada efecto principal tiene todo
los alias parcial y toda interaccin de dos factores en la que no parti-
cipe 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 prue-
bas. Este diseo se proyecta en tres replicas de un diseo 22 completo
en cualquiera de los once factores originales. Sin embargo en tres fac-
tores el diseo proyectado es un factor 23 completo ms un factorial
fraccionado.

Ejemplo 6.78

260
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Se estudia la flotacin de un mineral sulfurado de cobre. Los factores


que inicialmente se consideran importantes son: Colector (A), espu-
mante (B), tiempo de acondicionamiento (C), agitacin (D), tempera-
tura (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 estu-
dios futuros sobre estos factores.

Tabla 6.80Diseo PLACKETT-BURMAN para N=8 y k=7


Prueba A B C D E F G Y Y2
1 - - - - + + + 92 31,8
2 + - - + + - - 90 35,8
3 - + - + - + - 91 29,1
4 + + - - - - + 91,2 36,2
5 - - + + - - + 91,6 44,5
6 + - + - - + - 92 36,1
7 - + + - + - - 91,6 38,1
8 + + + + + + + 92 31,6

Donde:

Y porcentaje de recuperacin.
Y2 porcentaje de eficiencia de la recuperacin, parmetro definido

Como

Y2
C hY
Cm h

C = Ley de concentrado obtenido


Cm= Ley de cabeza
h = Ley mxima de concentracin obtenida

Con los datos es posible estimar los siete efectos principales y sus
alias:

LA 1 A BD CE FG LB 0,2 B AD CF EG LC 3 C AE BF DG
L 2,2 D AB CG EF

D
LE 2,6 E AC BG DF LF 0,2 F BC DG DE
LG 2,2 G CD BE AF

Los tres efectos ms grandes son C, D, E. La interpretacin ms simple


de datos es que los efectos principales de C, D y E son significativos.
Sin embargo, esta interpretacin no es nica, ya que se pude concluir
261
Palacios C. Severo

lgicamente que C, D y la interaccin CD o quizs D, E y la interaccin


DE, o quizs C, E y la interaccin CE son los efectos verdaderos.
Tabla 6.81 Diseo PLACKETT-BURMAN para N=8 y k=7
Prueba A B C D E F G Y Y2
1 - - - - + + + 94 3,2
2 + - - + + - - 91 11,7
3 - + - + - + - 94,6 55,3
4 + + - - - - + 92,2 48,4
5 - - + + - - + 92,5 48,4
6 + - + - - + - 93,2 48,6
7 - + + - + - - 92,6 35,8
8 + + + + + + + 92,6 45,0

Obsrvese que CDE en una palabra es la relacin definitiva para este


diseo. Por lo tanto, este diseo no se proyecta en una factorial 2 3
completo en CDE; ms bien, se proyecta en dos rplicas de un diseo
factorial fraccionado 23-1, de modo que las interacciones no puedan
separarse de los efectos principales. Al parecer el experimentador no
tuvo xito al escoger los factores. Si hubiese asignado el nivel A en vez
de D y B en vez de E, el diseo se habra proyectado en un diseo 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:

LA 4,2 A BD CE FG LB 0,8 B AD CF EG LC 1,4 C AE BF DG


L 0,4 D AB CG EF

D
L 6,6 E AC BG DF

E
LF 2,8 F BC DG DE
LG 0,8 G CD BE AF

Al combinar esta fraccin con la original se obtiene las siguientes es-


timaciones de los efectos:

Tabla 6.82
i (Li+Li) ( Li+Li)
A A = 1,6 BD+CE+FG = -2,6
B B = -0,3 AD+CF+EG = 0,5
C C = 2,2 AE+BF+DG = 0,8
D D = 0,9 AB+CG+EF = 1,3
E E = -2,0 AC+BG+DF = 4,6
F F = 1,3 BC+AG+DE = -1,5
G G = -0,7 CD+BE+AF = -1,5

Ejemplo 6.79

262
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

El ejemplo 6.78 se desea estudiar mediante el diseo Plackett-Burman


con bloques.

Tabla 6.83 Diseo PLACKETT-BURMAN con bloque


Prueba A B C D E F G Y
1 - - - + + + - 92
2 + - - - - + + 90
3 - + - - + - + 91
4 + + - + - - - 91,2
5 - - + + - - + 91,6
6 + - + - + - - 92
7 - + + - - + - 91,6
8 + + + + + + + 92

Bloque I Bloque II
def = 92,0 afg = 90,0
abd = 91,2 beg = 91,0
ace = 92,0 adg = 91,6
bcf = 91,6 abcdefg = 92,0
366,8 364,6
731,4

SCbloque 366,82 364,6 2 / 4 731,4 / 8 0,605


2

SCtotal 92 2 90 2 ... 91,6 2 92 2 731,4 / 8 3,315


2

SCerror SCB SCG 0,01

SC A 0,125 SCB 0,005 SCC 1,125


SCD 0,605 SCE 0,845 SCF 0,005

Efectos:
A 0,25 B 0,05 C 0,75 D 0,55
E 0,65 F 0,05 G 0,55

Tabla 6.84 Anlisis de varianza


Fuente SC GL CM Fo Ft(99)
Bloque 0,605 1 0,605 121 > 98,5
A 0,125 1 0,125 25 < 98,5
C 1,125 1 1,125 225 > 98,5
D 0,605 1 0,605 121 > 98,5
E 0,845 1 0,845 169 > 98,5
Error 0,010 2 0,005
Total 3,315 7 R2 = 99,69%

Para el clculo de los efectos e interacciones y suma de cuadrados, se


procedi por la tcnica de Yates. Se ha decidido que las interacciones

263
Palacios C. Severo

de valores mnimos son despreciables, por lo que la suma del error se


tomo como la suma de cuadrados de B y F. Para el bloque se tomo la
suma de cuadrados de G.
Problemas

(255) Al problema 193 del diseo factorial fraccionado. Evalu por el


mtodo de Plackett-Burman y concluya las diferencias.
(256) Se estudia un proceso nuevo con siete factores aplique el mtodo,
siendo D=-AB, E=-AC, G=-ABC
Y: 94, 91, 94, 92, 93, 91, 94, 95
(257) Se recupera oro por un mtodo innovativo, se tienen siete facto-
res, aplique Plackett-Burman, tome G=-ABC. Se obtiene dos vec-
tores respuesta.
Y1: 90,9 90,2 92,8 93,6 92,2 93,5 93,3 94,0
Y2: 92,0 90,0 91,0 91,2 90,3 92,0 90,2 89,5
(258) Se lixivio una cola sulfurada con contenido de plata, plomo y
cobre, en medio clorurante-oxidante, con el fin de aumentar la
solubilidad de la plata en forma compleja AgCI-. Efectuando el
estudio de los diagramas de Pourbaix y estabilidad de los com-
plejos. 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 experi-
mento 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 oxidan-
tes en medio cido (Patente del Autor) siendo las variables A:
cloruro de sodio B: cido sulfrico, C: agente oxidante D: tiem-
po, E: tamao de grano, F: porcentaje de slidos, G: temperatu-
ra. El experimento se efectu en un tanque de agitacin, Obte-
nindose 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 (Paten-
te del Autor) siendo sus variables A: porcentaje de slidos, B:
cido sulfrico, C: cido clorhdrico, O: cloruro de sodio, E:
Agente oxidante, F: tiempo de acondicionamiento, G: Tempera-
tura. 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 blo-
que replicado.
264
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

(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 mlti-
ples anlisis se ha establecido que la causa se debe a
Niveles
Factores
- +
A: Tipo de agua Pozo Canal
B: Temperatura de filtracin Media Alta
C: Reciclado S No
D: Flujo de adicin de base Media Alta
E: Material del filtro Nuevo Usado
F: Tiempo de almacenamiento Medio Alto
Se desea realizar la experiencia con el menor nmero de pruebas
posibles y el menor tiempo posible, como mnimo 8 pruebas.
Establezca la estructura Alias, y verifique que efectos estn
mezclados entre s y que efectos pueden estimarse como constan-
tes?
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 es-
tn 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
Niveles
Factores
- +
A: Tipo de materia prima Original Usada
B: Granulometra del material Fina Gruesa
C: Aglutinante 1 8
D: Material usado 0 2
E: Cantidad de carga 120 150
F: Colorante 43 63
G: Aditivo 0 4
Despus de realizar mltiples ensayos se midi el nmero de
productos rechazados por cada 100.
10, 21, 17, 15, 30, 5, 12, 25, 36, 45, 28, 16
Como se reducira el nmero de productos rechazados producto
de la mala distribucin de la temperatura en el horno de secado?

