Sie sind auf Seite 1von 402

ESTADISTICA EXPERIMENTAL

Aplicada a ciencia e ingeniera



1












































2
4
6
8 10
3
1
5
7
9









E
E
E
d
d
d
i
i
i
c
c
c
i
i
i

n
n
n


C
C
C
O
O
O
N
N
N
C
C
C
Y
Y
Y
T
T
T
E
E
E
C
C
C












P
P
P
A
A
A
L
L
L
A
A
A
C
C
C
I
I
I
O
O
O
S
S
S


C
C
C
.
.
.


S
S
S
E
E
E
V
V
V
E
E
E
R
R
R
O
O
O




Palacios C. Severo


2




ESTADSTICA
EXPERIMENTAL
Aplicada a ciencia e ingeniera

PALACIOS C. Severo
CEO Proceso SEVERO
espc02@yahoo.com
espc01@hotmail.com
(+511) 996696214, Lima Per
(+5152) 952672846, Tacna Per
(+505) 84566216 Centro Amrica

Primera edicin:

ISBN:
Hecho el Depsito Legal en la Biblioteca Nacional del Per N


PALACIOS C. Severo CONCYTEC en la presente edicin
Tiraje: 1000 ejemplares

Subvencin CONCYTEC N

Consejo Nacional de Ciencia, Tecnologa e Innovacin Tecnolgica-
CONCYTEC

Presidente: Dr. Augusto Mellano Mndez
Av. Del Aire 485, San Borja, Lima Per
Telefax: (51) 01-2251150
www.concytec.gob.pe

Impreso por:

Derechos Reservados. Prohibida la reproduccin de esta publicacin
por cualquier sistema conocido sin la autorizacin escrita del autor; y
del editor en la presente edicin.



E
I
R
L

ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

3
















La presente obra esta dedicada a la Memoria de:

Juan de la Cruz Palacios Avendao
Adelaida Calisaya Flores
Luz Lucila Zeballos Argandoa
Camila Palacios Zeballos
Ceferina Chambilla Chambilla
Gustavo Vallenas Casaverde

Con mucho amor a quienes amor nos dio, que Dios lo tenga en su
gloria y nosotros en nuestro corazn

















Palacios C. Severo


4


















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





















ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

5

CONTENIDO


CONTENIDO Pgina


1
I.
II.
III.
IV.
V.
VI.
VII.
VIII.
IX.

X.
XI.
XII.

XIII.
XIV.
XV.
XVI.
XVII.
XVIII.
XIX.

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

Palacios C. Severo


6


3
I.
II.
III.
IV.
V.
VI.
VII.
VIII.
IX.
X.
XI.
XII.
XIII.
XIV.

4
I.
II.
III.
IV.
a)
b)
c)

V.

VI.

VII.

VIII.

IX.
X.

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

7

III.
IV.
V.
VI.

6
I.

II.
III.
IV.

V.
VI.
VII

VIII.

IX.

X.
XI.
XII.
XIII.
XIV.
XV.

XVI.
XVII.
XVIII.

XIX.

XX.

XXI.
XXII.
A.
B.
C.

D.
Prueba U de Mann Whitney
Prueba H de Kruskal Wallis
Mtodos multivariables
Correlacin de Spearman
Problemas
Diseos experimentales aplicado a ingeniera
Introduccin
Problemas
Diseos bifactoriales
Comparacin mltiple
Diseo anidado
Problemas
Diseos factoriales
Diseo factorial 2
n

Diseo factorial 2
Problemas
Diseo factorial 2
Problemas
Diseo factorial 2
k
replicado
Problemas
Diseo 2
k
con pruebas centrales
Diseo confundido
Diseo factorial 2
k
con dos bloques
Diseo factorial 2
k
con cuatro bloques
Diseo factorial 2
k
con bloques replicados
Algoritmo de Yates
Problemas
Diseo factorial fraccionado
Medio fraccionado del diseo 2
k

Cuarto fraccionado del diseo 2
k

Problemas
Diseo Plackett Burman
Problemas
Diseos factoriales 3
n

Problemas
Diseos rotables
Diseos rotables con dos factores
Diseo trigonal
Diseo pentagonal
Diseo hexagonal
Problemas
Diseo octogonal
162
165
166
168
171
173
173
176
177
180
182
184
186
188
189
195
205
221
225
228
231
233
233
235
236
237
239
244
245
247
250
258
263
266
270
275
275
275
276
276
280
281

Palacios C. Severo


8

E.

F.
G.




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

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


















ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

9

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-

Palacios C. Severo


10

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

















E
I
R
L

ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

11

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

Palacios C. Severo


12

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.













ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

13

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.

Palacios C. Severo


14

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 disponibles
1
.

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
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

15

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.

Palacios C. Severo


16

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:

Sucursales
Ventas Cambio
Porcentual 2005 2010
Mercado Central 10 8 -20
Mercado Sur 5 7 +40
Mercado Norte 2 4 +100
Mercado Este 6 3 -50
Mercado Oeste 10 11 +10

V. ANLISIS DE DATOS

Un anlisis de datos suele seguir los siguientes pasos:

Anlisis exploratorio de datos: Estadstica descriptiva de cada
variable por separado. Se obtienen medidas de tendencia central, 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
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

17

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.

Palacios C. Severo


18

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:
i i
e e
1
es intervalo i-simo.

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

1
=
i i i
e e a

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

2
1 1 +
+
=
i i
i
e e
x


Se llama densidad de frecuencia de un intervalo a la frecuencia co-
rrespondiente a cada unidad de la variable en dicho intervalo.

i
i
i
a
n
d =

Los intervalos se suelen tomar abiertos por la izquierda y cerrados por
la derecha, salvo el primero que se toma cerrado por los dos lados.

En este tipo de distribuciones se pierde parte de la informacin al
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

19

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
De 400 a 600
25
23

Un anlisis de distribucin de frecuencia no revelara mucho acerca de
la estructura de los ingresos de los operarios.

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

Palacios C. Severo


20

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
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

21

comunes como para que se deba verificar siempre, antes de usar la
media, si sta es en realidad descriptiva.

n
X
X
i

=
n i ,... 2 , 1 =


La media tiene otra debilidad sobre la que se debe estar alerta: se ve
afectada por las observaciones extremas.

Tabla 1.1 Puntaje de tres productos en preguntas de degustacin
Nivel de
degustacin
Producto
1 2 3
5
4
3
2
1
10
5
70
5
10
20
20
20
20
20
0
50
50
0
0
Media 20 20 20

Ejemplo 1.2
Si los ingresos de dos profesionales se promedian con los ingresos de
diez peones, el ingreso para todos los doce ser de ms de US$ 250,
que obviamente es una cifra engaosa, si se evita usar la media para
datos que no tengan una distribucin normal o para datos que 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
Semi calificado
No calificado
20
10
5
8
5
3
8
5
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.

=
i
i i
m
m X
X


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

Palacios C. Severo


22

gerencia desea conocer el costo promedio de mano de obra por da
para cada producto.

El promedio aritmtico simple es:

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

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

( ) $ 72 , 187 3 5 8 67 , 11 US = + +


Y para una unidad del producto 2 es,

+ +
+ + +
2
2 2 Fe AgO Fe Ag


El anlisis de esta manera es incorrecto, ya que no se toma en cuenta
que se trabaja con diferente personal.

Ejemplo 1.4
Se compra material de construccin a tres empresas 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
0,7
0,9
80
20
10
Total 110

Aplicando la frmula

=
i
i i
m
m X
X


( ) ( ) | | ( ) ( ) | | kilo US X / $ 5727 , 0 110 / 10 ... 110 / 80 / 110 / 10 9 , 0 ... 110 / 8 , 0 5 , 0 = + + + + =


Comparando con el promedio simple

| | 10 / 900
1
= X X
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

23

( )( ) ( )( ) ( )( ) | | kilo US X / $ 5727 , 0 110 / 10 9 , 0 20 7 , 0 80 5 , 0 = + + =


Media armnica

Es el inverso del valor medio, se la utiliza con frecuencia para la medi-
cin y anlisis de flujos volumtricos.
=
i
X
n H
1


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

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

+
=


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 X
g
es la n-raz de los productos de la n observa-
ciones medidas, de amplia utilidad en economa.

n
i
g X X =

En forma logartmica

=
n
nLogX
X Log
i
g


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

Palacios C. Severo


24

Una modificacin de la frmula es:

1
Pr 1
1

|
|
.
|

\
|
|
.
|

\
|

=
Lapso imer
Lapso ltimo
Log
n
X Log g


Ejemplo 1.6
Supongamos que durante cinco aos de una economa inflacionaria,
las entidades crediticias pagan tasas altas de inters de 10, 20, 25, 30
y 40 por ciento.

Hallar la tasa de inters promedio anual de un depsito de 1000 dla-
res.

Tabla 1.4 Economa inflacionaria
Ao Tasa de inters Factor de crecimiento Ahorro al final de ao (US$)
1
2
3
4
5
10
20
25
30
40
2
3
3,5
4
5
1000*2 = 2000
2000*3 = 6000
6000*3,5 = 21000
21000*4 = 84000
84000*5 = 420000

El factor de crecimiento anual, ser:

| | ao cada veces X 5 , 3 5 / 5 4 5 , 3 3 2 = + + + + =


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:

( ) ( ) 75 , 2 16 / 158 4 / 41 39 41 37
2 2 2 2 2
= + + + =
columna
SC


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

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

( ) ( ) 25 , 94 16 / 158 4 / 36 56 31 35
2 2 2 2 2
= + + + =
oo tratamient
SC

ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

25

Siendo est la media ms apropiada para el caso.

Media cuadrtica

De un conjunto de nmeros X
n
es denotado por la raz cuadrada de la
media cuadrtica y es definida como:

n
X
X q

=
2


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

24 , 6 = q X

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
N/2
Ni-1
ei-1 Me
e
C
C
B A
B


i
i
i
i e
i
i
i
i e
a
n
N N
e M
n
a
N N
e M
CC
AC
BB
AB
(


+ = =

1
1
1
1
2 /
2 /



Datos no agrupados: La mediana es el valor correspondiente a un
punto de una escala con respecto al cual la mitad superior agrupa
igual cantidad de valores que la mitad inferior. Para determinar la
mediana de datos no agrupados se ordenan, en primer lugar, de me-
nor a mayor.

Palacios C. Severo


26

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:

i
f
F n
L Mediana
(


+ =
2 /


Donde:

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

Ejemplo 1.8
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-
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

27

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:

( )
( )
i i
i i
f X X
N
n X X

= o


Al igual que en la media aritmtica los X
i
representan a los valores de
la variable si es una distribucin no agrupada y a las marcas de clase
si es una distribucin agrupada en intervalos.

La varianza es la suma de las desviaciones de los valores de la 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.

Palacios C. Severo


28

o o =

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.

X
CV
o
=


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.



















ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

29

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

Palacios C. Severo


30

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 NO
2
/l. Para
tratar de verificar la sospecha, se midieron los niveles de nitritos
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

31

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.
2 , 41 = X
1 , 2 = s

Calcular un intervalo de confianza del 90% para el porcentaje
medio de alcohol en la sangre de una persona, despus de tomar
cuatro cervezas.
Si se calcula un intervalo de confianza del 95%, cual ser el de
mayor o menor amplitud.
(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.
rea Kg X A / 5 , 14 =
rea Kg s
A
/ 23 , 3 =

rea Kg X B / 3 , 15 =
rea Kg s
B
/ 85 , 1 =


Palacios C. Severo


32

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
Plasma
93
147
104
157
95
142
81
141
95
142
95
147
76
148
80
144
79
144
87
146
Hallar un intervalo de confianza del 95% de la diferencia media
de los niveles de sodio en los fluidos del lcteo
(21) En el departamento de control de calidad de una empresa, se
quiere determinar si ha habido un descenso significativo de la
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:
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

33

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?

Palacios C. Severo


34

(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
132 = X
mg/dl y s
2
=109.
Construir el intervalo de confianza al 95%.
(33) Para evaluar una vacuna para la gripe se selecciona un grupo
de 200 individuos de riesgo. Se eligen 100 de ellos y se les 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-
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

35

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

Palacios C. Severo


36

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 % 7 , 8 = A X

2 2
% 02 , 1 =
A
s

33 =
A
n

Granja B % 9 , 10 = B X

2 2
% 73 , 1 =
B
s

27 =
B
n

Se pide construir un intervalo de confianza del 95% para la 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
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

37

vida. Para comprobar se someti al pesado de ocho terneras al
cumplir las cuatro semanas y posteriormente dos semanas.
Ternero 1 2 3 4 5 6 7 8
Peso 4 semanas
Peso 6 semanas
130
138
125
140
128
139
127
141
129
137
123
137
131
142
130
142
Comprobar si la suposicin es cierta calculando los intervalos de
confianza al 95% para la diferencia media de peso.
(48) Se ha realizado un estudio sobre la tasa de supervivencia de
pjaros adultos en trpico y en zonas templadas. Inicialmente se
marcaron 500 pjaros adultos en las patas y se liberaron a una
regin tropical. Un ao despus, se volvi a capturar 445. 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,

Palacios C. Severo


38

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?




























ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

39

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.

Palacios C. Severo


40

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
( )
2
X X
, luego tambin
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

41

se suman
( )
2
X X
y se promedian dividiendo por el nmero total de
productos, o sea n.

( )
n
X X
i

=
2
o


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).

( )
( )
1
2


=
n
X X
X S
i


En el anlisis estadstico se utiliza una cantidad denominada grados
de libertad que designaremos para el futuro como GL. Esta cantidad
permite tener en cuenta y corregir, desde el punto de vista 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 ( )
2
X S .