265
Palacios C. Severo

(266) El diseo experimental para la lixiviacin de minerales aurfe-


ros mediante el Plackett-Burman, toma las siguientes variables
y rangos.
Niveles
Factores - 0 +
X1: Aglutinante (kg/t) 5 10 15
X2: Sal oxidante (kg/t) 0,1 0,8 1,5
X3: X4: Humedad (%) 10 14 18
X4: Aglomerante (kg/t) 0,0227 0,068 0,1134
X5: Agente lixiviante ppm 0 50 100
X6: Radio riego (l/h.m) 5 7,5 10
X7: tiempo curado (h) 16 56 96
Se desarrolla el proceso con pruebas centrales.
YF 76,3 80,8 86,2 84,3 79,1 85,7 82,2 81,9
YC 85,9 85,6 83,0 85,7
Analice los datos de % de recuperacin de oro de todas las prue-
bas estadsticamente para determinar el grado de influencia de
cada variable independientemente y sus interacciones.

266
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

XX. DISEOS FACTORIALES 3n

La inclusin de ms factores al diseo de tratamientos aumenta la


complejidad de los patrones de interaccin entre los factores de tra-
tamiento. 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 combina-
ciones. Un cuarto factor, D, con d niveles aumenta el nmero de tra-
tamientos 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 inter-
acciones de primer orden adicionales, AC y BC, amplan las inferen-
cias del estudio y debe considerarse adems una interaccin de segun-
do orden o de tres factores (o triple), ABC. Las interacciones de tercer
orden o de cuatro factores como ABCD, introducen mayor compleji-
dad 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 Medias Sl Sq Dl Dq SlDl SlDq SqDl SqDq
0 14 2,75 -1 1 -1 1 1 -1 -1 1
21 5,35 -1 1 0 -2 0 2 0 -2
28 12,80 -1 1 1 1 -1 -1 1 1
6 14 4,10 0 -2 -1 1 0 0 2 -2
21 6,55 0 -2 0 -2 0 0 0 4
28 10,20 0 -2 1 1 0 0 -2 -2
12 14 3,10 1 1 -1 1 -1 1 -1 1
21 5,20 1 1 0 -2 0 -2 0 -2
28 7,95 1 1 1 1 1 1 1 1
P YCij
ij -4,7 -4,6 21,0 6,7 -5,2 -4,2 2,7 3,1
P
2
6,0 18,0 6,0 18,0 4,0 12,0 12,0 36,0
7,2 2,3 147,0 5,0 13,5 2,9 1,2 0,5
Cij

SC
-0,78 -0,25 3,50 0,37 -1,30 -0,35 0,23 0,09
Efectos


SC r PCij Y ij / PC2ij Efecto PCij Y ij / PC2ij

Clculo de los coeficientes para contraste polinomial ortogonal de las interacciones


Sl -1 -1 -1 0 0 0 1 1 1
Dl -1 0 1 -1 0 1 -1 0 1
SlDl 1 0 -1 0 0 0 -1 0 1

Ejemplo 6.80

267
Palacios C. Severo

El camarn desova en el mar y los huevos se transforman en lama


mientras son transportados a la costa, pasada la etapa larvaria en-
tran 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 tan-
ques de cultivo, ya que esta afecta la competencia entre los ejemplares
adultos y jovenes.

Tabla 6.86 Aumento del peso de los camarones cultivados en acuarios


T D S Aumento peso (mg)
25 80 10 86 52 73
25 544 371 482
40 390 290 397
160 10 53 73 86
25 393 398 208
40 249 265 243
30 80 10 439 436 349
25 249 245 330
40 247 277 205
160 10 324 305 364
25 352 267 316
40 188 223 281

Tabla 6.87 Anlisis de varianza para el aumento de peso en los camarones cultivados
Fuente SC GL CM Fo Ft(99)
Temperatura 15376,00 1 15376,00 5,30 < 7,24
Salinidad 96762,50 2 48381,25 16,66 > 5,61
Densidad 21218,78 1 21218,78 7,31 > 7,24
TS 300855,17 2 150427,58 51,80 > 5,61
TD 8711,11 1 8711,11 3,00 < 7,24
SD 674,39 2 337,19 0,12 < 5,61
TDS 24038,39 2 12019,19 4,14 < 5,61
Error 69690,67 24 2903,78
Total 537327,01 35

Tabla 6.88 Aumento de peso en cuatro semanas de camarones


Densidad
Temperatura (80C) Temperatura (160C)
Salinidad (%) 25 35 25 35 YK

268
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

10 70 408 71 331 220


25 466 275 333 312 346
40 359 243 252 231 271
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 compa-
raciones especficas; el error estndar para cualquier media es
SY CM e / n , donde n es el nmero de observaciones en la media y el
error estndar de la diferencia entre cualquier par de medias es
S Y i Y j 2CM e / n . Los errores estndar estimados para el experi-
mento de cultivo de camarn se muestran en la tabla 6.89
Media TxD Media DxS
D S
T 10 25 40 Yi D 10 25 40 Yi
25 71 399 306 259 80 239 370 301 303
35 370 293 237 300 160 201 322 242 255

Interpretaciones de los efectos de los factores

La significanca de la interaccin de estos factores indica que tempera-


tura, 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 interac-


cin entre dos de ellos no es constante para los niveles del tercer fac-
tor. Considere la interaccin entre la densidad y la salinidad por sepa-
rado, 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 tempe-
ratura, los efectos simples de la salinidad se estiman mejor como con-
trastes polinomiales ortogonales lineales y cuadrticas para cada
combinacin de temperatura y densidad.
Tabla 6.89 Errores estndar para las medias de celdas y marginales
Temperatura: a=2 niveles; Densidad: b= 2 niveles; Salinidad: c= 3 niveles
Medias de los factores principales
Temperatura Salinidad Densidad
CM e 2903,78 CM e 2903,78 CM e 2903,78
12,7 15,6 12,7
rbc 18 rab 12 rac 18
Medias marginales de dos factores

269
Palacios C. Severo

Densidad por temperatura Densidad por salinidad

CM e 2903,78 CM e 2903,78
18,0 22,0
rc 9 ra 6
Salinidad por temperatura Medias de celdas

CM e 2903,78 CM e 2903,78
22,0 31,1
rb 6 r 3

25C 35C
500 x 500

x
400 400
x
o o
o
Ganancia

300 300 x

Gain
o x
200
o
200
x Densidad 80
x Densidad 80 o Densidad 160
100 x o Densidad 160 100
o

0 0
10 15 20 25 30 35 40 10 15 20 25 30 35 40
Salinidad Salinidad

Aumento en el peso de los camarones cultivados en un arreglo factorial de


2x2x3 de temperatura, densidad y salinidad

Los coeficientes cuadrticos de salinidad se calcularon como contras-


tes polinomiales ortogonales para las cuatro combinaciones de tempe-
ratura y densidad, a partir de las medias de celdas de la tabla 6.86,
con un patrn similar al que proporciona la tabla 6.88. Por ejemplo, el
coeficiente cuadrtico de salinidad a 25C y densidad de 80 es:

70 2466 359 503 83,8


1 2 1 6

con error estndar 2903, / 6(3) 12,7 . Las estimaciones de un ICS del
95% se calcularon para los cuatro coeficientes segn la t 0,5,4,24 2,70
de Bonferroni.

Las estimaciones de un ICS del 95% para los coeficientes cuadrticos


de una salinidad a 25C son (-118,1; -49,5) para una densidad de 80 y
(-91; -22,9) para una densidad de 160, mientras que las estimaciones
respectivas para esas densidades a 35C son (-17,5; 51,1) y (44,6;
24,0). Es claro que la cuadratura a 25C es significativa, ya que el ICS

270
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

del 95% no incluye al 0; y no significativa a 35C, pues esos intervalos


s lo incluyen.

Problemas

(267) Los datos representan el porcentaje de hombres entre 55 y 64


aos con niveles auditivos de 16 decibeles por encima del cero
mtrico de sonido. Las categoras por rengln son los niveles de
sonido en ciclos por segundo (hertz) y las columnas describen
siete categoras ocupacionales.
B
A 1 2 3 4 5 6 7 Yi Y i y
1 2,1 6,8 8,4 1,4 14,6 7,9 4,8 6,6 -31,6
2 1,7 8,1 8,4 1,4 12,0 3,7 4,5 5,7 -32,5
3 14,4 14,8 27,0 30,9 36,5 36,4 31,4 27,3 -10,9
4 57,4 62,4 37,4 63,3 65,5 65,6 59,8 58,8 20,6
5 66,2 81,7 53,3 80,7 79,7 80,8 82,4 75,0 36,8
6 75,2 94,0 74,3 87,9 93,3 87,8 80,5 84,7 46,5
7 4,1 10,2 10,7 5,5 18,1 11,4 6,1 9,4 -28,8
Yi 31,6 39,7 31,4 38,7 45,7 41,9 38,5 Y 38,2
Y i y -6,6 1,5 -6,8 0,5 7,5 3,7 0,3
pi 6719 7730 5046 7776 6850 7313 7192
(268) Un proceso de produccin qumica consiste en la primera reac-
cin 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 reac-
cin.
Alcohol
Base 1 2 3
91,3 89,9 89,3 88,1 89,5 87,6
1
90,7 91,4 90,4 91,4 88,3 90,3
87,3 89,4 92,3 91,5 93,1 90,7
2
91,5 88,3 90,6 94,7 91,5 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 me-
diante la adicin de glucosa al nivel base. Se prepararon tres
muestras de suero de cada recipiente independientes del nivel de
glucosa, con cada uno de los dos mtodos qumicos. Se midi la

271
Palacios C. Severo

concentracin de glucosa (mg/dl) de todas las muestras en una


corrida del espectrmetro.
Mtodo I Mtodo II
Glucosa 1 2 3 1 2 3
42,5 138,4 180,9 39,8 132,4 176,8
43,3 144,4 180,5 40,3 132,4 173,6
42,9 142,7 183,0 41,2 130,3 174,9
Escriba un modelo lineal para este experimento, explique los
trminos, realice un anlisis de varianza para los datos y calcule
los residuales. Es necesaria una transformacin de los datos?
Explique.
Si es necesaria, calcule la transformacin de los datos y el anli-
sis 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 pa-
ra cada uno de cuatro tipos de tela en un diseo totalmente alea-
torizado. Los datos son el porcentaje de encogimiento de dos r-
plicas de tela secadas a cuatro temperaturas.
Temperatura (C)
Tela 210 215 220 225
1 1,8 2,1 2,0 2,1 4,6 5,0 7,5 7,9
2 2,2 2,4 4,2 4,0 5,4 5,6 9,8 9,2
3 2,8 3,2 4,4 4,8 8,7 8,4 13,2 13,0
4 3,2 3,6 3,3 3,5 5,7 5,8 10,9 11,1
Escriba un modelo lineal para el experimento y calcule el anli-
sis de varianza.
Divida la suma de cuadrados del efecto principal de la tempera-
tura 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 tem-
peratura 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 de-
terminar 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 plan-
tas 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 pa-
ra cada una de las 12 combinaciones de tratamiento, los trata-
mientos se arreglaron en un diseo totalmente aleatorizado en
una cmara de cultivo y se midi la reduccin de acetileno para

272
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

cada tratamiento en la etapa de florecimiento de las plantas. La


reduccin de acetileno refleja la cantidad de nitrgeno que fija la
bacteria en la relacin simbitica con la planta
Cultivo
Nitrgeno Alfalfa Soya Habas
0 2,6 1,1 6,5 2,6 0,8 0,9
0,9 1,2 3,9 4,3 2,2 1,2
50 0,0 0,0 0,6 0,6 0,7 0,4
0,0 0,0 0,3 0,8 0,3 0,8
100 0,0 0,0 0,0 0,1 0,3 0,1
0,0 0,0 0,1 0,0 0,0 0,1
Escriba un modelo lineal para este experimento, explique los
trminos y calcule el anlisis de varianza.
Realice un anlisis residual y determine si es necesaria una
transformacin de los datos. Si lo es, transforme los datos y cal-
cule 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 efec-
tos combinados de un herbicida y un insecticida en el crecimien-
to 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 inver-
nadero en un diseo totalmente aleatorizado. Se usaron cinco
niveles tanto de insecticida como de herbicida para obtener 25
combinaciones. Los datos que siguen son las medias de celdas
para el peso de las races secas cuando las plantas tenan tres
semanas.
Herbicida
Insecticida 0 0,5 1,0 1,5 2,0
0 122,0 72,50 52,00 36,25 29,25
20 82,75 84,75 71,50 80,50 72,00
40 65,75 68,75 79,50 65,75 82,50
60 68,00 70,00 68,75 77,25 68,25
80 57,50 60,75 63,00 69,25 73,25
Cuadrado medio del error experimental = 174 con 75 GL
Calcule las particiones de sumas de cuadrados de regresin con
1 grado de libertad para las sumas de cuadrados de herbicida,
insecticida e interaccin. Calcule un polinomio de grado no ma-
yor a la regresin cbica para el herbicida o el insecticida.

273
Palacios C. Severo

(273) Se realiz un experimento sobre la duracin de tela recubierta


sujeta a pruebas con abrasivos normales. El diseo factorial de
2x2x3 incluy dos sustancias distintas (F 1, F2) en tres proporcio-
nes diferentes (25%, 50%, 75%) con y sin tratamiento de superfi-
cie (S1, S2); se probaron dos especimenes rplica de cada una de
las 12 combinaciones en un diseo totalmente aleatorizado. Los
datos corresponden a la prdida de peso (mg) de los especime-
nes de tela por la prueba de abrasin.
Tratamiento de superficie y sustancia
S1 S2
Proporcin
F1 F2 F1 F2
sustancia (%)
25 194 239 155 137
208 187 173 160
50 233 224 198 129
241 243 177 98
75 265 243 235 155
269 226 229 132
Escriba un modelo lineal para el experimento, explique los tr-
minos 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 electrocon-
dutividad (EC) del suelo en celdas conductivas de acrlico espe-
ciales. El objetivo del estudio era evaluar la relacin entre la EC
medida y la salinidad del agua en el suelo con diferentes canti-
dades de agua. Se incluyeron tres texturas bsicas de suelo, ya
que la EC es especfica de la textura; se usaron dos celdas para
cada combinacin de tratamiento y los tres tipos de suelo fueron
arena arcillosa, arcilla y barro. El agua salina, en tres niveles,
se bas en la EC del agua a 2,8, y 16 dS/m (decisiemens/metro)
y se establecieron tres niveles de contenido de agua en el suelo,
0%, 5% y 15%. El experimento resultante fue un arreglo factorial
de 3x3x3 con dos rplicas en un diseo totalmente aleatorizado;
los siguientes son los valores de EC del suelo determinados con
base en las lecturas de la red de cuatro electrodos.
Salinidad 2 8 16
del agua 0 5 15 0 5 15 0 5 15
Arena 0,60 1,69 3,47 0,05 0,11 0,06 0,07 0,08 0,22
0,48 2,01 3,30 0,12 0,09 0,19 0,06 0,14 0,17
Arcilla 0,98 2,21 5,68 0,15 0,23 0,40 0,07 0,23 0,43
0,93 2,48 5,11 0,26 0,35 0,75 0,21 0,35 0,35
Barro 1,37 3,31 5,47 0,72 0,78 2,10 0,40 0,72 1,95
1,50 2,48 5,38 0,51 1,11 1,18 0,57 0,88 2,87

274
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Escriba un modelo lineal para este experimento, explique los


trminos y calcule el anlisis de varianza.
Prepare una tabla de medias de celdas y marginales con sus
respectivos errores estndar.
(275) Se colocaron cinco varillas de nquel de 1 mm de dimetro en un
sujetador metlico en una suspensin de xido de aluminio y se
aplic una tensin de 100 volts entre las varillas de nquel y el
contenedor con la suspensin de xido de aluminio. Se registr el
grueso de la capa de xido de aluminio depositada en las vari-
llas a tres posiciones de altura de las varillas; los datos que si-
guen son el grueso del depsito en micrones.
Posicin sujetador varilla de nquel
Altura 1 2 3 4 5
1 125 130 128 134 143
2 126 150 127 124 118
3 130 155 168 159 138
Escriba un modelo lineal para este experimento, explique los
trminos y establezca las suposiciones del modelo.
Sern vlidas las suposiciones del modelo para este experimento
Admitiendo esas suposiciones como razonablemente vlidas.
Calcule el anlisis de varianza para los datos.
(276) Un entomlogo realiz un experimento sobre la energa consu-
mida 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 trata-
mientos en un diseo totalmente aleatorizado.
Temperatura Sacarosa (%)
(C) 20 40 60
20 3,1 3,7 4,7 5,5 6,7 7,3 7,9 9,2 9,3
30 6,0 6,9 7,5 11,5 12,9 13,4 17,5 15,8 14,7
40 7,7 8,3 9,5 15,7 14,3 15,9 19,1 18,0 19,9
Calcule las particiones de regresin de sumas de cuadrados con
1 grado de libertad, las sumas de cuadrados para el % de saca-
rosa y la interaccin.