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

( ) 54 , 4
5
6 , 471 93 96 87 7 , 97 98
2 2 2 2 2 2
=
+ + + +
= X S


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

Palacios C. Severo


42

( )
2
2
X
n
fX
X S

=


Jornal (US$) Cantidad (f)
X
2
X
2
X f
X f

3 a 5
5 a 7
7 a 9
2
5
3
4
6
8
16
36
64
32
180
192
8
30
24
Total 10 404 62

( ) $ 4 , 1
10
62
10
404
2
US X S =
|
|
.
|

\
|
=


La desviacin estndar puede emplearse como denominador comn
para colectar la dispersin de las dos distribuciones y la 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
) ( 3 S X
incluye alrededor de
99,7% de las observaciones.

Desviacin media

Otra medida de la dispersin de los valores es la desviacin media
real, se trata simplemente de la media aritmtica de las desviaciones
de las medias sin tener en cuenta lo siguiente:

=
i
X X md

n
mediana X


Para una desviacin normal, la desviacin estndar verdadera es
aproximadamente igual 1,25 veces la desviacin media.

Ejemplo 1.11
Calcular la desviacin media del ejemplo 1.10.

md = 3,456

La dispersin de los resultados ser 3,456
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

43

Problemas

(55) Calcule el valor medio, mediana y moda de la siguiente distribu-
cin de datos:
X Y
110 -119
100 109
90 99
80 89
70 79
60 69
50 59
40 49
30 39
20 29
10 - 19
1
0
2
5
10
13
9
4
5
0
1
(56) Se recibe materia! de dos fuentes de abastecimiento. Los anlisis
de muestras provienen de las dos fuentes que se indican a 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 CO
2

en volumen: 24,6 23,7 23,4 23,8 24,1 23,9
Calcule el intervalo de confiabilidad de la media verdadera?
(58) En una refinera de plata, se analiza el contenido de plata en los
residuos para establecer su concentracin en los lingotes. Las
muestras obtenidas durante dos turnos dieron los resultados.
Hora 1 2 3 4 5 6 7 8
Turno 1 89 92 98 97 98 97 97 98
Turno 2 87 87 97 97 97 98 97 97
Trate de saber si la diferencia entre los anlisis de los dos turnos
es significativa.
(59) La informacin obtenida de cuatro reactores qumicos diferen-
tes, acerca del efecto de la temperatura sobre cierta reaccin es
la siguiente:
Temperatura
(C)
Rendimiento del reactor
1 2 3 4
800
900
980
10,4
10,9
12,1
12,9
10,8
11,6
11,7
10,6
12,8
13,5
13,5
10,2
Determinar mediante anlisis de varianza de dos caminos, si la
varianza entre los reactores y entre la temperatura es altamente
significativo.
(60) Un fabricante de hipoclorito sabe que la cantidad de cloro con-
tenido en su producto decrece con el tiempo y eventualmente se

Palacios C. Severo


44

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
fabricacin
Cantidad disponible de cloro (%)
8
10
12
14
16
18
20
22
24
26
28
30
32
34
36
38
40
42
0,49
0,48
0,46
0,45
0,44
0,46
0,42
0,41
0,42
0,41
0,41
0,4
0,41
0,40
0,41
0,40
0,39
0,39
0,49
0,47
0,46
0,43
0,43
0,45
0,42
0,41
0,40
0,40
0,40
0,40
0,40

0,38
0,40

0,48
0,45
0,43
0,43

0,43
0,40
0,40
0,41

0,38

0,47
0,43



Realizar el anlisis de regresin y anotar la ecuacin del modelo
lineal, el coeficiente de correlacin.
(61) Se sabe por experiencia, que el incremento de peso de los 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
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

45

Ajustar los datos a una curva del tipo Y = aX
b

Calcular los valores del coeficiente de correlacin
Visualizar la lnea de regresin y los datos obtenidos
Estimar el valor de Y para un valor de X = 3,5
(63) La tabla adjunta muestra cinco observaciones de un fenmeno
cintico
U 103 102 10 1 0,1
T 0 1 2 3 4
El investigador sugiere un modelo de ajuste del tipo U = ke
-bT

Estimar los parmetros k y b.
(64) La presin de un correspondiente a diferentes volmenes V se
dan en la tabla.
V (cm) 50 60 70 90 100
P (Kg/cm) 60 54 46 24 10
Obtenga por regresin el coeficiente de correlacin de los 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
2
4
6
8
1
1
1
1
1
1/5 = 0,2
1/5 = 0,2
1/5 = 0,2
1/5 = 0,2
1/5 = 0,2
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

Palacios C. Severo


46

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
1,95 2,45
2,45 2,95
2,95 3,45
3,45 3,95
3,95 4,45
4,45 4,95
2
1
4
15
10
5
3
Ajustar las duraciones de las pilas alcalinas a una distribucin
normal con media 3,5 y desviacin tpica 0,7.
(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
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

47

200
201
202
203
75
58
57
59
102
60
56
46
95
60
67
120
103
57
59
115
98
57
58
115
115
59
121
96
98
54
101
105
94
100
101
75
Escriba el modelo lineal, explique cada trmino, calcule el 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
3849 52
3721 24
3477 80
3669 72
3873 76
3777 80
3461 - 64
39
56
64
29
38
11
23
10
57
13
83
55
66
49
0
11
63
25
88
21
53
34
5
23
66
31
71
51
81
10
20
37
(76) Suponga que los lotes y sus muestras son efectos aleatorios. 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-

Palacios C. Severo


48

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
1,10
1,12
0,16
0,11
0,26
0,15
0,12
0,12
0,91
0,83
0,95
0,66
0,83
0,61
2,17
1,52
1,58
Escriba un modelo lineal para este estudio, explique los 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

6 barras

12 barras
1
2
3
4
5
6
11,29
7,37
5,64
4,20
4,83
3,28
11,08
6,55
5,98
3,34
4,77
2,16
11,10
8,50
5,69
4,21
5,66
2,69
Escriba un modelo lineal para un anlisis de datos, explique los
trminos, calcule el anlisis de varianza y muestre los 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-
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

49

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

2

3

4

5

6

7

8
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
3,846
5,629
5,087
4,621
4,411
3,357
3,991
5,766
5,677
3,333
4,355
4,940
2,983
4,396
5,603
3,683
3,712
2,021








6,292
4,810




9

10

11

12

13

14

15
17
18
19
20
21
22
23
24
25
26
27
28
29
30
5,942
5,014
5,143
4,061
3,835
4,584
4,193
4,125
3,074
3,483
3,867
4,212
6,247
4,730




2,964
4,398

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
















Palacios C. Severo


50

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.

2
1

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

|
.
|

\
|
+
|
.
|

\
|
I
|
.
|

\
| +
I
=
t


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.

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



( )
82 , 0 =

=
X S
X
t
o


ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

51

El valor tabulado de t para un nivel de significacin del 99% y 4 GL, es
igual 3,75, como el valor calculado de t es inferior al valor tabulado, la
hiptesis no es rechazada.

Chi-cuadrado

Esta prueba puede utilizarse para comparar los resultados de una
encuesta con frecuencia terica o esperada.

( )


2
2
f
f f
X


=


Ejemplo 1.13
La alimentacin de flujo continuo que se realiza a cuatro reactores
industriales que han sufrido un total de cuarenta fallas durante un
ao, la distribucin de las fallas, por bombas fue:

Bomba 1: 16
Bomba 2: 9
Bomba 3: 6
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.

Palacios C. Severo


52

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
89,6
89,5
89,6
89,8
89,8
89,6
89,4
89,5
90,0
89,7
89,2
013 , 0 ) (
4
64 , 89
2
1
1
=
=
=
X S
GL
X

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


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

( ) 825 , 3
2
= X S

ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

53

Entre conjuntos

( ) 3988 , 0
2
= X S


( )
( )
59 , 9
2
2
= =
X S
X S
F


Reactor 1 2 3
10,4
10,0
11,8
11,2
11,6
12,4
12,9
11,9
9,80
10,9
10,4
10,1
Suma de conjunto 43,4 48,8 41,2
Media 10,85 12,2 10,3
= 61 , 1490 /
2
K SC
= 96 , 1482 /
2
K X
= 2 , 1492
2
X

La tabla F para los GL establecido indica los valores de 4,26 y 8,02
respectivamente. Como el valor calculado es mayor que el valor 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.

Palacios C. Severo


54

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
X
n
Z
+

=
o


n
X Z
/ o

=


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,

n
Z
X
n
Z
X
o

o
+ < <


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:

( ) ( )
n
X tS
X
n
X tS
X + < <


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

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

ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

55

Nivel Intervalo
% 95 ( )( ) 68 , 88 96 , 99 5 / 54 , 4 78 , 2 32 , 94 + = y
% 99 ( )( ) 94 , 84 65 , 103 5 / 54 , 4 60 , 4 32 , 94 + = y

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:

Palacios C. Severo


56

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.

ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

57

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.

Palacios C. Severo


58

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.

( )
( ) 2
2


=
N
Y Y
S
p
yx


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

Esta medida de error es similar a la desviacin estndar que mide la
dispersin alrededor de un promedio; el error de la estimacin mide la
dispersin alrededor de una lnea promedio, llamada lnea de regre-
sin.

b) Muestreo no probabilstico

Existen tres tipos de muestreo no probabilstica:
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

59

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

Palacios C. Severo


60

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.
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

61

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.

Palacios C. Severo


62

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.
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

63

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.

















Palacios C. Severo


64

Problemas

(81) Calcular los valores t

correspondientes a una distribucin t de


Student en los siguientes casos:
a) El rea a la derecha de t

es 0,20 y n = 10
b) El rea a la izquierda de t

es 0,40 y n = 8
c) El rea a la derecha de t

es 0,05 y n = 50
(82) Calcular los valores de F correspondientes a una distribucin F
de Sndecor en los casos siguientes:
a) = 0,01 y (2,8) grados de libertad
b) = 0,05 y (7,3) grados de libertad
(83) Elegidas 26 personas al azar de una poblacin y sometidas a un
test de modernismo dan como media
40 = X
y
6 = S
. Se quiere saber
si la verdadera media de la poblacin puede ser tan alta como
44.
(84) El fabricante de una dieta de adelgazamiento dice que su 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
( ) ( ) | |

= =
40
1
2
3
8 , 1
39
1
Y X Y X S
i i d

Si suponemos que tanto X como Y siguen distribuciones 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
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

65

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 m
2
.
Construye un intervalo, de un 95% de confianza, para la media
de las estaturas de la poblacin.
Cul sera el mnimo tamao muestral necesario para que 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%

Palacios C. Severo


66

(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?
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

67

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.


Palacios C. Severo


68

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:

c | o + + = X Y

es el valor de una variable aleatorizada y podemos elegir a tal que la
media de la distribucin de esta variable aleatoria sea igual a cero.

Ejemplo 2.20
Consideremos una regresin de Y sobre X sea lineal, suponiendo un
fenmeno fsico de tensores, se flexiona variando la carga.

X 1 2 3 4 5 6
Y 35 64 96 124 156 182

X
Y


Consideremos n pares de observaciones (X
i
,Y
i
), deseamos determinar
la lnea que de el mejor ajuste. Si predecimos y por medio de la ecua-
cin:

c + + = bX b Y
o


Donde

i
I i
Y Y = c
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

69

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

( ) | |
2

+
i o i
bX b Y

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

( ) | |( ) 0 2 =

+
i i o i
X bX b Y

( ) | |( ) 0 1 2 =

+
i o i
bX b Y

Siendo las ecuaciones normales,

+ =
i o i
X b nb Y
1



+

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


Este conjunto de ecuaciones lineales con la incgnita b
i
denominados
casos normales, da los valores para la lnea con el mayor ajuste a un
conjunto de datos.

Ejemplo 2.21
Ajuste una lnea recta a los datos por el mtodo de mnimos 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

= 2000 X

=532000 X

= 35 , 8 Y

= 4 , 2175 XY

Palacios C. Severo


70

b b
b b
o
o
532000 2000 4 , 2175
2000 10 35 , 8
+ =
+ =


Resolviendo

b
o
= 0,069, b = 0,0038

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

III. MODELOS DE REGRESIN

En las aplicaciones de la estadstica se exige estimar el carcter de la
dependencia entre las variables estadsticas observadas.

Ejemplo 2.22
Entre los parmetros de los procesos tecnolgicos, la produccin 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.

| |
| |
| |
bLogX b LogY
bX b LogY
X b X b X b b Y
X b X b b Y
X b X b X b b Y
bX b Y
X b X b b Y
bLogX b Y
X b X b X b b Y
X b b Y
bX b Y
o
o
ij ij ij ij i i o
n n i i o
ij ij ii ii i i o
o
j i o
o
ij ij ii ii i i o
i i o
o
+ =
+ =

+ + + =

+ + + =

+

+ =
+ =
+ + =
+ =

+

+ =

+ =
+ =
2
3 2
2
/ 1
... / 1
/ 1
/ 1


En este caso, el problema fundamental consiste en el aislamiento de los
datos experimentales con ayuda de curvas especialmente elegidas
llamadas lneas o superficie de regresin que con mayor o menor se-
guridad caracteriza la dependencia de correlacin entre las variables
en observacin.
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

71

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

IV. MODELO DE REGRESIN LINEAL CON K VARIABLES

Generalizando el modelo de regresin lineal de dos y tres variables, el
modelo de regresin de K-variables que tiene la variable dependiente
Y y K- 1 variables independientes X
1
, X
2
, , X
k
, puede escribirse de
siguiente manera.

i k k i i o
X b X b b Y c + + + + =
1 1
...

Donde:

b
o
es el intercepto
b
i
a b
k-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 X
1
, X
2
, ..., X
k-1
es decir E(Y/X
1
,X
2
, ..., X
k-1
)

V. REGRESIN LINEAL SIMPLE

Determina la relacin entre una sola variable de regresin X y la 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:

bX b X Y E
o
+ = ) / (

En donde los parmetros de la recta b
o
son constantes desconocidas.
Se supone que cada observacin Y puede describirse mediante el mo-
delo,

c + + = bX b Y
o


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

Los parmetros del modelo b
o
y b pueden estimarse mediante mni-
mos cuadrados si se tiene n pares de datos.

Palacios C. Severo


72

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

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


Suma de cuadrados de los factores:

( ) | | 118 183 9 / 1 4665 8 / 1
2
= + =
X
S


( ) | | 11 , 215 440 9 / 1 23232 8 / 1
2
= =
Y
S


Suma de cuadrados de los productos cruzados

( ) | | 71 , 155 ) 440 ( 183 9 / 1 7701 8 / 1 = =
XY
S


( ) | | 11 , 215 9 / 440 23232 8 / 1 = =
YY
S


La pendiente es:

32 , 1 118 / 71 , 155
1
= = b


En el origen:

89 , 48 = =Y b
o


( ) X X b Y Y
i
=

( ) 33 , 20 32 , 1 89 , 48 = X Y


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

73

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

Tabla 2,5 Anlisis de varianza
Fuente SC GL CM Fo Ft(99%)
Regresin
Error
205,53
9,58
1
7
205,53
1,3688
150,153 > 12,2
Total 215,11 8 R = 95,54%

VI. REGRESIN LINEAL MLTIPLE

Muchos problemas de regresin en la vida real son con ms de dos
variables.

El problema general se ajusta al modelo lineal,

k k o
X b X b X b b Y + + + + = ...
2 2 1 1


Se conoce como regresin lineal mltiple.
El mtodo de mnimos cuadrados se usa para estimar los coeficientes
de regresin, las ecuaciones normales en el mtodo son:

= + + +
= + + +
= + + +
= + + +
Y X b X b X X b X X b X
Y X b X X b X b X X b X
Y X b X X b X X b X b X
Y b X b X b X Nb
o
o
o
o
3 3
2
3 2 3 2 1 3 1 3
2 3 3 2 2
2
2 1 2 1 2
1 3 3 1 2 2 1 1
2
1 1
3 3 2 2 1 1


Ejemplo 2.24
Determine la funcin mltiple de la relacin entre dos factores X
1
y X
z

a partir de los siguientes datos:

1
X

2
X

Y
2
1
X

2
2
X

2 1
X X

Y X
1

Y X
2

4
7
9
12
1
2
5
8
7
12
17
20
16
49
81
144
1
4
25
64
4
14
45
46
28
84
153
240
7
24
85
160
32 16 56 290 94 159 505 276

8 1 = X

4 2 = X

14 = Y

Ecuacin normal

276 94 159 16
505 159 290 32
56 16 32 4
2 1
2 1
2 1
= + +
= + +
= + +
b b b
b b b
b b b
o
o
o


Resolviendo la determinante obtenemos los coeficientes:

Palacios C. Severo


74

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

Resultando el modelo lineal mltiple

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


El procedimiento para el anlisis de varianza es:

Tabla 2.6 Anlisis de varianza
Fuente SC GL CM Fo Ft(95%)
Regresin
Error
95,556
2,444
2
1
47,778
2,444
19,55 > 19
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
bo
b1
b2
Error
95,556
784,000
11,036
0,001
2,444
2
1
1
1
1
47,778
784,000
11,036
0,001
2,444
19,55
320,78
4,52
<1
>
>
<
19
161
161
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:

+ + + + =
ij ij ij ij i i o
X b X b X b b Y
2


Aplicando el criterio de mnimos cuadrados, igualando a cero las deri-
vadas parciales de Y con respecto a los coeficientes b
o
, b
1
,.. .,b
12
,
reacomodando algunos trminos, se tiene las k+1 ecuaciones norma-
les.

ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

75

Resolviendo el sistema, por cualquier mtodo, se obtiene b
o
, b
1
, b
2
,...,
b
12
que son los estimadores mnimos cuadrados que nos permiten es-
timar Y a partir de la ecuacin matriz.
= + + + + +
= + + + + +
= + + + + +
= + + + + +
= + + + + +
= + + + + +
Y X X X X b X X b X X b X X b X X b b X X
Y X X X b X b X X b X b X X b b X
Y X X X b X X b X b X X b X b b X
Y X X X b X b X X b X b X X b b X
Y X X X b X X b X b X X b X b b X
Y X X b X b X b X b X b Nb
o
o
o
o
o
o
2 1
2
2
2
1 12
3
2 1 22 2
3
1 11
2
2 1 2 2
2
1 1 2 1
2
2
3
2 1 12
4
2 22
2
2
2
1 11
3
2 2
2
2 1 1
2
2
2
1 2
3
1 12
2
2
2
1 22
4
1 11 2
2
1 2
3
1 1
2
1
2
2
2 1 12
3
2 22 2
2
1 11
2
2 2 2 1 1 2
1 2
2
1 12
2
2 1 22
3
1 11 2 1 2
2
1 1 1
2 1 12
2
2 22
2
1 11 2 2 1 1


Las pruebas estadsticas son las mismas que para los casos de 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

+ + + =
ij ij ii ii i i o
X b X b X b b Y
2


que se aplica para estimar los efectos polinomiales de un factor 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

| | 10 / 900
1
= X X

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

= 0 X

=110
2
X


Palacios C. Severo


76

= 8 , 1429 XY


9209
2
= Y X
= 8 , 886 Y

9290 1958 0 11
8 , 1429 0 11 0
8 , 886 110 0 11
2 1
2 1
2 1
= + +
= + +
= + +
b b b
b b b
b b b
o
o
o


resultando los coeficientes

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

el modelo polinomial de segundo orden es:

3974 , 0 16 64 , 76 X X Y + + =

reemplazando con el valor original

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

IX. REGRESIN NO LINEAL

Es una prctica comn de la ingeniera bosquejar parejas de datos
sobre varias clases de hojas para graficar, con el fin de determinar si
para una escala de transformacin adecuada, los puntos caern cerca
de una lnea recta. De ser as el tipo de transformacin nos lleva a una
forma funcional de la ecuacin de regresin y las constantes 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:

| o XLog Log LogY + =

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

77


Recorrido 1 2 5 10 20 30 40 50
Porcentaje 98,2 91,7 81,3 64 36,4 32,8 17,7 11,3
X = 158
X = 5530
Log Y = 130312
XLog Y = 2121224

Logb Logb
Logb Logb
o
o
5530 158 2121224
158 8 130312
+ =
+ =


cuya solucin es

X LogY 0188 , 0 002 , 2 =

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


X. COEFICIENTE DE CORRELACIN MLTIPLE R
2


En el caso de dos variables se define R
2
como la bondad de ajuste de la
ecuacin de regresin; es decir, nos da la proporcin o porcentaje de
variacin total en la variable dependiente Y explicada por las varia-
bles independiente X.

Este sentido de R
2
puede fcilmente extenderse a modelos de regresin
de ms de dos variables. Por consiguiente, en el modelo de tres varia-
bles estamos interesados en conocer la proposicin de las variables en
Y explicada conjuntamente con las variables X
1
y X
2
. El valor que nos
da esta informacin se conoce como el coeficiente de correlacin ml-
tiple y se denota por R
2
, conceptualmente es igual que R
2
.

La suma total de cuadrados es igual a la suma de cuadrados de las
dependientes ms la suma de cuadrados residuales. Por definicin.

total error
SC SC R / =

Dado que los valores de la ecuacin son generalmente computados en
forma rutinaria, R
2
puede calcularse fcilmente. Note que R
2
esta
comprendido entre 0 y 1. Si es uno, significa que la lnea de regresin
ajustada explica el ciento por ciento de la variacin de Y. De otro lado,
si es cero, el modelo no explica nada de la variacin en Y. Tpicamente,
sin embargo, R
2
esta entre estos valores extremos.

Palacios C. Severo


78


Se dice que el ajuste del modelo es mejor mientras ms cerca de uno
est R
2
.
XI. PRUEBAS DE SIGNIFICANCIA

No podemos utilizar la prueba t para verificar la hiptesis conjunta
segn la cual las pendientes de las distintas variables son 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 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.

( ) | | ) 3 /( / 2 /
2
2 2 1 1


+ = N X Y b X Y b F
i i i i i
c

Tabla 2.8 Clculo de anlisis de varianza
Fuente SC GL CM Fo
Regresin
Error
+ i X Y b X Y b
i 2 2 2 1 1 1

2
i
c

2
3 N

GL SC/ ( )
2
/ / o GL SC

Total

2
i
Y

1 N
R =
+ i X Y b X Y b
i 2 2 2 1 1 1
/

2
i
Y


Puede demostrarse ahora que bajo el supuesto de que los
i
distribui-
dos normalmente y de que la hiptesis nula b
1
=b
2
=0, la variable.

La aplicacin prctica de la regresin tiene por objeto esencial el in-
cremento de los grados del modelo, el alizamiento exige realizar calcu-
las precisos.

Para estimar los parmetros:

13 12 22 11 2 1
,..., ,..., , ,..., , , , b b b b b b b Y
o


residual error total
SC SC SC + =
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

79

Para obtener los coeficientes aplicamos las matrices aqu detalladas,


FUNCIN MATEMTICA: DISEO FACTORIAL 2
2

Y
X1
-0.5
0.5
0.5
X2

1
X

2
X

2
1
X

2
2
X

2 1
X X

Y X
1

Y X
2

Y1
Y2
Y3
Y4
1
1
1
1
-
+
-
+
-
-
+
+
1
1
1
1
1
1
1
1
+
-
-
+
-
+
-
+
-
-
+
+
Y

4 4 4
Y X
1

Y X
2


= + +
= + +
= + +
Y X X b X X b b X
Y X X X b X b b X
Y X b X b Nb
o
o
o
2
2
2 2 2 1 1 2
1 2 1 2
2
1 1 1
2 2 1 1


Ejemplo 2.27
Evalu los datos
4bo = 300 bo = 75
4b1 = 30 b1 = 7,7
4b2 = 10 b2 = 2,5

Y X1Y X2Y
65
80
70
85
- 65
+ 80
- 70
+85
- 65
- 80
+ 70
+ 85
300 30 10

Resultando el modelo

( ) ( ) 18 , 1 16 / 4 , 153 2 , 10 10 ... 4 , 9 3 , 9
2 2 2 2 2
= + + + + =
total
SC


FUNCIN MATEMTICA: DISEO FACTORIAL 2
3

Y
X1
-0.5
0.5
0.5
X2

1
X

2
X

3
X

2
1
X

2
2
X

2
3
X
Y X
1

Y X
2

Y X
3

Y1
Y2
Y3
Y4
Y5
Y6
Y7
Y8
1
1
1
1
1
1
1
1
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
-
+
-
+
-
+
-
+
-
-
-
-
+
+
+
+
-
-
-
-
+
+
+
+
Y

8 8 8 8
Y X
1

Y X
2

Y X
3


= + + +
= + + +
= + + +
= + + +
Y X X b X X b X X b b X
Y X X X b X b X X b b X
Y X X X b X X b X b b X
Y X b X b X b Nb
o
o
o
o
3
2
3 3 3 2 2 3 1 1 3
2 3 2 3
2
2 2 2 1 1 2
1 3 1 3 2 1 2
2
1 1 1
3 3 2 2 1 1


Palacios C. Severo


80


Ejemplo 2.28
Evalu los datos
8bo = 548,74 bo = 68,59
8b1 = - 0,86 b1 = - 0,11
8b2 = 4,24 b2 = 0,53
8b3 = - 2,48 b3 = - 0,31

Y X1Y X2Y X3Y
68,72
69,06
69,44
67,75
67,93
68,73
68,72
68,39

548,74 - 0,86 4,24 - 2,48

el modelo es:

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

FUNCIN MATEMTICA: DISEO HEXAGONAL
Y
X1
-0.5
0.5
0.5
X2

1
X

2
X

2
1
X

2
2
X

4
1
X

4
2
X

2
2
2
1
X X

Y X
2
1

Y X
2
2

Y X
1

Y X
2

Y X X
2 1

Y1
Y2
Y3
Y4
Y5
Y6
Y7
Y8
Y9
1
1
1
1
1
1
1
1
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
Y
X1
-0.5
0.5
0.5
X2

1
X

2
X

2
1
X

2
2
X

Y X
2
1

Y X
2
2

Y X
1

Y X
2

Y X X
2 1

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

ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

81

Y12
Y13
1
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
Alberto
Hugo
Emilio
Carlos
3
4
2
3
4
5
7
4
6
4
a) Cul es la variable dependiente

Palacios C. Severo


82

b) Represente grficamente con las variables independientes y
dependientes.
c) Determine la ecuacin de la recta.
d) Si Nataniel es un aspirante al puesto a vendedor. Obtuvo 3
puntos en el test, sobre la base de la ecuacin de regresin.
Cul ser la cifra de sus ventas semanales medias segn
pronstico?
e) Obtenga el coeficiente de correlacin e interprete.
(103) Supongamos que una ecuacin de regresin mltiple es:
E D C B A Y 7 , 0 47 , 3 14 , 2 18 , 21 06 , 0 18 , 16 + + + + + =
Qu significa el coeficiente 3,47
Qu significa cada uno de los coeficientes de los factores
Qu significa 16,18 en la ecuacin de regresin
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

























ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

83




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.


Palacios C. Severo


84

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-
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

85

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.

Palacios C. Severo


86

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.
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

87


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

Palacios C. Severo


88

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 V
1
, V
2
y V
3
y los nutrientes N y P a
los niveles (10; 30) y (20; 40) respectivamente. Los posibles 12 trata-
mientos VNP son:

) 40 , 30 , (
) 40 , 10 , (
) 40 , 30 , (
) 40 , 10 , (
) 40 , 30 , (
) 40 , 10 , (
) 20 , 30 , ( ) 20 , 30 , ( ) 20 , 30 , (
) 20 , 10 , ( ) 20 , 10 , ( ) 20 , 10 , (
3
3
2
2
1
1
3 2 1
3 2 1
V
V
V
V
V
V
V V V
V V V


El concepto de tratamiento implica que:

1. Cualquier unidad experimental esta en capacidad de recibir
cualquier tratamiento.
2. La asignacin de tratamientos a la unidad experimental esta 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.
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

89


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-

Palacios C. Severo


90

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 20
o
C 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.

ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

91

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

Palacios C. Severo


92

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-
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

93

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.

Palacios C. Severo


94

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.
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

95

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

Palacios C. Severo


96

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.

II. Aleatorizacin
(Produce estimaciones insesgados de varianza y valida el error
experimental)
I. Replicacin
(Permite estimar error experimental)
III. Control Local
(Disminuye el error)

Diagrama de Fisher Principios de la experimentacin

Para mayor claridad se lleva a cabo en las siguientes secciones una
explicacin ms amplia de estos principios.

VII. REPLICACIN

Es el proceso de repetir en condiciones similares el experimento para
cada tratamiento se denomina replicacin. Cundo el nmero de 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
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

97

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-

Palacios C. Severo


98

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
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

99

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.

Palacios C. Severo


100

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-
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

101

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 / o 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:

Palacios C. Severo


102


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.
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

103

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:


Palacios C. Severo


104

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
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

105


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
k
1
factores con s
1
niveles, k
2
factores con s
2
niveles, k
m
factores con
s
m
niveles, el cual tiene en total
j
k
j
m
j
m
k
m
k k
s s s s t
1
2
2
1
1
...
=
= =
tratamientos.

Tabla 3.9 Efecto de diseo de control del error
Factores de control del
diseo aleatorizado
Tipo de diseo Caracterizacin
0 Diseo completamente
aleatorizado

1
Diseo en bloque
aleatorizado
1. Diseo Bloque Aleatorizado.
2. Diseo Bloque Aleatorizado
generalizado
3. Diseo Bloque Incompleto
4. Diseo Bloque extendido
5. Diseo Bloque por franjas.
2
Diseo cuadrado
latino
1. Diseo cuadrado latino.
2. Diseo cuadrado latino
incompleto
3. Diseo Cross - Over
3
Diseo cuadrado
latino replicado.
Cuadrado grecolatino

>3
Cuadrado latino mu-
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

Palacios C. Severo


106

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
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

107

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
c | + = X Y
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
i
total
i SC SC
1
) (


Palacios C. Severo


108

Donde:

Y Y SC
total
=
y
Y P Y SC
Xi i

) (
=
siendo
t
i i
t
i Xi
X X X Xi P = ) (
, i=1, , q el
proyector ortogonal en el espacio columna de
i
X
; y para
i
X
el
bloque X asociado con el i-simo factor de clasificacin
| |
4 2 1
: ... : : X X X X =

5) Conduccin del experimento. Es el proceso de muestreo de 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
c | + = X Y
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
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

109

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.











Palacios C. Severo


110












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.
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

111

(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

Palacios C. Severo


112


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:
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

113


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.


Palacios C. Severo


114

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.

ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

115

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
20
25
30
35
1
6
11
16
21
2
7
12
17
22
3
8
13
18
23
4
9
14
19
24
5
10
15
20
25


La secuencia de pruebas aleatorizadas es necesaria para evitar que los
resultados sean contaminados por los efectos de variables 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
20
25
30
35
7
12
14
19
7
7
18
18
25
10
15
12
18
22
11
11
18
19
19
15
9
18
19
23
11
49
77
88
108
54
9,8
15,4
17,6
21,6
10,8
Total 376 15,04

Si la maquina que dan los resultados presenta un efecto de 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.

Palacios C. Severo


116


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 estadstico
2


ij i ij
Y c + T + = n j i ,..., 4 , 3 , 2 , 1 , =

Donde:

Y
ij
es el ij-sima observacin,
es un parmetro comn a todos los tratamientos denominados
media global,
T
i
es un parmetro nico para el i-simo, y

ij
es el componente aleatorio del error.


2
Polinomino ortogonal
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

117

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:

( ) N Y Y SC
i IJ total
/
2
2

=

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


o tratamient total error
SC SC SC =

Donde

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

( ) ( ) 96 , 636 25 / 376 11 15 ... 7 7
2
2 2 2 2
= + + + + =
total
SC


( ) ( ) 76 , 475 25 / 376 5 / 54 108 88 77 49
2
2 2 2 2 2
= + + + + =
o tratamient
SC


20 , 161 76 , 475 96 , 636 = =
error
SC


En la tabla 4.12 se muestran los resultados del procedimiento.


Palacios C. Severo


118

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

Hay que notar que la media de cuadrados entre tratamientos (118,94)
es mucho mayor que la media de cuadrados dentro del tratamiento
(8,06). Esto indica que es probable que las medias de tratamiento sean
iguales. Ms formalmente, es posible calcularlas razn F
o
=14,76 y
comparando con F
t
(99%)=4,43, debe rechazarse H
o
y concluir que la
media de tratamientos difieren; en otras palabras el porcentaje de
algodn en la fibra de llama afecta significativamente su resistencia
media.
c) DISEO DE PARCELAS DIVIDIDAS

Los diseos en parcelas divididas y subdivididas se emplean 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
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

119

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
Corte (das)
Altura
Corte (cm)
Replicas

I II III IV
20 5
10
155
3,69
3,72
3,66
5,98
3,20
2,85
5,37
3,90
2,60
6,30
4,51
3,83
23,34
15,33
12,94
Total 13,07 12,03 11,87 14,64 51,61
40 5
10
15
6,48
3,86
11,15
7,92
4,54
3,54
4,74
4,42
3,91
6,30
5,06
3,66
25,44
17,88
22,26
Total 21,49 16,00 13,07 15,03 65,58
60 5
10
15
4,90
5,34
3,40
5,73
4,28
5,47
12,00
6,16
4,78
8,56
6,34
3,75
31,19
22,12
17,40
Total 13,64 15,48 22,94 18,65 70,71

Tabla de doble entrada para totales de tratamiento

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

Factor de correccin

( )
73 , 980
36
41 , 35306
36
90 , 187
= = = FC


Suma de cuadrados debido a las replicas

( ) ( ) ( ) ( )
FC SC
replica

+ + +
=
9
31 , 48 88 , 47 51 , 43 20 , 48


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



Palacios C. Severo


120

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

( ) ( ) ( )
FC SC
pg

+ +
=
12
71 , 70 58 , 65 61 , 51


29 , 16 73 , 980
12
90 , 4999 74 , 4300 59 , 2663
=
+ + +
=
replica
SC


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

( ) ( ) ( )
FC SC
pch

+ +
=
12
60 , 52 33 , 55 97 , 79


88 , 37 73 , 980
12
76 , 2766 40 , 3061 20 , 6395
=
+ +
=
pch
SC

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

( ) ( ) ( )
pch pg
SC SC FC SC
+ + +
=
4
40 , 17 ... 33 , 15 34 , 23
int


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


( ) ( ) ( ) ( )
FC SC
p pgx

+ + + +
=
3
65 , 18 94 , 22 ... 03 , 12 07 , 13
Re


52 , 47 73 , 980 25 , 1028 73 , 980
3
74 , 3084
Re
= = =
p pgx
SC


44 , 29 29 , 16 79 , 1 52 , 47 52 , 47 = = =
pg rep errorpg
SC SC SC


( ) ( ) ( ) ( ) FC SC
total
+ + + + = 75 , 3 78 , 4 ... 98 , 5 69 , 5


01 , 149 73 , 980 74 , 1129 = =
total
SC


int
SC SC SC SC SC
pch pgxrep total errorpch
=


9 , 54 71 , 8 88 , 37 52 , 47 01 , 149 = =
errorpch
SC


Tabla 4.14 Anlisis de varianza
Fuente SC GL CM Fo
Replica
Frecuencia corte
Error pg
Altura corte
Interaccin (f x a)
1,79
16,29
29,44
37,88
8,71
3
2
6
2
4
0,60
8,15
4,90
18,94
2,19

1,65

6,21
0,72
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

121

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 SC
epg
; mientras que los efectos de altura de corte (parcela
chica) y de la interaccin de frecuencia de corte de altura de corte se
prueban utilizando la SC
epch
.

65 , 1
90 , 4
15 , 8
.
.
= = =
pg error
cort fre
CM
CM
FC


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



Problemas

(113) Un industrial textil utiliza un gran nmero de telares. Se desea
que los telares sean homogneos con el objeto de producir telas
de resistencia uniforme. El industrial supone que, aparte de la
variacin usual en la resistencia de la tela en muestras del 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
2
3
4
98
91
96
95
97
90
95
96
99
93
97
99
96
92
95
98
390
366
383
388
(114) Una fabrica de calzados cuenta con cinco tipos de cuero curtido.
Cada cuero tiene una forma de proceso. Para investigar se 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
2
3
4
5
14,0
13,9
14,0
13,6
13,8
14,0
13,8
14,2
13,8
13,6
14,2
13,9
14,1
14,0
13,9
14,0
14,0
14,0
13,9
13,8
14,1
14,0
13,9
13,7
14,0
70,3
69,6
70,2
69,0
69,1
Estime la varianza del error experimental

Palacios C. Severo


122

(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
2
3
4
44,49
45,15
44,72
44,20
44,04
45,13
44,48
44,10
44,38
44,88
45,16
44,55
133,41
135,16
134,36
132,85
Difieren significativamente los resultados
Que anlisis qumico debe ser seleccionado.
(116) Un ingeniero de produccin esta interesado en maximizar una
aleacin. Sabe por experiencia que la aleacin contiene 3 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
2
3
4
5
9
23
19
18
11
15
18
19
11
19
12
7
14
7
19
22
11
15
12
18
10
17
7
18
25
68
76
74
66
92
Existe diferencia significativa entre las medias
(117) Una panadera desea averiguar la tendencia de sus productos
para el siguiente ao, bajo las siguientes encuestas, para la di-
versidad de sus productos en cinco diferentes distritos.
Producto Corrida experimental Total
1
2
3
4
200
700
300
400
150
200
150
800
300
180
100
600
100
500
200
150
700
300
250
350
0,89
0,79
0,96
0,85
Describa las observaciones con un modelo matemtico
Existe diferencia significativa entre las medias
Si existe diferencia aplicar las pruebas de Duncan
(118) Se desea evaluar el rendimiento de los estudiantes de cinco cole-
gios en cuatro materias A: matemticas, B: fsica, C: qumica y
D: lenguaje
Materia Colegio Nota
A
B
C
D
20
18
15
25
30
25
20
35
25
18
27
32
29
35
27
35
27
33
32
35
50
40
35
43
(119) Se realiz un estudio de ingeniera de trnsito sobre los retrasos
en las intersecciones con semforos en las calles de una ciudad.
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

123

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
37
31
36
35
18
21
19
26
23
16
11
19
11
17
Escriba el modelo lineal
Calcule el anlisis de varianza.
Calcule las medias de mnimos cuadrados del retraso en el 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
50
100
150
200
104
134
146
147
131
114
130
142
160
148
90
144
152
160
154
140
174
156
163
168
Escriba el modelo lineal estadstico para este estudio y explique
sus componentes.
Calcule el anlisis de varianza.
Calcule el intervalo de confianza del 95% estimado para las 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

Palacios C. Severo


124

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
Ayuno
60 g salvado
80 g salvado
Mezcal malta
94,1
98,8
197,2
102,9
83,1
90,5
103,6
207,3
117,5
89,6
99,4
115,3
177,5
119,9
87,8
73,6
129,1
226,1
112,1
96,4
74,4
117,6
222,8
101,1
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
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

125

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
5,6
15,9
9,8
7,8
5
7,3
10,6
8,6
8,7
8,8
7,1
11,2
7,3
10,5
10,9
7,5
6,8
7,6
7,8
5,7
8,9
5,9
7,3
7,5
14,9
6,1
5,2
5,7
14,2
9,3
5,6
7,3
10,8
Escriba el modelo lineal estadstico para este estudio y explique
las componentes del modelo.
Calcule el anlisis de varianza.
Calcule un intervalo de confianza del 95% estimado para las
medias de los tratamientos.
Pruebe la hiptesis de que no hay diferencia entre las medias de
los cuatro tratamientos, con la prueba F a un nivel de 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
0,047
0,051
0,054
0,084
0,087
0,115
0,116
0,183
0,191
0,395
0,399
Escriba el modelo lineal estadstico para este estudio y explique
las componentes del modelo.
Calcule el anlisis de varianza.
Calcule las medias de mnimos cuadrados y sus errores estndar
para cada tratamiento.

Palacios C. Severo


126

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
Ayuno
60 g salvado
80 g salvado
Mezcal malta
94,1
98,8
197,2
102,9
83,1
90,5
103,6
207,3
117,5
89,6
99,4
115,3
177,5
119,9
87,8
73,6
129,1

112,1
96,4

117,6

101,1

Escriba el modelo lineal estadstico para este estudio y explique
las componentes del modelo.
Calcule el anlisis de varianza.
Calcule las medias de mnimos cuadrados y sus errores estndar
para cada tratamiento. Cmo afect la prdida de gallinas a
las estimaciones de las medias?
Calcule un intervalo de confianza de 95% estimado para las 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
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

127

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

Palacios C. Severo


128

(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




2




3




4,1
2,9
1,5
4,1
2,2
6,8
2,7
3,8
6,4
5,6
6,6
2,2
3,5
3,5
4,6
12,5
10,3
9,6
12,6
11,3
11,5
8,6
7,2
11,6
8,9
6,8
4,8
5,6
7,5
6,2
Estime la lnea de regresin para cada tratamiento
Lleve a cabo la prueba de hiptesis de que las tres lneas de 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.
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

129

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 m
2
, 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 t
2
y as sucesivamente hasta agotar
las Nn unidades experimentales.

En muchos problemas es necesario disear experimentos en los que
pueda controlarse sistemticamente la variabilidad producida por
diversas fuentes extraas.

Ejemplo 4.34
Se desea determinar la alimentacin de terneras con productos 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.

Palacios C. Severo


130


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
2
3
4
9,3
9,4
9,2
9,7
9,4
9,7
9,4
9,6
9,6
9,8
9,5
10
10
9,9
9,7
10,2
38,3
38,8
37,8
39,5
9,575
9,700
9,450
9,875

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 F
o
se compara con el valor de F
t
en funcin de los grados de
libertad de los tratamientos y del error experimental.