275
Palacios C. Severo

XXI. DISEOS ROTABLES

Para la forma de anlisis de datos del modelo que sirve como ejemplo
consiste slo en adecuar una regresin de primer orden a los datos que
genera el experimento de simulacin, un diseo factorial completo de
dos niveles o un fraccionado, Plackett-Burman proporcionarn la
precisin suficiente para lograr una estimacin de los coeficientes de
la ecuacin de regresin. No obstante si se adapta un polinomio de
segundo orden o de un orden ms alto a los datos de salida, un diseo
factorial fraccionado puede producir estimaciones de parmetros de
los coeficientes de los trminos elevados al cuadrado con una precisin
relativamente baja.

Un diseo rotacional para ajustar un modelo de segundo orden debe


tener por lo menos tres niveles de cada factor. Existen muchos diseos
que podran emplearse para ajustar un modelo de segundo orden.

Uno de los niveles, el central en el cual se repiten las pruebas experi-


mentales, sirven para evaluar la varianza del error experimental
desarrollado durante las pruebas y as mismo la variacin de los di-
versos tipos de materiales empleados en las pruebas experimentales.

En este tipo de diseos existen, los que sirven exclusivamente para


evaluar tan solo dos factores y otros para tres ms factores. Se dife-
rencias unos de los otros porque son exclusivos para sus tratamientos
y sirven solo para tratar fenmenos cuadrticos, no sirven para tratar
fenmenos lineales.

Los diseos para tres o ms factores se pueden acondicionar para


modelar por bloque, o acoplar cualquier diseo que se desarrolle en el
proceso de evaluacin sistemtica.

XXII. DISEOS ROTABLES DE DOS FACTORES

276
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Es un diseo Ortogonal de primer orden, esta configurada en una


figura regular equilatera con k+1 vrtices en k dimensiones, ests fi-
guras se dan en el plano cartesiano.

A. DISEO TRIGONAL

Este es el diseo ms simple que existe en los proceso de evaluacin de


factores de primer orden. Si k=3 es un tringulo equiltero regular.

X1 X2
1 0
-0,5 -0,86
0,5 -0,86
0 0
0 0
0 0

B. DISEO PENTAGONAL

Es uno de los ms simples de segundo orden, los puntos experimenta-


les 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.

X1 4

1, 0

2 3 5 6

0,31; -0,95 0,31; 0,95

0; 0
X2 1 7

10 8
-0,81; -0,58 -0,81; 0,58

Representacin esquemtica del Diseo Pentagonal

X1 X2
1 0
0,31 0,95
-0,81 0,58
-0,81 -0,58
277
Palacios C. Severo

0,31 -0,95
0 0
0 0
0 0

C. DISEO HEXAGONAL

Es un diseo utilizado en investigacin, cuando en el proceso se estu-


dian solo dos factores, debiendo ser este siempre cuadrtico, si el pro-
ceso es lineal dicha tcnica no es aplicable.
Si el proceso en estudio tuviera tres o ms factores, no se puede des-
glosar y estudiar de par en par, es necesario para este caso desarro-
llar la tcnica del Diseo Compuesto Central o Estrella.

El diseo hexagonal consiste en desarrollar seis pruebas experimenta-


les correspondientes a los vrtices de un hexgono regular, siendo
necesario replicar pruebas centrales para estimar el error experimen-
tal.

X2

-0.5, 0.866 0.5, 0.866

-1, 0 0, 0 1, 0
X1

-0.5,-0.866 0.5, - 0.866


Representacin esquemtica del Diseo Hexagonal

Este diseo es de amplia utilidad a nivel experimental, como su nom-


bre lo indica, los puntos corresponden a un hexgono, considerando de
tres a cinco puntos centrales.

X1 X2
1 0
0,5 0,866
-0,5 0,866
-1 0
-0,5 -0,866
0,5 -0,866
0 0
0 0
0 0

278
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Ejemplo 6.81
Se estudia dos factores con valores reales, los cuales son codificados
por las ecuaciones de recta que se representan mediante las ecuacio-
nes lineales que corresponden dos factores reales mediante las si-
guientes funciones.

A = 0,375X1 + 1,125
B = 1X2 + 2

X1 X2 A B Y Ycal Y - Ycal (Y-Ycal)2


1 0 1,5 2 93,9 94,51
0,5 0,86 1,31 2,87 89,6 90,28
-0,5 0,86 0,94 2,87 88,8 88,40
-1 0 0,75 2 83,3 84,70
-0,1 -0,86 0,94 1,13 81,9 81,82
0,5 -0,86 1,31 1,13 89,3 89,93
0 0 1,25 2 90,8 90,17 -0,63 0,397
0 0 1,25 2 90,2 90,17 -0,03 0,001
0 0 1,25 2 89,3 90,17 0,87 0,757
0,21 1,155

SCerror 1,155 0,212 / 3 1,14

SCtotal 70706,97 797,12 / 9 110,48

Tabla 6.90 Anlisis de varianza de regresin


Fuente SC GL CM Fo Ft(99)
Regresin 109,34 6 18,22 31,96 > 19,3
Error 1,14 2 0,57
Total 110,48 8 R2 = 98,96%

Tabla 6.91 Anlisis de varianza de ajuste


Fuente SC GL CM Fo Ft(99)
Ajuste 3,22 1 3,22 5,649 < 18,5
Error 1,14 2 0,57
Total 4,36 3 R2 = 73,85%

Ejemplo 6.82
Se procesa un mineral aurfero con sales oxidantes en medio cido, se
desea evaluar que factores son significativos (cloruro y nitrato de
sodio), con el fin de llegar a establecer el ptimo de recuperacin.
A: NaCl 25 50
B: NaNO3 5 15

Efectos e interacciones Cuadrticos


A: NaCl = -6263,28 AA = -895,833
B: NaNO3 = -2431,04 BB = -229,854

279
Palacios C. Severo

AB = -508,721
Errores estndar con 3 GL

Tabla 6.92 Anlisis de varianza de regresin


Fuente SC GL CM Fo Ft(99)
A: NaCl 13,0137 1 13,0137 54,73 > 34,12
B: NaNO3 26,3312 1 26,3312 110,74 > 34,12
AA 9,86133 1 9,86133 41,47 > 34,12
AB 12,25 1 12,25 51,52 > 34,12
BB 24,6613 1 24,6613 103,72 > 34,12
Error 0,71333 3 0,237778
Total 128,76 8 R2 = 99,446%
Au 89,3667 5,166 NaCl 1,453NaNO3 2,866 NaCl 4,597 NaNO3 4,06 NaCl.NaNO3

La recuperacin de oro depende de los dos factores para llegar al p-


timo, esto en forma lineal, pero los factores cuadrticos y la interac-
cin tienen efecto negativo para la extraccin de dicho metal precioso.

Valor ptimo = 92,0389


Factor Bajo Alto ptimo
NaCl -1,0 1,0 1,0
NaNO3 -0,28 0,86 -0,28

Grfica de Efectos Principales para Au Grfica de Interaccin para Au


(X 1000.0)
-1300 -1
NaNO3=5
-3300 -3
NaNO3=15
-5
Au

-5300
Au

-7
-7300 NaNO3=5
-9
-9300
25 50 5 15 -11 NaNO3=15
NaCl NaNO3 25 50
NaCl

Efectos significativos de factores princi- No existe interaccin entre ambos facto-


pales res principales

En el grfico de interacciones podemos establecer que ambos factores


estn en su mximo, y se mantienen como constantes ya que al incre-
mental 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 mani-


pular independientemente cada uno de ellos.

280
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera
Superficie de Respuesta Estimada
Contornos de la Superficie de Respuesta Estimada Au
-11000.0--10000.0
15 Au -10000.0--9000.0
(X 1000.0)
-1 1 000.0--1 0000.0 -9000.0--8000.0
-1 0000.0--9000.0 -1 -8000.0--7000.0
13 -9000.0--8000.0
-7000.0--6000.0
-8000.0--7 000.0 -3 -6000.0--5000.0
-7 000.0--6000.0
11 -6000.0--5000.0
-5000.0--4000.0
-5
NaNO3

-5000.0--4000.0 -4000.0--3000.0

Au
-4000.0--3000.0 -3000.0--2000.0
9 -3000.0--2000.0
-7 -2000.0--1000.0
-2000.0--1 000.0 -1000.0-0.0
-1 000.0-0.0
-9 15
7 13
-11 11
9
25 30 7 NaNO3
5 35 40 45 5
50
25 30 35 40 45 50 NaCl
NaCl

Superficie respuesta estimada en el Superficie respuesta estimada en el espacio


plano con punto ptimo

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 de-


terminar las granulometras ptimas tanto en la etapa de
Rougher como de Scanvenger. Se desea optimizar la recupera-
cin y el grado de concentracin en funcin de la molienda.
X 72 70 66 64 66 70 68 68 68
1