Debemos calcular la varianza total y descomponerla para el trata-
miento y el error.

( ) ( ) 18 , 1 16 / 4 , 153 2 , 10 10 ... 4 , 9 3 , 9
2
2 2 2 2
= + + + + =
total
SC


( ) ( ) 395 , 0 16 / 4 , 153 4 / 5 , 39 8 , 37 3 , 38 3 , 38
2
2 2 2 2
= + + + =
oo tratamient
SC


785 , 0 395 , 0 18 , 1 = =
error
SC


ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

131

12 :
3 1 :
15 1 :
4 16 :
=
=
=
= =
n N Error
n o Tratamient
N Total
n N GL


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

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




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
2
3
4
73
73
75
73
68
67
68
71
74
75
78
75
71
72
73
75
67
70
68
69

(134) Se emplean cuatro laboratorios para realizar un anlisis 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
2
3
4
58,7
64,5
57,3
61,4
62,7
56,1
60,9
58,2
55,9
60,3
59,1
60,3
60,7
60,9
59,2
58,1
61,4
63,1
55,2
62,3

Existe diferencia significativa entre los laboratorios
Realice un anlisis de varianza

Palacios C. Severo


132

(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
2
3
13
16
5
18
17
1
39
44
22
22
24
4

(136) Se desea estudiar la adicin sistemtica para la obtencin de
peltre (aleacin de estao, plomo, cobre antimonio) de muy 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
B
C
D
E
1,18
1,45
1,36
1,45
1,96
1,20
1,23
1,23
1,78
2,12
1,03
1,76
1,41
1,56
1,78
0,92
1,62
1,25
1,74
1,83
1,27
1,34
1,51
1,67
2,07
1,24
1,60
1,44
1,46
1,76
(137) Se realiz una prueba de la vida til, a temperatura acelerada,
de un tipo de calentador tubular. Se probaron seis calentadores,
cada uno a cuatro temperaturas distintas: 1520F, 1620F,
1660F y 1708F. Se registr el nmero de horas transcurridas
hasta que se present falla en los 24 calentadores utilizados en el
estudio.
temperatura Horas hasta la falla
1520
1620
1660
1708
1953
1190
651
511
2135
1286
837
651
2471
1550
848
651
4727
2125
1038
652
6134
2557
1361
688
6314
2845
1543
729
Investigue las suposiciones necesarias para un anlisis de 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
Cuadrtica
Cbica
-0,773
0,382
-0,078
-0,051
-0,637
0,584
0,238
-0,328
-0,765
0,585
0,583
0,259
(138) Un entomlogo cont el nmero de huevos que pone cada una de
las 15 hembras de polillas en das sucesivos, en tres variedades
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

133

de gusano de tabaco (USDA, campo y resistente). Los siguientes
datos son el nmero de huevos puestos en el tercer da despus
del apareamiento de cada hembra en cada variedad.
Variedad Nmero de huevos por polilla
USDA
Campo
Resistente
448
211
0
906
276
9
28
415
143
227
787
1
634
18
26
48
118
127
369
1
161
137
151
294
USDA
Campo
Resistente
29
0
0
522
253
348
319
61
0
242
0
14
261
275
21
566
0
0
734
153
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.
Clon
Replica I Replica II
Enraizado No enraizado Enraizado No enraizado
1
2
3
4
5
6
7
8
9
15
13
13
6
16
14
8
9
8
49
51
51
42
48
50
56
55
40
11
11
6
4
12
9
18
10
16
53
53
58
60
52
55
46
54
48
El cultivador quiere analizar la proporcin de cultivos 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.

Palacios C. Severo


134

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-
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

135

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.

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

( ) ( ) 6 , 1 20 / 24 4 , 1 6 , 1 ... 9 , 0 1
2
2 2 2 2
= + + + + =
total
SC


( ) ( ) 3 , 1 20 / 24 5 / 8 6 5 , 5 5 , 4
2
2 2 2 2
= + + + =
o tratamient
SC


( ) ( ) 08 , 0 20 / 24 5 / 8 , 4 8 , 4 4 , 4 8 , 4 2 , 5
2
2 2 2 2 2
= + + + + =
bloque
SC


Palacios C. Severo


136


22 , 0 08 , 0 3 , 1 6 , 1 = =
error
SC


12 1 :
4 1 :
3 1 :
19 1 :
5 4 20 :
= +
=
=
=
= = =
m n N Error
m Bloque
n o Tratamient
N Total
m n N GL


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

Al comparar los resultados de los valores de F encontramos que los
efectos de los tratamientos resultan significativos lo que indica que
existe una influencia diferente entre los efectos de las diferentes dietas
comparadas en cuanto al incremento de peso diario de las aves de
corral durante las pruebas.

Referente al efecto del agrupamiento en bloque resulto no significativo
por lo que las aves de corral se comportan en forma semejante 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)
2
SO
4
, NH
4
NO
3
, CO(NH
2
)
2
,
Ca(NO3)
2
y NaNO
3
y con un tratamiento control sin nitrgeno. Se
deseo aplicar los resultados sobre un rango bastante amplio de 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
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

137

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
NH4NO3
CO(NH2)2
Ca(NO3)2
NaNO3
Control
32,1
30,1
25,4
24,1
26,1
23,2
35,6
31,5
27,1
33,0
31,0
24,8
41,9
37,1
33,8
35,6
33,8
26,7
35,4
30,8
31,1
31,4
31,9
26,7

Las sumas de cuadrados se obtienen de la siguiente manera:

( )
i j
i j
i j t ot al
n
Y
Y SC
2
2

=


4945183
24
2 , 740
52 , 23323 = =
total
SC


( )
=
i j
i j
i j o t rat ami ent
n
Y
Y
b
SC
2
2
1


| | 2561533
24
2 , 740
4 , 110 8 , 122 1 , 124 4 , 117 5 , 129 145
4
1
= + + + + + =
o tratamient
SC


( )
=
i j
i j
i j bl oque
n
Y
Y
t
SC
2
2
1


| | 1927483
24
2 , 740
3 , 187 9 , 208 183 161
6
1
= + + + =
bloque
SC


bloque o tratamient total error
SC SC SC SC =

456166 1927483 2561533 4945183 = =
error
SC


Palacios C. Severo


138


Tabla 4.19 Anlisis de varianza
Fuente SC GL CM Fo Ft(99%)
Suelo
Tratamiento
Error
1927483
2561533
456166
3
5
15
642494
512306
30411
21,13
16,85
>
>
5,42
4,56
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

t1

t2

2,29
2,54
0,46
0,19
0,00
0,26
6,80
5,94
3,03
1,00
0,75
1,16
8,75
9,52
2,49
2,04
1,40
1,81

Asumiendo un bloqueo por tiempos, al llevar a cabo el anlisis de va-
rianza y probar la hiptesis de inters H
0
:
N1
=
N2
=
N3
, los resulta-
dos del ANOVA se muestran en la tabla 4.21

| | 917576
18
43 , 50
83 , 5 21 , 9 84 , 35
6
1
= + + =
bl oque
SC


| | 351136
18
43 , 50
01 , 26 68 , 18 74 , 5
6
1
= + + =
o tratamient
SC


| | 309755 21 , 3 .. 74 , 12 83 , 4
2
1
2884143 = + + + =
error
SC


171574 1412880 2330456 1764016 2853167
exp
= + =
er error
SC


1471262 1412880 2884143 = =
total
SC

ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

139


Con base en stos resultados, se obtiene la tabla 4.21 y a partir de la
sta, se concluye que la permanencia de nitrgeno en las hojas se ve
afectada por la cantidad de nitrgeno aplicada, pues F
o
= 4,09 < F
t(95%)

= 6,9. Por otro lado, al parecer los tiempos (bloques) difieren de 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
Nitrgeno
Error exp
Error
917576
351136
171574
30975
2
2
4
9
458788
175568
42893
3441
10,69
4,09
>
<

6,94
6,94

Total 1471262 17 R = 88,3383%

Ejemplo 4.38
Un ingeniero qumico piensa que el tiempo de reaccin de un proceso
qumico en donde los reactantes actan espontneamente esta en 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
2
3
4
73
-
73
75
74
75
75
-
-
67
68
72
71
72
-
75
218
214
216
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:

( ) ( )
2
3
2 3
1
1
= =

=
t
k r



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


Palacios C. Severo


140

( )
( )
889 , 0
3 3
4 2
= = =
kT
t
E



Prefiriendo de esta forma bloques incompletos balanceados.

Para comprobar la hiptesis H
0
:
1
=
2
=
3
=
4
, se construyen las
diferentes sumas de cuadrados con base en la estructura de las si-
guientes matrices:

( )
4 4 4 4
4
3
2
x x
J I C =

4 4
3
8
x
I = O

4 4
1
3
8
x
I = O



Con base en estos resultados, se encuentra que:

8100
12
870
63156 = =
total
SC


( ) 5500
12
870
218 224 207 221
3
1
= + + + =
bloque
SC


( ) 2275 400 16 49 81
24
1
= + + + =
ajus
trat
SC

En la tabla 4.23 se resumen los resultados anteriores a travs del an-
lisis de varianza. Puesto que F
o
= 11,66 > F
t(95%)
= 5,41, se concluye que
el catalizador empleado tiene un efecto significativo sobre el tiempo de
reaccin.

325 5500 2275 8100 = = =
bloque trat total
SC SC SC SCerror
ajus


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








ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

141























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
2
3
4
5
0,78
0,83
0,83
0,83
0,75
0,75
0,86
0,89
0,88
0,76
0,77
0,81
0,89
0,86
0,76
0,80
0,85
0,92
0,79
0,86
0,81
0,92
0,95
0,98
0,78
0,78
0,85
0,93
1,14
0,97
(143) Un fabricante produce nutrientes en cuatro reactores se sabe
que cada reactor tiene sus propias caractersticas de 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.

Palacios C. Severo


142

Se efectu un diseo de bloques aleatorizados para una empresa
exportadora, los datos son:
Agitacin Reactor
5
10
15
20
6
9
2
6
5
6
9
3
8
14
14
7
4
5
6
9
Existe alguna evidencia de que la velocidad de agitacin influya
en la disolucin de los productos.
Que recomienda usted al ingeniero de planta respecto a la 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
2
3
4
5
58,7
61,4
60,9
59,1
58,2
62,7
64,5
63,1
59,2
60,3
55,9
56,1
57,3
55,2
58,1
60,7
60,3
60,9
61,4
62,3
Existe alguna diferencia significativa entre los laboratorios.
(145) Se estudia el rendimiento de cuatro detergentes diferentes. Se
obtuvieron las siguientes lecturas de blanqueo para 12 cargas de
lavado distribuidos en tres modelos de lavado.
Detergente Lavado
A
B
C
D
45
47
48
42
43
46
50
37
31
52
55
49
(146) Considere un experimento de 10 tratamientos y 5 replicaciones
en el diseo experimental de bloques completos al azar. Muestre
un plan de la aleatorizacin de los tratamientos en las rplicas
(Bloques).
(147) Quince variedades de maz fueron sembradas en una estacin
experimental, con el propsito de seleccionar los de mayor 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
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

143

Bloque
Variedad
Error
2
38033,14

7,38
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 P
2
celdas contiene una de las
P letras que corresponde a un tratamiento, y cada letra aparece una
sola vez en cada rengln y columna, ejemplo.

Palacios C. Severo


144


(
(
(
(
(
(
(

(
(
(
(
(

(
(
(

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


Su utilidad esta determinado por la bsqueda de ejercer un control
efectivo de posibles fuentes de error en el experimento, derivadas stas
fundamentalmente de las caractersticas individuales del material
experimental; se puede ampliar las posibilidades de control a dos 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.

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

Tratamiento A B C D
Total 202 142 204 188
Media 50,5 35,5 51 47
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

145


Partiendo de la base de datos obtenemos:

( ) ( ) 1330 16 / 763 59 53 ... 41 44
2
2 2 2 2
= + + + + =
total
SC

( ) ( ) 365 16 / 763 4 / 207 193 181 153
2
2 2 2 2
= + + + =
f i l a
SC


( ) ( ) 5 , 226 16 / 763 4 / 192 191 161 202
2
2 2 2 2
= + + + =
col umna
SC


( ) ( ) 626 16 / 763 4 / 188 204 142 202
2
2 2 2 2
= + + + =
o tratamient
SC


5 , 112 626 5 , 226 365 1330 = =
error
SC


6 2 3 :
3 1 :
3 1 :
3 1 :
15 1 :
4 16 :
= +
=
=
=
=
= =
n N Error
n o Tratamient
n Columna
n Filas
N Total
n N GL


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

Ejemplo 4.40
Se presenta un experimento, en donde se probaron cuatro mtodos
distintos, A, B, C y D, para preparar mezclas de concreto. Consistieron
los mtodos de dos relaciones de cemento y agua, y dos duraciones de
mezclado. Los cuatro mtodos fueron controlados por cuatro lotes y
cuatro das. El concreto se col en cilindros y se midi la resistencia a
la compresin en kg=cm
2
, a los 7 das de almacenamiento en cmaras
especiales con 20C de temperatura y 50% de humedad relativa. Los
resultados del diseo que se uso se presentan en la tabla 4.25

Tabla 4.25 Resistencia del concreto a la compresin en kg=cm
2

Das Ensamblado Total

Palacios C. Severo


146

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

28540
16
4784
1433270 = =
total
SC


| | 17500
16
4784
1222 1140 1174 1248
4
1
= + + + =
mtodo
SC


| | 915
16
4784
1197 1209 1196 1182
4
1
= + + + =
das
SC


| | 7455
16
4784
1177 1217 1228 1162
4
1
= + + + =
lote
SC


2670 = =
lote das trat total error
DC SC SC SC SC


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 F
t(95%)

> 4,75 y puesto que F
o
= 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=cm
2