X 76 84 84 76 68 68 76 76 76
2

Para optimizar estas dos variables, se obtuvo los modelos ma-


temticos:
Y1 1,411 27,5 X 1 10,13 X 2 0,22 X 12 0,08322 0,034 X 1 X 2
Y2 1,602 34,15 X 1 12,3X 2 0,228 X 12 0,06322 0,04 X 1 X 2
Desarrolle el ANAVA y la superficie respuesta
Obtenga el ptimo cuando se alcanza un 66%
(278) Se estudia un experimento de flotacin a nivel laboratorio sien-
do sus factores A: tiempo, B: espumante.
A: 2 2,87 2,87 2 1,13 1,13 2 2 2
B: 1,5 1,31 0,94 0,75 0,94 1,31 1,12 1,12 1,12
Y: 93,9 89,6 88,8 83,3 81,9 89,3 90,86 90,2 84,3
Obtenga el modelo del proceso
Analice aplicando el ANAVA
(279) Se efectu un proceso electroltico de fabricacin de ocre, cuyo
rendimiento esta en funcin de dos variables A: cloruro de sodio,
B: intensidad de corriente.
A: 10 9,2 7,7 7 7,7 9,2 8,5 8,5 8,5
B: 42,5 57,7 57,7 42,5 27,3 27,3 42,5 42,5 42,5
Y: 85,5 90,6 75,4 78,8 80,3 86,6 81,5 83,5 82,6

281
Palacios C. Severo

Obtenga el modelo del proceso


Analice aplicando l ANAVA
Cree usted la temperatura influye en el proceso
Elabore el diagrama Eh-pH
De que color es el ocre producido
Sin en vez de cloruro de sodio utiliza un electrolito de nitrato de
sodio, cual es el producto final.

D. DISEO OCTOGONAL

Es un diseo utilizado en investigacin, cuando en el proceso se estu-


dian 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 des-


glosar y estudiar de par en par, es necesario para este caso desarro-
llar otra tcnica de anlisis de Diseo.

Es un diseo de segundo orden, corresponde a un octgono regular en


el plano.
X2
0, 1

-0,71; 0,71 0,71; 0,71

-1, 0 0; 0 1, 0
X1

-0,71; -0,71 0,71; -0,71

0, -1

Representacin esquemtica del Diseo Octogonal

Diseo de amplia utilidad a nivel experimental, como su nombre lo


indica, los puntos corresponden a un octgono considerando de tres a
cinco puntos centrales, para evaluar el error experimental.

282
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

X1 X2
-0,71 -0,71
0,71 -0,71
-0,71 0,71
0,71 0,71
1 0
-1 0
0 1
0 -1
0 0
0 0
0 0

Ejemplo 6.83
Se estudian dos factores dinmicos de un proceso en donde se desarro-
lla un novedoso trabajo, los cuales vienen establecidos mediante las
funciones que a continuacin se detallan.

A = 0,005X1 + 0,025
B = 2X2 + 27,5

X1 X2 Y Ycal Y - Ycal (Y-Ycal)2


-1 0 90,90 91,38
1 0 92,20 92,59
0 -1 92,80 93,08
0 1 93,60 94,19
-0,71 -0,71 92,20 91,81
-0,71 0,71 93,50 92,93
0,71 -0,71 93,30 93,10
0,71 0,71 94,00 93,49
0 0 94,10 94,02 -0,08 0,006
0 0 94,30 94,20 -0,28 0,08
0 0 93,90 94,02 0,12 0,01
0 0 94,00 94,02 0,02 0,02
-0,22 0,0964

SCerror 0,0964 0,22 / 4 0,0834


2

SCtotal 104320,94 1118 / 12 11,48667


2

Tabla 6.93 Anlisis de varianza de regresin


Fuente SC GL CM Fo Ft(99)
Regresin 11,40237 8 1,425 50,7 > 27,5
Error 0,0843 3 0,0231
Total 11,48667 11 R2 = 0,99266%

283
Palacios C. Severo

Tabla 6.94 Anlisis de varianza de ajuste


Fuente SC GL CM Fo Ft(99)
Ajuste 1,5257 1 1,5257 54,24 > 34,1
Error 0,0843 3 0,0231
Total 1,61 4 R2 = 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 res-
puesta que se quiere evaluar es una funcin de las variables ms im-
portantes que afectan el proceso y con base a ella se plantea un mode-
lo matemtico.
X2

-1,1 1,1

- 0,0 + X1

*1,*1 1,-1

Representacin esquemtica del Diseo Compuesto Centrado

El modelo matemtico que relaciona la respuesta buscada y las varia-


bles estudiadas es del tipo.

Y Ao Ai X i Aii X ii2 Aij X i X j Ajjj X 3jjj Aijk X i X j X k

Donde:

Y Estimacin del vector respuesta buscada


Ao, Ai, Aii, Aij, Ajjj, Aijk Son los coeficientes del modelo
Xi, Xij Valores de las variables codificadas

Para estimar los coeficientes del modelo se utiliza el diseo compuesto


centrado rotacional que se construye a partir de tres componentes.

284
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

a-1) Un bloque factorial de 2k puntos, donde cada variable toma los


valores codificados -1 y +1, hasta cinco variables como mximo.
a-2) Un bloque factoriaI fraccionado 2k-1 puntos, donde cada variable
toma los valores codificados -1 y +1, cuando hay ms de cinco
variables.
b) Un conjunto de puntos adicionales cuyo nmero es 2k donde
cada variable toma los valores codificados -2k/4 y +2k/4. La figu-
ra formada por estos puntos se llama estrella.
c) Un punto central cuyos valores codificados es cero, este punto se
repite las veces que sea necesario para la estimacin del error
experimental.

Para explicar el concepto de rotabilidad, supngase que el punto (0,


0,..., 0) representa el centro de la regin en la cual la relacin entre la
respuesta buscada Ycal Y las variables independientes Xi que estn
siendo investigadas, est dada por la ecuacin general que representa
una superficie de alto orden.

De los resultados de cualquier experimento se puede calcular S(Y) del


error estndar de Ycal en cualquier punto de la superficie ajustada.
Este error estndar ser una funcin de las coordenadas del punto Xi,
En un diseo rotacional, este error estndar es el nmero para todos
los puntos que estn a la misma distancia L del centro de la regin;
esto para todos los puntos tales que:

X 12 X 22 ... X k2 L Ctte

As para un diseo de tres variables se tiene que cada variable asume


los siguientes valores codificados:

-1, +1, 0, -2k/4 y +2k/4

La ecuacin del tipo:

Y Ao A1 X 1 A2 X 2 A11 X 112 A22 X 22


2
A12 X 1 X 2

La codificacin de las variables se obtiene de:

Vi a
Xi
b

Donde:

285
Palacios C. Severo

Vi 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 estu-
diado o por experiencia propia.

Los puntos estrella -2k/4 y +2 k/4 son puntos por fuera del rango y se
incluyen con propsitos exploratorios.

El punto central con valor cero representa un nivel en el proceso con el


que se supone se obtiene buenos resultados.
Supongamos que un proceso depende de tres variables, una de las
cuales es la temperatura con un rango de nivel de 30 a 50, se tiene
que:

a - 1 = 30
a + 1 = 50

El valor medio se obtiene por;

[30+50]/2 = 40 = a

Luego

1 30 40/ b b 10
2k / 4 V1 40/ 10 V1 23,18
2k / 4 V2 40/ 10 V2 56,82

As tenemos los cinco valores de la temperatura, que se usarn en el


bloque de experimentacin; de igual manera se procede para las otras
variables.

Ejemplo 6.84
Se estudia la lixiviacin (lavado) de un suelo salino para utilizar dicho
suelo en la siembra de hortalizas. Aplicaremos dos variables A: lavado
alcalino y B: flujo de lavado.

X1 X2 A B Y
- - 23 1,3 50,00

286
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

+ - 37 1,3 85,61
- + 23 2,7 97,62
+ + 37 2,7 85,76
-1,41 0 20 2 73,39
+1,41 0 40 2 76,92
0 -1,41 30 1 52,92
0 +1,41 30 3 82,53
0 0 30 2 78,02
0 0 30 2 84,61
0 0 30 2 79,12
0 0 30 2 64,84
0 0 30 2 88,46

Tabla 6.95 Anlisis de varianza de regresin


Fuente SC GL CM Fo Ft(99)
Regresin 1759,2 5 351,8 5,14 > 3,97
Error 478,8 7 68,4
Total 2238 12 R2 = 0,786%
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 igno-
rar. 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

X1 X2 X3 Y
0 0 0 66,9
2 0 0 65,4
-2 0 0 56,9
0 2 0 67,5
0 -2 0 65,0
0 0 2 68,9
0 0 -2 60,3

Para estimar los coeficientes bo, b11, b22, b33 obtenemos la ecuacin
correspondiente.

15bo 16b11 16b22 16b33 976


16bo 40b11 8b22 8b33 1041,3
16bo 8b11 4b22 8b33 1055,1
16bo 8b11 8b22 40b33 1041,9

Obtenindose

287
Palacios C. Severo

b 67,11
o
b1 1,944 b2 0,906 b3 1,069 b11 1,539
b22 0,264 b33 0,676 b12 3,088 b13 2,188 b23 1,212

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
80 170 78,5
90 170 77,0
80 180 78,0
90 180 79,5
77,9289 175 75,6
92,0711 175 78,4
85 167,929 77,0
85 182,071 78,5
85 175 79,9
85 175 80,3
85 175 80,0
85 175 79,7
85 175 79,8

Efectos estimados para Y


Efectos e interacciones Cuadrticos
A: tiempo = 0,989949 AA = 2,50248
B: Temperatura = 1,03033 BB = -1,78252
AB: = 1,5
Errores estndar con 7 GL

Ambos factores tienen efecto sobre el proceso, pero el que tiene mayor
efecto significativo es la temperatura, seguido del tiempo.

Existe interaccin entre ambos factores, por lo que si se manipula un


factor el otro tambin es modificado.

Tabla 6.96 Anlisis de varianza de regresin


Fuente SC GL CM Fo Ft(99)
A: tiempo 1,96001 1 1,96001 3,70 < 5,59
B: Temperatura 2,1216 1 2,1216 4,01 < 5,59
AA 10,8913 1 10,8913 20,58 > 5,59
AB 2,25 1 2,25 4,25 < 5,59
BB 5,34129 1 5,34129 10,09 > 5,59

288
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Error 3,7051 7 0,5293


Total 24,5277 12 R2 = 84,8942%

En la tabla del anlisis de varianza podemos establecer que para un


95% de la estadstica de F, se puede notar que los dos factores princi-
pales no tienen influencia en dicho rango. Pero los efectos cuadrticos
si tienen influencia en dicho rango para un coeficiente de correlacin
del 84,8942 por ciento.

Y 935,283 3,35742tiempo 9,82069Temperatura 0,05tiempo


0,03505Temperatura 0,03tiempo.Temperatura

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 efec-
to significativo sobre el proceso.

Camino de Mximo Ascenso para Y


tiempo Temperatura Y
85,0 175,000 79,9400
86,0 176,206 80,0984
87,0 177,825 80,1186
88,0 177,024 80,0336

Al incrementar el tiempo en una unidad y la temperatura de igual


manera, se nota que a un tiempo de 88 minutos y una temperatura de
177,024 F se obtiene una respuesta de 80,0336, cercano al valor p-
timo de la maximizacin.

Valor ptimo = 80,133


Factor Bajo Alto ptimo
tiempo 77,9289 92,0711 86,6416
Temperatura 167,929 182,071 177,174

Al maximizar el proceso, se nota que para llegar al ptimo se requiere


un tiempo de 89,9415 minutos y una temperatura de 177,174 F, para
obtener un valor ptimo de 80,133.

289
Palacios C. Severo

Grfica de Efectos Principales para Y Grfica de Interaccin para Y

80.4 80

80 79.5 Temperatura=180

79.6 79

79.2 78.5
Y

Y
78.8 78

78.4 77.5 Temperatura=170

78 77 Temperatura=180 Temperatura=170

80 90 170 180 80 90
tiempo Temperatura tiempo

Efectos significativos con tendencia cua- Existencia de Interaccin en proceso


drtica 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 pro-


medio en ambos factores, por lo cual se confirma que deber traba-
jarse 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.
Superficie de Respuesta Estimada
Contornos de la Superficie de Respuesta Estimada
Y
180 Y 77.0-77.4
77.0-77.4
77.4-77.8
77.4-77.8 81
77.8-78.2
178 77.8-78.2
78.2-78.6 78.2-78.6
80 78.6-79.0
Temperatura

78.6-79.0
176 79.0-79.4 79.0-79.4
79.4-79.8 79.4-79.8
79
Y

79.8-80.2
79.8-80.2
174 80.2-80.6
80.6-81.0 80.2-80.6
78
81.0-81.4 80.6-81.0
172 81.0-81.4
77
80
82 180
170 84 176
178
86 174
80 82 84 86 88 90 88 172
tiempo 90 170
Temperatura
tiempo

Superficie respuesta estimada en el plano Superficie respuesta estimada en el espacio

En la figura del espacio se puede establecer que para llegar al ptimo,


ambos factores tienden al valor promedio de los niveles para llegar al
ptimo.

Ejemplo 6.87
Se investiga un proceso con el fin de optimizar los factores X 1 y X2 si
son significativos y los rangos en donde estn dichos valores ptimos.
Se dan los niveles de dichos factores y el vector respuesta.
X1: 1,5 8,5
X2: 0,1 0,3
290
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

X1 X3 Y
1,5 0,1 1,23
8,5 0,1 1,891
1,5 0,3 1,085
8,5 0,3 1,095
0,0502 0,2 0,848
9,9497 0,2 1,132
5,0 0,0585 2,169
5,0 0,3415 1,228
5,0 0,2 1,413
5,0 0,2 1,139

Efectos estimados para Y


Efectos e interacciones Cuadrticos
A = 0,2682 AA = -0,2954
B = -0,5680 BB = 0,4130
AB = -0,3257
Errores estndar con 4 GL
Tabla 6.97 Anlisis de varianza de regresin
Fuente SC GL CM Fo Ft(95)
A 0,1439 1 0,1439 8,69 > 7,71
B 0,6454 1 0,6454 38,94 > 7,71
AA 0,0997 1 0,0997 6,02 < 7,71
AB 0,10611 1 0,10611 6,40 < 7,71
BB 0,19499 1 0,19499 11,7 > 7,71
Error 0,06629 4 0,01657
Total 1,46927 9 R2 = 95,4879%

Y 1,711 0,2519 X 1 8,774 X 2 0,0120 X 12 20,653 X 22 0,4653 X 1 X 2

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


X1 X2 Y
5,0 0,2 1,276
6,0 0,11522 1,7309
7,0 0,0025 2,853
8,0 -0,1193 4,741
9,0 -0,244 7,416
10,0 -0,372 10,884

Valor ptimo = 2,31558


Factor Bajo Alto ptimo
X1 0,05025 9,9497 9,3195
X2 0,05857 0,34142 0,0585

291
Palacios C. Severo

Grfica de Efectos Principales para Y Grfica de Interaccin para Y

1.79 2
X2=0.1
1.8
1.59

1.6
1.39
Y

Y
1.4
X2=0.1
1.19
1.2
X2=0.3
0.99 1 X2=0.3
1.5 8.5 0.1 0.3 1.5 8.5
X1 X2 X1

Efectos significativos con tendencia cua- Interaccin en proceso cuadrtico


drtica

Contornos de la Superficie de Respuesta Estimada


Superficie de Respuesta Estimada
0.3 Y
Y
0.7-0.85
0.7-0.85
0.85-1.0
0.85-1.0
0.26 1.0-1.15
2.2
1.15-1.3 1.0-1.15
1.3-1.45 1.15-1.3
1.9 1.3-1.45
0.22 1.45-1.6
1.6-1.75 1.45-1.6
X2

1.75-1.9 1.6
1.6-1.75
Y
0.18 1.9-2.05 1.75-1.9
2.05-2.2 1.3
1.9-2.05
2.2-2.35
2.05-2.2
0.14 1
2.2-2.35

0.7 0.3
0.1 0 0.22 0.26
2 4 6 0.1 0.14 0.18
8 10
0 2 4 6 8 10
X1 X2
X1

Superficie respuesta estimada en el plano Superficie respuesta estimada en el espa-


con punto ptimo cio
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 m-
todo de pendiente ascendente e incremente el bloque estrella.
b) Analice el punto estacionario y el anlisis cannico.
YF : 62 80 60 79 76 82 59 83
YC : 77 76 78 75 75 73
Y : 53 82 70 75 78 74
c) Obtenga el modelo correspondiente.
d) Desarrolle el anlisis de varianza.
e) Analice, interprete y opine.
(281) Se estudian cuatro variables A: 1,5 - 3, B: 15 - 25, C: 0, 5 - 1, D:
800 - 1000.
Evalu tal como el problema 256.
(282) Se quiere evaluar un proceso en donde se nota la influencia de
dos factores A: 400 - 600 y B: 3,5 - 5.
Y : 92 98 89 99 89 90 85 97 89 93 91 92 88
Obtenga el modelo
Y 92 3 A B A 0,9B 0,9 AB
Analice mediante los mtodos de punto estacionario y cannico.