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







ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

147

























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.
Filas
Ensamblado
I II III IV V
1
2
3
4
5
A=8
C=11
B=4
D=6
E=4
B=3
E=8
A=5
C=10
D=8
D=7
A=3
C=1
E=6
B=8
C=1
D=7
E=10
B=6
A=3
E=7
B=2
D=9
A=8
C=2
(149) Un ingeniero agrnomo est investigando el efecto que tienen
cuatro mtodos de fumigado (A, B, C y D) sobre el tiempo de cu-

Palacios C. Severo


148

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:
Fumigado
Operario
I II III IV
1
1
1
1
C=2
B=8
A=9
D=14
D=7
C=1
B=11
A=12
A=14
D=18
C=10
B=10
B=10
A=7
D=5
C=10
(150) Se va efectuar un estudio de los movimiento para determinar el
mejor diseo de trabajo para montar computadoras, cinco 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.
Estudiante
Diseo de trabajo
I II III IV V
1
2
3
4
A=10
B=5
C=6
D=4
B=3
C=10
D=12
E=8
C=9
D=5
E=5
A=4
D=14
E=10
A=10
B=11
E=11
A=6
B=6
C=5
Cada estudiante sigue cada diseo durante dos das y se registra
el nmero de computadoras montadas:
(151) Se efecta un experimento de soldadura, empleando el siguiente
arreglo:
Estudiante
Diseo de trabajo
I II III
1
2
3
A=14
B=9,5
C=11
B=16,5
C=17
A=12
C=11
A=15
B=13
(152) Se fabrica una cubierta de caucho para una avioneta y se expe-
rimenta un cuadrado latino, el experimento es descrito:
Prueba
Maquina
I II III IV
2
3
1
4
A=251
D=234
C=236
B=195
B=241
C=273
D=236
A=270
D=227
A=274
B=218
C=230
C=229
B=226
A=268
D=225
(153) Una investigacin describe los mtodos de preparacin de cierto
insecticida. Se usa un diseo cuadrado latino para analizar.
Mezcla
Ingredientes
I II III IV V VI VII
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

149

1
2
3
4
5
6
7
A=98
B=69
C=37
D=65
E=56
F=113
G=64
B=17
E=67
F=83
G=60
D=44
C=15
A=62
C=89
A=70
G=83
E=91
B=70
D=65
F=65
D=64
G=70
B=74
F=56
C=68
A=51
E=86
E=63
F=111
D=70
C=61
A=88
G=83
B=45
F=132
D=60
A=75
B=59
G=111
E=57
C=100
G=244
C=218
E=169
A=150
F=220
B=233
D=187
(154) Una agencia de control supone que existe diferencia en el 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:
Anlisis
Lote
I II III IV V
1
2
3
4
5
A=24,3
B=24,4
C=24,6
D=24,9
E=24,0
B=24,7
C=24,3
D=24,5
E=24,4
A=24,2
C=24,3
D=24,9
E=24,7
A=24,5
B=24,8
D=24,4
E=24,4
A=24,5
B=24,4
C=24,6
E=24,3
A=24,4
B=24,6
C=24,4
D=24,9
(155) En un fuelle de herrero se forjan 4 clases de aceros. A una misma
temperatura, aunque se sospecha que cada uno de los tipos de
acero tiene un punto de caldeo, se trabaja con cada uno de ellos
al temple, logrndose los siguientes resultados
Acero
Caldeo
I II III IV
1
2
3
4
A=48
C=41
B=49
D=46
B=43
D=48
A=45
C=41
D=47
A=43
C=41
B=46
C=41
B=47
D=49
A=46
(156) Se evalan tres muestras de tierra fertilizada con abono: qumi-
co, natural y compost. Siendo los resultados siguientes.
Abono
Fertilizante
I II III IV
Qumico
Natural
Compost
A=4,9
B=5,1
C=4,7
C=4,0
A=5,3
D=4,8
B=4,3
D=4,8
A=5,1
D=4,2
C=4,1
B=4,5
Analice y obtenga sus conclusiones.
(157) Se realiza un experimento para determinar si la temperatura
(C), de horneado afecta en el vidriado de cierto tipo de azulejo.
El experimento proporciono los siguientes datos:
Temperatura
Vidriado
I II III IV
1300
1400
1500
1800
C=23
A=24
D=25
B=28
A=21
B=22
C=25
D=23
B=24
D=27
A=29
C=29
D=26
C=25
B=28
A=27

Palacios C. Severo


150

(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.
Solucin
Das
I II III
1
2
3
A=13
C=22
B=9,5
B=44
A=12
C=22
C=16
B=13
A=39
(159) Se utilizan cinco reactores distintos sobre una solucin 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.
Reactor
Das
I II III IV V
A
B
C
D
E
A=8
C=6
B=10
D=2
E=8
B=10
E=1
A=7
C=7
D=4
D=5
A=3
C=1
E=8
B=6
C=8
D=7
E=6
B=2
A=4
E=3
B=8
D=10
A=9
C=11
(160) Se encuentra bajo estudio el efecto que tienen 5 reactivos 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
2
3
4
5
A=8
C=11
B=4
D=6
E=4
B=7
E=2
A=9
C=8
D=2
D=1
A=7
C=10
E=6
B=3
C=7
D=3
E=1
B=6
A=8
E=3
B=8
D=5
A=10
C=8
Analice la tabla de ANOVA
Diga que otro diseo experimental pudiera utilizarse.
Diga que recomendara respecto a la eleccin del reactivo 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.
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

151

Fuente SC GL CM Fo
Filas
Columnas
Tratamiento
Error



2,72
1,44
5,04
58,4
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.

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

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


Palacios C. Severo


152

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.

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

( ) ( ) 75 , 173 16 / 158 15 7 ... 10 9
2
2 2 2 2
= + + + + =
total
SC


( ) ( ) 25 , 14 16 / 158 4 / 41 42 42 33
2
2 2 2 2
= + + + =
fila
SC


( ) ( ) 75 , 2 16 / 158 4 / 41 39 41 37
2
2 2 2 2
= + + + =
columna
SC

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

( ) ( ) 25 , 94 16 / 158 4 / 36 56 31 35
2
2 2 2 2
= + + + =
oo tratamient
SC


los totales de las lneas de montaje son:

Letra Griega Total de montaje




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

( ) ( ) 25 , 31 16 / 158 4 / 31 44 38 45
2
2 2 2 2
= + + + =
montaje
SC

ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

153

25 , 31 25 , 31 25 , 94 75 , 2 25 , 14 75 , 173 = =
error
SC


3 3 4 :
3 1 :
3 1 :
3 1 :
3 1 :
15 1 :
4 16 :
= +
=
=
=
=
=
= =
n N Error
n o Tratamient
n Montaje
n Columna
n Filas
N Total
n N GL


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

En el anlisis de varianza ninguna de las fuentes de variacin contro-
ladas resultaron significativas al anlisis ya que los valores calculados
de F siempre son menores que los valores de F
t
.





Problemas

(162) Se desea saber si hay diferencia entre cuatro combustibles usa-
dos en cuatro sembradoras. Disear un experimento grecola-
tino.
Montaje
Operario
I II III IV
1
2
3
4
A=14
B=16
C=19
D=15
B=16
C=16
D=18
A=11
C=21
D=11
A=16
B=15
D=14
A=23
B=16
C=15
(163) Con el fin de mejorar la calidad de las gallinas, se han aadido
dos productos qumicos en su alimentacin. Las distintas 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

Palacios C. Severo


154

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.
Especies
Peso
I II III IV
1
2
3
4
A=3
B=4
C=8
D=6
B=6
C=6
D=10
A=3
C=10
D=5
A=5
B=7
D=6
A=6
B=8
C=3


















IX. PRUEBA DE INTERVALOS MLTIPLES DE DUNCAN

Procedimiento de uso amplio para comprobar las parejas de medias.
Para aplicar dicha prueba en muestras del mismo tamao, se 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 CM
error
= 8,06 para
N=25 y n=5, el error tiene 20 GL, organizando los promedios Y de
tratamientos en orden ascendente se tiene

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

155

Y4 = 21,6

Error estndar de cada promedio:
27 , 1 / = = n CM S
error
i
Y


i
Y
S r r * 95 , 2 ) 20 , 2 (
05 , 0 05 , 0
=


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


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


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


Tabla 4.28 Datos para tratamiento
Tratamiento 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

Y
3
y Y
2
no existe diferencia significativa
Y
5
y Y
1
no existe diferencia significativa

X. DISEO DOBLE REVERSO

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

Palacios C. Severo


156

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
Gallinas
Sub experimentos d = I 2II + III
I II II d1 d2 d
2

1
2
3
4
5
6
7
8
9
10
11
12
b=6
b=6
a=9
b=4
a=10
a=7
a=12
a=9
b=4
b=3
b=6
a=8
a=7
a=9
b=3
a=8
b=12
b=7
b=4
b=6
a=15
a=18
a=9
b=4
b=3
b=2
a=9
b=2
a=7
a=10
a=15
a=11
b=4
b=8
b=7
a=12


12

-7
3
19
8



12
-3
-10

-10




-22
-25
-5
9
100
144
100
49
9
361
64
484
625
25
144
Total 47 -75 2114

Pasemos a continuacin al anlisis de los resultados de este 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
B
185
93
10,28
23,25

( ) ( ) 2065 12 / 75 47 2114
2
= =
total
SC


( ) ( ) 33 , 1240 12 / 75 47 6 / 75 47
2
2 2
= + =
oo tratamient
SC


ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

157

67 , 824 33 , 1240 2065 = =
error
SC


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

En funcin de los resultados existe diferencia significativa en cuanto a
la produccin de huevos de las gallinas sometidas a tratamiento y esta
en funcin de los datos obtenidos respectivamente.

Como puede apreciarse este diseo tiende a dar solucin a las 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.




Palacios C. Severo


158





























XI. ESTIMACIN DE PARMETROS DEL MODELO

Las herramientas principales para el diagnstico de modelos unifac-
toriales esta basado en los residuos.

ij
ij ij
Y Y = c

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.
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

159


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

Los residuos se organizan en forma ascendente y se calculan sus pun-
tos de probabilidad acumulada P
k
.

La grfica de probabilidad normal se deja al lector para que lo desa-
rrolle, con los residuos graficados contra P
k
x100 en la escala vertical
derecha.

En la parte inferior los puntos del residuo.

XII. POLINOMIO ORTOGONAL

Palacios C. Severo


160


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.

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

41 -155 -57 -100
( ) | |
2 2
/
i i
C n Y C SC

33,62 343,21 64,98 33,95
El modelo polinomial cbico ajustado a los datos es:

c o o o o + + + + = ) ( ) ( ) (
3 3 2 2 1 1
X P X P X P Y
o


= = = 04 , 15 25 / 376 / N Y SC
o
o


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


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


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


ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

161

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

( ) ( ) ( ) | |
( ) ( ) | | 20 / ) 7 ) 5 ( 3 ( 5 / 25 5 / 25 ) 6 / 5 ( 14 , 1
12 / 1 5 5 / 25 2143 , 2 5 / ) 25 ( 82 , 0 04 , 15
2
2
2

+ =
X X
X X Y


resultando el modelo

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


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

Los efectos cuadrtico y cbico del porcentaje de algodn son 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


Palacios C. Severo


162

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.

ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

163

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 R
n
y los tamaos mustrales N
n
. Por conveniencia elegimos N
1

al menor. Una diferencia significativa entre la suma del rango
R
1
y R
z
, implica una diferencia entre las muestras.
3. Para encontrar la diferencia entre las sumas de rangos, usa-
mos:
j i R
N N
N N U
i
i i
j i
=
+
+ =
2
) 19 (


La distribucin muestral U es simtrica y tiene una media

2
j i
U
N N
=


y una varianza

12
) 1 (
2
+ +
=
j i j i
U
N N N N
o



Palacios C. Severo


164

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

U
U
U
z
o

=


Esta normalmente distribuido con media cero y varianza 1. Un valor
correspondiente a otra muestra viene dada por.

j i R
N N
N N U
i
i i
j i
=
+
+ =
2
) 19 (


Adems

j i j i
N N U U = +

676 , 0
33
= b

Donde:

N = 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
2
3
4
5
11,7
11,8
12,6
12,9
14,1
6
7
8
9
10
14,7
15,2
15,9
16,1
16,9
11
12
13
14
15
17,8
18,3
18,9
19,6
20,5
16
17
18
22,7
24,2
25,3
Combinando los 18 valores de la muestra en ordenacin ascendente,
tal como se indica en la tabla 5.33, en la segunda fila se asignan los
rangos.

Donde

10 8
2 1
= = N N


Adems

65 106
2 1
= = R R

ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

165


( ) ( ) 10 106 2 / 9 8 10 8 = + = U


40 2 / 10 * 8 = =
U



67 , 126 12 / 19 * 10 * 8
2
= =
U
o


la distribucin es

| | 67 , 2 25 , 11 / 40 10 = = z

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

como la hiptesis H
o
que estamos estudiando es que no hay diferencia
entre los telares, entonces

96 , 1 96 , 1 + s s z si H
o


Rechazamos y concluimos que hay diferencia entre los telares al nivel
del 0,05.
IV. PRUEBA H DE KRUSKAL-WALLIS

Con esta prueba podemos decidir si dos muestras provienen o no de la
misma poblacin. Una generalizacin para k muestras de Kruskal-
Wallis con sus pruebas.

La prueba puede describirse como: sean k muestras de tamao N
k
, con
suma total N, supongamos que los datos de todas las muestras se or-
denan y que las sumas de rangos para las k muestras son R
k
respecti-
vamente. Definido:


Palacios C. Severo


166

) 1 ( 3
) 1 (
12
2
+

+
= N
N
R
N N
H
j
j


Ejemplo 5.47
Una fabrica de tejidos desea comprar una de cinco maquinas 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
2,5
2,5
4
42
48
50
50
6,5
6,5
6,5
6,5
53
53
53
53
9
10
11
12
57
60
61
63
14
14
14
16
64
64
64
65
17,5
17,5
19
21
68
68
70
72
21
21
23
24
25
72
2
75
77
82

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

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

44 , 6 = H

Para K-1=4 grados de libertad al nivel de significacin 0,05
2
96 , 0
X
.
Puesto que 6,44 < 9,49 no podemos rechazar la hiptesis de igualdad
entre las maquinas. Podemos aceptar la hiptesis de que no hay 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.

ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

167

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

Palacios C. Severo


168


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.
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

169


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:

) 1 (
6
1
2
2

=
N N
D
r
S


Ejemplo 5.48
Se analiza agua contaminada de 10 estanques, adems para ver la
confiabilidad de dicho anlisis se procede a realizar los clculos 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
D
2
1 4 1 1 1 9 1 4 1 1

| | 8545 , 0 ) 1 10 ( * 10 / ) 24 * 6 ( 1
2
= =
S
r


Indica que hay marcada relacin entre los anlisis de laboratorio y
terico.

Anlisis de varianza

El anlisis de varianza es una tcnica que resulta til para mejorar la
precisin de un experimento. Supongamos que en un experimento la
variable respuesta Y est relacionada linealmente con la variable 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.

Palacios C. Severo


170


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

( ) ( ) 40 , 436 ) 5 ( 3 / 603 32 34 ... 41 36
2 2 2 2 2
= + + + + =
YY
SC


( ) ( ) 73 , 261 ) 5 ( 3 / 362 15 21 ... 25 20
2 2 2 2 2
= + + + + =
XX
SC


( ) ( ) 60 , 282 ) 5 ( 3 / 603 * 362 32 * 15 34 * 21 ... 41 * 25 36 * 20
2 2 2 2
= + + + + =
XY
SC


( ) ( ) 40 , 140 ) 5 ( 3 / 603 5 / 180 216 207
2 2 2 2
= + + = T
YY


( ) ( ) 13 , 66 ) 5 ( 3 / 362 5 / 106 103 126
2 2 2 2
= + + = T
XX


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


00 , 206 40 , 140 40 , 346 = = T = E
YY YY YY
SC

50 , 195 13 , 66 73 , 261 = = T = E
XX XX XX
SC


60 , 186 00 , 90 60 , 282 = = T = E
XY XY XY
SC

( ) ( ) 27 , 41 73 , 261 / 6 , 282 40 , 346 /
2 2
= = =
E XX XY YY
SC SC SC SC


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


28 , 13 99 , 27 27 , 41

= =
E E
SC SC

ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

171


( ) | | | | ( ) ( ) | | 1 1 / / 1 /

=
E E E
n a SC a SC SC F
o


| | | | 61 , 2 11 / 99 , 27 / 2 / 28 , 13 = =
o
F

86 , 2
11 , 2 , 90
= F

954 , 0 6 , 195 / 6 , 186 / = = E E =
XX XY
|


( ) | | ( ) ( ) ( ) 08 , 70 59 , 2 / 6 , 195 / 6 , 186 / /
2 2
= = E E =
error XX XY o
CM F


65 , 9
11 , 2 , 90
= F

( ) ( ) 38 , 40 13 , 24 2 , 25 954 , 0 4 , 41
1 1 1
= = = X X Y Ajustada Y |


( ) ( ) 42 , 41 13 , 24 0 , 26 954 , 0 2 , 43
2 2 2
= = = X X Y Ajustada Y |


( ) ( ) 80 , 38 13 , 24 2 , 21 954 , 0 0 , 36
3 3 3
= = = X X Y Ajustada Y |

Tabla 5.34 Anlisis de varianza
Fuente GL
SC
Y GL CM
X XY Y
Maquina
Error
Total
2
12
14
66,13
195,60
261,73
96,0
186,6
282,6
140,4
206,0
346,4

27,99
41,27

11
13

2,54
Maquina
ajustada
13,28 2 6,64





Problemas

(170) Se dan los rangos de 10 estudiantes en mitad de semestre y a fin
de semestre obtenido en los exmenes de estadstica.
Compute el coeficiente de correlacin de Spearman e 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

Palacios C. Severo


172

(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
2
2,5
4
24
28
37
39
6
6,5
7
7,5
43
45
52
53
9
10
11
12
58
62
63
64
13
14
15
16
65
66
67
68
17
17,5
19
21
69
71
73
75
23
24
26
28
32
77
78
79
80
82
(172) Se analiza Aire contaminado de 10 Ingenios mineros, adems
para ver la confiabilidad de dicho anlisis se procede a realizar
los clculos analticos para ver su dispersin.
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
0,40
0,32
0,49
0,48
0,29
0,27
0,22
0,20
0,39
0,49
0,45
0,30
0,42
0,41
0,20
0,29
0,27
0,35
0,29
2,00 1,37 2,07 1,40
(175) Se usan tres maquinas distintas para producir Yogur para una
empresa Heladera. La ingeniera de proceso esta interesada en
determinar si existe diferencia en los resultados del Yogur 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
40
29
27
49
45
20
29
39
35
28
26
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

173

32
49
48
22
20
39
30
42
41
27
35
29
49
43
47
29
24
19
200 137 207 140 213 126
(176) Se dan los rangos de 10 estudiantes en mitad de semestre y a fin
de semestre obtenido en los exmenes de diseo experimental de
una Universidad Estatal del Sur del Per.
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

Palacios C. Severo


174


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.
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

175


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.

Proceso
Factores externos
Y
1
Y
2
Respuesta
(Salidas)
X
2
Factores
controlables
X
1
( Entradas)
Diseo

{


Ejemplo 6.51
Se lixivia un desecho minero conocido como cola (relave, desecho,
desmonte) con alto contenido de plata, estao, plomo y cobre. En 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).

Palacios C. Severo


176


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
2 2 Fe AgO Fe Ag

+ +
+ + +
2
2 2 Fe Ag Fe Ag


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




















Problema

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

177

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-

Palacios C. Severo


178

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

4 5
12 10
Factor B
F
a
c
t
o
r

A


b) Sin interaccin

4 5
10 15
Factor B
F
a
c
t
o
r

A

Numricamente

| | | | 5 , 6 2 / 5 4 2 / 10 12 = + + = A

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

ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

179

Para el efecto B:

| | | | 5 , 0 2 / 12 4 2 / 10 5 = + + = A


Interpretando este resultado indica un decremento del factor B del
nivel 1 al 2 produciendo un cambio en la respuesta promedio de -0,5
unidades.

Como en este caso la diferencia en la respuesta entre los niveles de un
factor no es la misma en todos los niveles de otros factores. Cuando
esto ocurre existe una interaccin entre los factores.

Grficamente podemos visualizar este fenmeno,

Interactivo Sin Interaccin


Ejemplo 6.53
Un investigador disea un calefactor elctrico para mantener 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.


Palacios C. Severo


180

Tabla 6.35 Datos para el experimento del calefactor elctrico
Material
Temperatura
Yi
2 8 12
1
20
82
70
58
230
150
126
188
126
623
138
168
110
160
576 1429
2
136
106
122
115
479
25
58
70
45
198
130
74
155
180
539 1216
3
34
80
40
75
229
150
139
174
120
583
96
82
104
60
342 1154
Total 938 1404 1457 3799

79 , 77646 36 / 3799 60 82 ... 70 20
2 2 2 2 2
= + + + + =
total
SC


| | 72 . 10683 36 / 3799 4 * 3 / 1154 1216 1429
2 2 2 2
= + + =
material
SC


| | 72 , 39118 36 / 3799 4 * 3 / 1457 1404 938
2 2 2 2
= + + =
aa temperatur
SC


| | ( ) 78 , 9613 72 , 39118 72 . 10683 36 / 3799 4 / 342 ... 230
2 2 2
int
= + + =
eraccin
SC


75 , 18230 78 , 9613 72 , 39118 72 , 10683 97 , 77646 = =
error
SC


En la tabla 6.36 se muestran los resultados del procedimiento.

Tabla 6.36 Anlisis de varianza
Fuente SC GL CM 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 F
t
(95) existe interaccin as como influencia de los efectos
principales.
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

181

Temperatura
D
u
r
a
c
i

n
T
i
p
o
1
T
i
p
o

2
Tipo 3

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 F
t
(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

99 , 12 4 / 21 , 675 / = = = N CM S
error
i
Y


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

Palacios C. Severo


182

80 , 37 99 , 12 * 91 , 2 ) 27 , 2 (
05 , 0
= = r

75 , 39 99 , 12 * 06 , 3 ) 27 , 3 (
05 , 0
= = r


Tabla 6.37
Tratamiento Y22 Y32
Yij 9,8 10,8
Y12 21,6 11,8 10,8
Y32 17,6 7,8

Y
1
y Y
3
no existe diferencia significativa

El modelo estimado para el presente caso es:

Material Y1
Coeficientes de los contrastes ortogonales
Lineal Cuadrtico
1
2
3
1429
1216
1154
-1
0
1
1
-2
1
r 1 3
Efecto CiY 275 151
SC[(CiY)
2
/n Ci
2
] 12604,16 1266,72

164 , 25 ) 6 ( 3 / 151 * 3 /
83 , 45 ) 2 ( 3 / 275 /
52 , 105 36 / 3799 /
2
2
2
2
1
1
= =

=
= =

=
= =

=
i i
i i
o
C n Y C SC
C n Y C SC
N Y SC
o
o
o
t
t

El modelo del polinomio ortogonal es:

2 1
164 , 25 35 , 79 11 , 225 X X Y + =

Tabla6.38 Anlisis de varianza
Fuente SC GL CM 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.

22 , 59413
int mod
= + + =
eraccin temp material elo
sc SC SC S

765 , 0 /
mod
2
= =
total elo
SC SC R

ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

183

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
92
93
91
90
89
91
93
94
94
97
93
94
91
90
93
97
95
92
93
91
93
96
95
95
97
93
91
93
95
94
92
95
96
95
94
Tlote 279 270 278 284 275 285 276 284 285 279 281 285
Tproveedor 1111 1120 1130

31 , 148 36 / 3361 313935
2
= =
total
SC


| | 06 , 15 36 / 3361 8 * 4 / 1130 1120 1111
2 2 2 2
= + + =
proveedor
SC


| | | | 92 , 69 8 * 4 / 1130 1120 1111 3 / 285 281 ... 270 279
2 2 2 2 2 2 2
= + + + + + =
lote
SC


| | 33 , 63 3 / 285 281 ... 270 279 313935
2 2 2 2
= + + + + =
error
SC


3 4 36 : = = = m n N GL

35 1 : = N Total

2 1 : Pr = m oveedor

9 ) 1 ( : = n m Lote

24 ) 1 2 ( : = mn Error


Palacios C. Severo


184

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





































ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

185

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
m/min
Temperatura ()
160 180 200 240
0,508
60
80
76
74
64
60
99
104
96
98
108
99
0,635
99
110
111
119
88
92
104
99
95
92
86
88
0,762
99
110
107
98
104
88
114
108
110
104
88
102
Analice los datos.
Elabore una grfica de los residuos.
Estime los componentes de varianza con la temperatura.
(185) Se estudian factores que influyen en la resistencia de ruptura de
una fibra. Se eligen al azar tres maquinas y dos operarios y se
realiza un experimento Bifactorial usando la fibra de un mismo
lote de produccin.
Operario
Maquina
1 2 3
1
110
111
111
109
114
112
2
112
115
114
119
120
117
(186) Un ingeniero electromecnico estudia la fuerza producida por
un torno. Sospecha que los factores ms importantes son las 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
Torno
Rapidez alimentacin
0,15 0,30 0,45 0,60
980
2,85
2,80
2,86
2,87
2,94
2,88
2,83
2,86
1200
2,45
2,44
2,70
2,78
2,75
2,86
2,60
2,72
(187) Se realiz un experimento para determinar si la temperatura
influye en la coccin de un azulejo ordinario producto de arcillas
contaminadas.

Palacios C. Severo


186

Azulejo
Temperatura C
800 850 900
1
988
1026
1004
526
538
532
528
547
521
2
1063
1080
1043
565
510
590
570
565
583
(188) Un fabricante esta estudiando la tasa de combustible para tres
tipos de estufas. Se seleccionan aleatoriamente tres lotes de
combustible y se recopilan cuatro observaciones de la razn de
calefaccin en cada lote. Analice los datos y obtenga conclusio-
nes.
Lote
Proceso I Proceso II Proceso III
1 2 3 1 2 3 1 2 3
15
25
20
26
16
19
28
20
13
15
17
14
35
19
17
14
27
25
24
21
25
18
21
17
25
14
15
20
27
35
21
29
33
38
54
50
(189) Un Ingeniero est estudiando el calibrado y afino de un embolo
producido por tres fresadoras. Cada fresadora tiene 2 ejes. Se
seleccionan aleatoriamente cuatro componentes de cada eje.
Analice los datos.
Lote
Proceso I Proceso II Proceso III
1 2 1 2 1 2
9
10
8
16
15
13
19
14
10
11
13
12
10
12
11
14
15
15
14
8
9
11
12
12

















ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

187

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.

Palacios C. Severo


188

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.

Prueba Combinacin
Notacin 2
A B C
1
2
3
4
5
6
7
8
1
a
b
ab
c
ac
bc
abc
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+

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

189

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 2
n
puede combinarse geomtrica-
mente y cada combinacin experimental corresponde a un punto en el
espacio cartesiano cuyas coordenadas son 1.

VI. DISEO FACTORIAL 2
n


Los diseos factoriales se usan ampliamente en experimentos que 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 2
n
. 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.

1 2
3 4

Diseo factorial 2
n
simple

Palacios C. Severo


190

En el caso de n = 2, se tiene el factorial ms sencillo 2
2
.

VII. DISEO FACTORIAL 2
2


A este diseo se le llama diseo factorial 2
2
. Los niveles de los factores
pueden denominarse arbitrariamente mnimo y mximo.

Se tienen cuatro tratamientos que se denotan por cualquiera de los
siguientes smbolos.

El primer diseo de esta serie, es aquel que tiene Slo dos factores, A y
B, Cada uno con dos niveles, con cuatro combinaciones en el plano.