292
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

(283) Un proceso electroltico, cuyo rendimiento esta en funcin de las


variables A: 20 - 40 Y B: 1 - 3. Obtenga el modelo y analice.
X 1 : 85 90 75 78 80 81 80 81 83 82
(284) Con el estudio experimental se desea determinar las condiciones
ptimas siendo sus factores
X 1 : 72 70 66 64 66 70 68 68 68
X 1 : 76 84 84 76 68 68 76 76 68
El modelo es:
Y 1,411 27,5 X 1 10,13 X 2 0,22 X 12 0,083 X 22 0,034 X 1 X 2
(285) Se estudia un experimento a nivel laboratorio siendo sus facto-
res.
X 1 :1,5 1,31 0,94 0,75 0,94 1,31 1,13 1,13 1,13
X2 : 2 2,9 2,9 2 1,13 1,13 2 2 2
Y : 93,9 89,7 88,8 83,3 81,9 89,3 90,9 90,2 89,3
Siendo el modelo
YCu 30,98 42,39 X 1 25,9 X 2 4 X 12 3,1X 22 10,16 X 1 X 2
(286) Se estudia la lixiviacin con cido sulfrico, de una calcina, ob-
tenida y de la tostacin en presencia de aire, con adicin de xi-
do de calcio, en horno monosolera Bach, de un concentrado de
calcopirita rico en pirita. La calcina es de la siguiente composi-
cin: 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: tempera-
tura, C: velocidad de agitacin. Siendo su vector respuesta.
Y : 62 80 60 79 67 82 59 83 77 77 78 75 75 73
Obtenga el modelo
Analice el ANAVA
Aplique el mtodo para evaluar la curvatura
(288) Dado el alto contenido de hierro de los licores de lixiviacin, que
se obtienen, se procede a la purificacin del cobre con Lix 64N, a
partir de licores con 3,59 g/l de cobre y 1,14 g/l de hierro, en lo
que se relaciona con el efecto de alguna variables como el pH,
concentracin de extraccin, relacin de fases, agitacin y con-
centracin de cido. Obtenindose los modelos.
YCu 96,94 1,23 X 1 2,23 X 2 1,15 X 12 1,16 X 22 0,5 X 1 X 2
YFe 12,74 1,25 X 1 1,37 X 2 3,89 X 12 4,11X 22 1,95 X 1 X 2
Analice mediante el ANAVA
Establezca los rangos de las variables
(289) Se quiere evaluar un proceso de tostacin de un concentrado
sulfuroso de zinc, se requiere evaluar la temperatura y la adi-
cin de aire, para la experimentacin se evaluaron los factores

293
Palacios C. Severo

A: temperatura, B: aire. Siendo su vector respuesta.


Y : 92,4 98,5 89,9 99,5 89,1 90,5 85,7 97,8 89,2 93,8 91,1 92,4 88,6
Obtenga el modelo
Analice mediante el ANAVA
Establezca los rangos de las variables
(290) Considere el modelo de primer orden
Y 50 1,5 X1 0,8 X 2
Donde 1 X i 1 . Determine la direccin de mximo ascenso y
planifique un conjunto de experimentos siguiendo dicha direc-
cin
(291) Los siguientes datos fueron recogidos por un ingeniero de plan-
ta. La respuesta Y es el tiempo de filtrado, X1 es la temperatura
y X2 es la presin.
X1 X2 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 anali-
ce 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 va-
riables: 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:
temperatur a 775 , tiempo 3
X
1 X 2
115 1.5
Se lleva a cabo un experimento cuyos resultados se muestran a
continuacin:
X1 X2 Y
-1 -1 211
1 -1 92
-1 1 216
1 1 99

294
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

-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
Y 150,0445 58,47059 X 1 3,3529 X 2 6,5281X 12 10,5829 X 22 0,5 X 1 X 2
Fuente SC GL CM Fo Ft(99)
Modelo 30688,7 5 6137,74 24,91 > 8,75
Error 1478,22 6 246,37
Total 32166,92 11 R2 = 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)
- 6.528158 0.25

0.25 10.58295
(293) Un ingeniero est investigando la influencia de la temperatura,
la presin y la concentracin del catalizador en tiempo que tar-
da una reaccin en llevarse a cabo. Tras varios experimentos, el
investigador ajust la funcin
Y 630 6,4989 X 1 5,2241X 2 1,3165 X 3 1,8089 X 1 X 2 7,078 X 1 X 3
4,706 X 2 X 3 6,091X 12 5,12 X 22 3,717 X 32
Usando un diseo central compuesto con cinco puntos centrales.
Las variables codificadas son las siguientes:
temperatur a(C ) 350 presin( psi) 612 concentrac in 0.15
X1 X2 X3
8 20 0.03
Hgale al ingeniero las sugerencias que considere adecuadas.

295
Palacios C. Severo

F. DISEO EXPERIMENTAL COMERCIAL EXCO

En muchos pases latinoamericanos, existe una discontinuidad en el


proceso de transferencia de tecnologa en el sector agropecuario. En la
mayora de los casos los resultados de las investigaciones efectuadas a
nivel de centros de investigacin, estaciones experimentales, etc., no
son sometidos a los diferentes pasos del proceso, los cuales conllevan a
la adopcin o revisin de la tecnologa. Esta situacin obedece a facto-
res 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 metodo-
loga 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 ni-


trogenada 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 repe-
ticiones, y unidades experimentales de 30 m2 con 10 m2 de rea efecti-
va. En cada bloque fueron distribuidos al azar 24 tratamientos, los
296
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

cuales fueron el resultado de la superposicin de los diseos Factorial


32, Compuesto Central Rotable (k=2, no=5) y Compuesto Central Rota-
ble Doble Estrella con un nuevo ncleo estrella aadido (k=2, c=2,
no=4).

Tratamiento Tratamiento
Nivel real Nivel real
diseo diseo
ensayo 32 DCR DCRE D N ensayo 32 DCR DCRE D N
1 - 1 1 66 40 13* 5 13 - 80 120
2 - 2 2 66 200 14* 5 - - 80 120
3 - 3 3 94 40 15 1 - - 66 0
4 - 4 4 94 200 16 2 - - 66 120
5 - 5 13 60 120 17 3 - - 66 240
6 - 6 14 100 120 18 7 - - 94 0
7 4 7 15 80 0 19 8 - - 94 120
8 6 8 16 80 240 20 9 - - 94 240
9* 5 9 9 80 120 21 - - 5 70 120
10* 5 10 10 80 120 22 - - 6 90 120
11* 5 11 11 80 120 23 - - 7 80 60
12* 5 12 12 80 120 24 - - 8 80 180
D: Densidad de siembra (Plantas/ha)x 103 ; N: Nitrgeno (kg/ha); * Tratamientos
centrales
La situacin antes descrita se aprecia fcilmente al observar la tabla
anterior, en el que se ilustran las 24 combinaciones de los niveles
reales de los factores, comunes y no comunes para los arreglos de tra-
tamiento sealados.

De forma simultnea al establecimiento del experimento, se sembr


una parcela comercial de 7000 m2 aproximadamente. A dicha parcela
se le aplic la combinacin de niveles de los factores correspondientes
al tratamiento central del ensayo.

Si la produccin de la parcela arroja un valor comprendido en el in-


tervalo de confianza generado a partir de las repeticiones del trata-
miento central del experimento, se consideran validados los resulta-
dos. Este intervalo de confianza est dado por la siguiente expresin:


P X 1
S S
TC t / 2 ( n 1) GL
TC
X TC t / 2 ( n 1) GL

TC

n o
n
o

Donde:

STC Desviacin tpica de la variable para las n o rplicas


del tratamiento central.
no Nmero de rplicas del tratamiento central.
297
Palacios C. Severo

t / 2( n1)GL Valor tabulado de "t Student", a la derecha del cual


hay un rea de a/2.
1a 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 expre-
s en la metodologa, es el mismo tratamiento aplicado a la parcela
comercial.
Tabla 6.98. Rendimiento (kg/ha de maz al 12 % de humedad) para las replicaciones del
tratamiento central del ensayo experimental
tratamiento Bloque Rendimiento tratamiento Bloque Rendimiento
9 1 3886 9 2 4883
10 1 3320 10 2 5972
11 1 2929 11 2 5281
12 1 3750 12 2 4663
13 1 4146 13 2 4256
14 1 3263 14 2 4517

X TC 4239 Kg/ha = 0,05

STC 886,6 kg/ha no = 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 32

IC(95%): 2057,16 kg/ha 5586,70 kg/ha

Intervalo de Confianza para el Diseo Central Rotable

IC(95%): 3691,10 kg/ha 4799,51 kg/ha

Intervalo de Confianza para el Diseo Central Rotable Estrella

IC(95%): 3508,64 kg/ha 4912,36 kg/ha

298
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

El rendimiento de la parcela comercial fue de 3714 kg/ha, valor que


est comprendido en todos los intervalos de confianza generados a
partir de los datos experimentales, por lo tanto se consideran valida-
dos 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, cir-
cunstancias en las que la inferencia a partir de los resultados experi-
mentales solamente, se ve ciertamente limitada.

El diseo EXCO es aplicable en ensayos con el cultivo de maz, permi-


tiendo 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 su-


perficies respuestas lineales y polinomiales de una misma estructura
de diseo.

Este diseo esta formado por los puntos medios de un cubo, dicha fi-
gura geomtrica es establecida para el presente estudio.

La figura geomtrica de un diseo convencional es un cubo de 1 uni-


dad por 1 unidad, en el caso del diseo SEVERO al cubo normal de 1
por 1, se le achura los vrtices, a partir del centro de los lados del cubo,
tal como se visualiza en la figura.

Al cubo de 1 por 1 se le achura las aristas al medio del cubo, es decir a


la mitad (0,5) obtenindose de esa manera la siguiente figura geom-
trica.

299
Palacios C. Severo

1 1

Estructura del Diseo SEVERO

El presente diseo no solo trabaja con los mximos y mnimos tal co-
mo 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 he-
rramienta para poder cuantificar los procesos productivos, ya que en
estos momentos padecemos de insumos y sobre todo del tiempo nece-
sario para desarrollar experimentos amplios.

Siendo los puntos extremos del nuevo vrtice (puntos oscuros) los pun-
tos factoriales y rotacionales y los puntos sobresalientes (puntos cla-
ros) los puntos estrellas para una rotacional n factorial.

Observemos que el Diseo SEVERO no tiene puntos en los vrtices de


la figura creada por los niveles inferior y superior para cada variable.

Esto es ventajoso cuando los puntos en los vrtices representan com-


binaciones de factor-nivel por ser antieconmico e imposible de pro-
bar debido a restricciones del proceso.

300
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Geometra del Diseo SEVERO

Los efectos de las interacciones de tercer orden no existen en el presen-


te 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 facto-


res, en la tabla se muestran los valores codificados del diseo factorial
centrado con dos factores, principio fundamental del denominado
diseo Severo, adems se ilustra grficamente las coordenadas por
donde se desarrolla el presente trabajo.

DISEO FACTORIAL CENTRADO DE DOS FACTORES

301
Palacios C. Severo

X2
0,5
X1 X2
-0,5 -0,5
+0,5 -0,5
-0,5 +0,5
+0,5 +0,5
0 0
0 0
0,5 0 0
X1
- 0,5

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 prin-
cipal (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 pre-


sente 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:

Niveles
Factores - 0 +
A: Voltaje (Voltios) 1 2 3
B: Densidad corriente (A/m) 30 35 40
Prueba X1 X2 A B Y
1 -0,5 -0,5 1,5 32,5 85
2 +0,5 -0,5 2,5 32,5 86
3 -0,5 +0,5 1,5 37,5 98
4 +0,5 +0,5 2,5 37,5 97
5 0 0 2 35 89
6 0 0 2 35 89

302
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

7 0 0 2 35 88

Los valores reales para desarrollar las pruebas experimentales, las


obtenemos utilizando la siguiente expresin:

V a
X i
i

El anlisis para el desarrollo del presente diseo fue se efecto me-


diante el programa ESPC plus statistics experimental for PC
Efecto Estimado
X1:A 0,0
X2: B 12,0
AB -0,5
Errores estndar con 3 GL

Interpretacin de los efectos3

Si visualizamos los signos de los efectos A y B, notamos que ambos son


positivos, por lo tanto estn en su nivel mnimo, por lo cual debern
ser maximizado, es decir que ambos factores son variables, y debern
ser optimizados y establecidos sus rangos de trabajo ptimo.

En este caso solamente estamos evaluando y no as optimizando, para


desarrollar la optimizacin deber seguirse otro camino, el cual ser
desarrollado en el prximo acpite.

El factor B es el que tiene mayor significanca por tener un mayor


valor numrico.

a) Caso Maximizacin
Indica que la variable se encuentra al nivel mnimo y debe ser maxi-
(+)
mizado 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
(+) constante en el proceso, por lo que se encuentra en el nivel mximo y
debe de mantenerse como tal.
(-) Indica que la variable se encuentra al nivel mnimo y debe ser maxi-

3
Anlisis de signos de los coeficientes de los efectos, segn el caso.

303
Palacios C. Severo

mizado hasta el ptimo y establecer su rango de trabajo.

A fin de ver la influencia de los factores, se analiza la interaccin 4 de


los factores, esto quiere decir si, existe cruce de informacin entre los
factores y a la vez estos puedan controlarse de una manera indepen-
diente a fin de manipular el proceso.

Interpretacin de la interaccin5

Notamos que el signo de la interaccin AB es negativo, esto nos indica


que no existe interaccin, lo cual lo hemos deducido al visualizar que
no existe interseccin entre los valores numricos, por lo tanto no exis-
te 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 Anli-


sis de Varianza del proceso.

Tabla 6.99 Anlisis de varianza


Fuente SC Gl CM Fo Ft(99%)
X1: A 0,0 1 0,0 0,0 < 98,49
X2: B 144,0 1 144,0 436,37 > 98,49
AB 0,25 1 0,25 0,75 < 98,49
Curvatura 13,76 1 13,76 41,69 < 98,49
Error total 0,66 2 0,33
Total (corregido) 158,67 6 R2 = 90,2857%
El que tiene mayor significanca es B = X2, seguido de A = X1 para un
coeficiente de correlacin del 90,2857%, el factor A tiene valor cero,
por lo cual se le considera una constante en el rango de trabajo.

4
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.

304
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

La varianza del error viene a ser el cuadrado medio del error, siendo
este igual a 0,333 dicho valor es menor que la unidad por lo cual la
variabilidad de los datos es bastante adecuada para el trabajo reali-
zado.

l clculo de la Suma de Cuadrados del Total se desarrolla mediante


la siguiente relacin:

SC Y 2 Y i
2

Tot al i
N

La suma de cuadrados del total nos sirve para comprobar que los va-
lores: 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 di-
cho factor es significativo, por lo que se corrobora que dicho efecto
principal est en su mnimo debiendo ser maximizados y a la vez am-
bos son variables en el proceso.

Siendo el modelo matemtico6 lineal para el presente anlisis.

Y 90,2857 0,0 A 6,0B 0,25AB

La constante del modelo matemtico, viene a ser el promedio de los


valores del vector respuesta, as mismo es el valor inicial del proceso
en estudio, el signo negativo de la constante nos indica que esta en el
mximo y debe ser minimizado.

a) Caso Maximizacin

Indica que dicho valor es el inicio del proceso y se encuentra en su


(+)
mnimo y debe ser maximizado hasta el ptimo.
Indica que es el mximo valor del vector respuesta, no se puede subir
(-)
sobre dicho valor, ms al contrario se puede bajar.
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.

6 Anlisis de signos de la constante del modelo matemtico, segn el caso.

305
Palacios C. Severo

Indica que dicho valor es el inicio del proceso y se encuentra


(-)
en su mnimo y debe ser maximizado hasta el ptimo.

En el modelo matemtico tambin podemos visualizar que la interac-


cin es negativa, o sea que no tiene influencia en el proceso. Adems
podemos visualizar que los factores principales son positivos tal como
se visualizo en el anlisis de los factores principales.

Coeficiente de regresin para Y

Y 90,2857 0,0 A 6,0B 0,25AB

Interpretacin del modelo matemtico

Si A y B son iguales a cero, entonces el modelo ser igual a la constan-


te, 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 Grfica de Interaccin para Y

99 98
B=0.5
B=0.5
96 95

93 92
Y
Y

90 89

87 86
B=-0.5
B=-0.5
84 83
-0.5 0.5 -0.5 0.5 -0.5 0.5
A B A

Efectos significativos de factores principa- Interaccin de factores principales


les

En la superficie respuesta visualizando el grfico (isolneas), podemos


interpretar lo siguiente: el valor ptimo est a menor A y mayor B.

306
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

Contornos de la Superficie de Respuesta Estimada


Superficie de Respuesta Estimada
0.5 Y Y
83.0-84.5 83.0-84.5
0.3 84.5-86.0 84.5-86.0
86.0-87.5 98 86.0-87.5
87.5-89.0
0.1 95 87.5-89.0
89.0-90.5
89.0-90.5
B

90.5-92.0 92
-0.1