Ejemplo 6.56
Un investigador desea estudiar la influencia de la temperatura y el
tiempo de acondicionamiento en un experimento. Su vector respuesta
Y

es la recuperacin del proceso.



Factores Niveles
A = Temperatura (C)
B = tiempo (min)
20
1
80
3

El nmero de experiencias de 2
2
= 4 y el diseo ser:

Tabla 6.41 Notacin de un diseo 2
2

Prueba Combinacin
Diseo Niveles
Yi X1 X2 A B
1
2
3
4
1
a
b
ab
-
+
-
+
-
-
+
+
20
80
20
80
1
1
3
3
65
80
70
85

El anlisis del diseo 2
2
nos permite obtener informacin sobre los
efectos e interacciones de las variables.

Efecto A = [-1+a-b+ab]/2 = [-65+80-70+85]/2 = 15
Efecto B = [-1-a+b+ab]/2 = [-65-80+70+85]/2 = 5
Interaccin AB = [+1-a-b+ab]/2 = [65-80-70+85]/2 = 0

El efecto principal se calcula simplemente de las diferencias de los
promedios de las respuestas cuando el efecto A esta en su nivel supe-
rior, menos el promedio de las respuestas cuando A est en su nivel
inferior.

No existe interaccin con los factores en estudio.
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

191

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 2
2
con pruebas centrales
Prueba Combinacin
Diseo Niveles
Yi X1 X2 A B
1
2
3
4
5
6
7
1
a
b
ab
0
0
0
-
+
-
+
0
0
0
-
-
+
+
0
0
0
8
10
8
10
9
9
9
90
90
140
140
115
115
115
80
82
86
95
89
90
91

Para determinar la varianza media del error, evaluamos los puntos 5,
6 y 7 bajo la siguiente expresin:

( )
( ) 1 1
2
2
2

=
N N
Y
N
Y
S
i i


( )
1
6
270
2
91 90 89
2
2 2 2
2
=
+ +
= S


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

Ejemplo 6.58
En una investigacin se desea evaluar el efecto del SO
2
, 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.

Factores
Niveles
- 0 +
Q: Tasa de emisividad (g/s)
H: Altura de chimenea (m)
V: Velocidad del viento (m/seg)
X: Distancia (m)
80
30
5
500
120
45
7.5
650
60
60
10
800

La concentracin de SO
2
viene expresada por la relacin:

Palacios C. Severo


192

(
(

|
|
.
|

\
|
|
|
.
|

\
|

H
=
2
2 2 1
6
5 , 0 exp
10
K
H
K vK
Q
C


Donde:

k
1
= 36; k
2
= 18,5: son constantes de proporcionalidad.

Ejemplo 6.59

Un estudioso desea conocer la influencia de la temperatura y el tiempo
de acondicionamiento en un experimento. Particularmente est 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.

Factores
Niveles
- +
A: Tiempo (min)
B: Temperatura (C)
30
10
60
30

Se evalan dos factores fijados a dos niveles, es decir se decide utilizar
un diseo factorial completo, en donde N = 2
n
= 2
2
= 4 experimentos.
Los valores de las variables a experimentar se codifican con valores +1
y 1. Con los recursos que se dispone se decide realizar el experimento
por triplicado. Los resultados se visualizan en la siguiente tabla.

Tabla 6.43 Notacin de un diseo 2
2
replicado
Prueba A B Recuperacin
1
2
3
4
-
+
-
+
30
60
30
60
-
-
+
+
10
10
30
30
0,17
0,22
0,30
0,37
0,16
0,20
0,29
0,36
0,15
0,21
0,31
0,38

Tabla 6.44 Efecto e interacciones
Efectos Interacciones
A = 0,06
B = 0,15
AB = 0,01
Bloque = -0,015
Bloque = 0,005
Basado en 1 grado de libertad

Tabla 6.45 Anlisis de varianza
Fuente SC GL CM Fo Ft(99)
A
B
AB
Bloque
Error
0,0108
0,0675
0,0003
0,00035
0,00045
1
1
1
2
6
0,0108
0,0675
0,0003
0,000175
0,000075
144,00
900,00
4,00
2,33
>
>
<
<
13,74
13,74
13,74
13,74
Total 0,0794 11 R
2
= 99,4332%
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

193

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 2
2
con pruebas centrales
Prueba
Experimento
Y X1 X2
1
2
3
4
5
6
7
0,5
0,7
0,5
0,7
0,6
0,6
0,6
64
64
6
6
35
35
35
68,72
67,85
69,60
69,44
68,73
68,72
68,74

Varianza del error

| | | | 0001 , 0 6 / 16 , 206 2 / 74 , 68 72 , 68 73 , 68
2 2 2 2 2
= + + = S

el modelo lineal viene representado bajo un estudio de Yates.

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


Ejemplo 6.61
La remocin del cobre y la recuperacin de cianuro de los efluentes de
cianuracin son, sin duda de gran inters desde el punto de vista 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 2
2
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 2
2
utilizando como variables el pH (9 y 12) y la con-

Palacios C. Severo


194

centracin del compuesto (0,25 y 5 g/L). Todas las pruebas de este
diseo experimental se realizaron por triplicado.

Amina Frmula
Quartamin 2050
Quartamin 60
Dodecilamina
Quartamin D86P
R-N(CH3)3Cl
R-N(CH3)3Cl
CH3(CH2)11NH2
2R-N(CH3)3Cl

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

Prueba
Experimento
Remocin cobre (%) X1 X2
1
2
3
4
9
12
9
12
0,25
0,25
5
5
9,51
0,05
60,25
55,54
9,00
0,09
61,63
55,12
9,97
0,05
61,27
56,87

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

El primer paso para interpretar los efectos principales es comprobar
que la variacin observada en la respuesta es debida a un efecto real
de cada factor y no al error experimental. Para no entrar en detalles,
se considera que los dos efectos no son significativos y que no parecen
fruto de la imprecisin de la experimentacin. No existe interaccin
entre los factores.

Anlisis de varianza
Fuente SC GL CM Fo Ft(99)
X1: pH
X2: Amina
X1X2
Bloque
Error
8640,87
160,674
13,3774
1,12655
2,03945
1
1
1
2
6
8640,87
160,674
13,3774
0,56327
0,3399
25421,18
472,70
39,36
1,66
>
>
>
<
13,74
13,74
13,74
13,74
Total 8818,09 11 R
2
= 99,9769%

Valor ptimo = 61,05
Factor Bajo Alto ptimo
pH
Amina
9,0
0,25
12,0
5,0
9,0
0,25
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

195

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


De aqu puede verse que la amina y no as el pH afectan la eficiencia
de eliminacin de cobre. Un aumento en la cantidad de amina 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.

9
Amina
5
Grfica de Efectos Principales para Y
0
10
20
30
40
50
60
Y
pH
12 0.25

9
Amina=0.25
Amina=5
Grfica de Interaccin para Y
0
20
40
60
80
Y
pH
12
Amina=0.25
Amina=5

Grafico de efectos principales Interaccin de efectos principales

En el grfico de efectos principales vemos que el pH no tiene efecto
significativo, la Amina tiene efecto significativo.

No existe interaccin en el rango (niveles) trabajado, pero existe in-
teraccin a niveles inferiores de ambos factores.

Contornos de la Superficie de Respuesta Estimada
9 9.5 10 10.5 11 11.5 12
pH
0
1
2
3
4
5
A
m
i
n
a
Y
0.0-8.0
8.0-16.0
16.0-24.0
24.0-32.0
32.0-40.0
40.0-48.0
48.0-56.0
56.0-64.0
64.0-72.0
72.0-80.0
80.0-88.0

Superficie de Respuesta Estimada
9
9.5
10
10.5
11
11.5
12
pH
0
1
2
3
4
5
Amina
0
20
40
60
80
Y
Y
0.0-8.0
8.0-16.0
16.0-24.0
24.0-32.0
32.0-40.0
40.0-48.0
48.0-56.0
56.0-64.0
64.0-72.0
72.0-80.0
80.0-88.0

Grfico lineal con punto ptimo Grfico espacial con punto ptimo

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



Palacios C. Severo


196

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 2
2
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
73
23
30
47
71
26
33
Haciendo uso del anlisis de varianza, confirme el resultado.
Escriba la ecuacin de regresin teniendo en cuenta solamente
los trminos significativos.
Analice los efectos principales de los factores estudiados y de la
interaccin entre estos sobre el rendimiento mediante los 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 c
R
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
36
18
31
25
32
19
30
27
32
23
29
Analice de manera cualitativa la significacin de los factores de
inters (c
R
, m
K
) y la interaccin c
R
m
K
sobre el rendimiento de la
reaccin estudiada y compruebe estadsticamente el resultado
de su anlisis.
Escriba la ecuacin de regresin obtenida. Qu informacin le
brindan los signos de los coeficientes de la ecuacin? De que ti-
po es la interaccin c
R
m
K
?.
Analice los grficos de efectos principales de los factores estu-
diados y de la interaccin entre estos sobre el rendimiento. De-
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

197

termine las condiciones experimentales ptimas de c
R
y m
K
para
obtener el mayor rendimiento. Reporte el valor del rendimiento
y su intervalo de confianza en estas condiciones.
(192) En la determinacin potenciomtrica simultnea de NH
3
y CO
2

con HCl se desea estudiar la influencia de Co(II) y Ni(II) presen-
te en la muestra sobre los resultados obtenidos. Con este objetivo
se realizan dos diseos experimentales 2
2
para estudiar el efecto
de Co(II) y Ni(II) sobre la determinacin del NH
3
y sobre la de-
terminacin de CO
2
. Las condiciones del diseo son las siguien-
tes:
NH3 CO2
Ni(II) Co(II) NH3 Ni(II) Co(II) CO2
-
+
-
+
-
-
+
+
75,9
36,7
66,8
36,2
76,1
36,5
66,5
36,3
-
+
-
+
-
-
+
+
56,9
56,7
56,5
56,8
57,2
56,4
56,7
56,7
Analice de manera cualitativa la significacin de los factores de
inters (concentracin de Ni y de Co) y la interaccin entre estos
sobre el resultado de la determinacin de cada uno de los 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 NH
3
y de CO
2
.
(193) Se desea estudiar el efecto sobre el rendimiento (expresado en %)
de un proceso qumico para obtener un compuesto inorgnico de
tres factores de manera simultnea: concentracin de un 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
52,5
37,8
54,2
69,0
72,0
49,1
70,6
58,0
54,2
39,4
53,0
66,0
70,8
48,2
71,9
59,6
55,5
40,1
55,6
67,5
74,5
47,0
73,2
Afectan de manera significativa los factores estudiados el ren-
dimiento del proceso bajo investigacin

Palacios C. Severo


198

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
1,75
1,68
1,72
1,72
1,77
1,67
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
1,80
1,48
1,27
1,60
1,74
1,27
2,18
4,44
4,06
5,79
4,34
4,64
5,12
5,57
4,39
1,78
1,85
2,12
1,40
1,72
1,60
1,58
1,23
Cules de los mtodos pueden emplearse para la determinacin
de Ni
(196) Consideremos un experimento donde el objetivo es estudiar la
relacin entre la frecuencia de oscilacin de un reloj de cuarzo
patrn y las condiciones de humedad y temperatura. En este 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 (22
o
C, 24
o
C) y para la hu-
medad (20%, 50%).
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

199

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.
Prueba
Temperatura
(C)
Humedad
(%)
Frecuencia
(Hz)
1
2
3
4
5
6
22
24
22
24
23
23
20
20
50
50
35
35
9,9706
9,9706
99704
9,9702
9,9704
9,9692
En particular en el estudio presentado se muestra cmo evaluar
experimentalmente la incertidumbre dada por el fabricante de
un equipo para verificar su magnitud en las condiciones del
propio laboratorio. Este tipo de estudios podran llevar a 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.
Factores
Niveles
- +
Potencial (Vols)
NaOH (g/L)
DC (A/cm)
2,5
10
0,025
3,5
20
0,075

Prueba
Potencial
(Vols)
NaOH
(g/L)
DC
(A/cm)
Consumo
energa
(Watt-h)
Tiempo
(min)
2,5
3,5
2,5
3,5
2,5
3,5
2,5
10
10
20
20
10
10
20
0,025
0,025
0,025
0,025
0,075
0,075
0,075
3,43
9,38
4,33
13,94
3,29
9,38
5,73
115,0
78,7
108,5
76,0
78,9
78,7
173,9

Palacios C. Severo


200

3,5
3,0
3,0
3,0
3,0
3,0
20
15
15
15
15
15
0,075
0,050
0,050
0,050
0,050
0,050
15,66
7,79
7,64
6,87
7,75
6,70
113,2
88,9
87,4
80,3
93,8
80,0
Se pretende minimizar el tiempo del proceso, de consumo de
energa (mayor eficiencia de corriente) y menor cantidad de 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
cm
3
. El tiempo de reaccin se ha prolongado para aquellos casos
en que se observ un mejor comportamiento de la disminucin
de la DQO al aumentar la carga elctrica.
El plan experimental escogido para estudiar la influencia de las
principales variables de reaccin es un diseo factorial completo
2
3
con ocho barridos experimentales, donde las variables 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/m
2
).
Factores
Niveles
- +
X1: Temperatura (C)
X2: Concentracin (%)
X3: DC (A/m)
25
50
500
40
96
1000

Prueba
Temperatura
(C)
Concentracin
(%)
DC
(A/m) DQO
1
2
3
4
5
6
7
8
25
40
25
40
25
40
25
40
50
50
96
96
50
50
96
96
500
500
500
500
1000
1000
1000
1000
32487
725
3075
2852
2775
6525
867
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-
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

201

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/cm
2
; pH 4, 7 y 9; [NaCl] 0, 2000 y 4000 ppm.
Factores
Niveles
- 0 +
X1: DC (mA/cm)
X2: pH
X3: [NaOH] (ppm)
20
4
0
40
7
2000
60
9
4000

Prueba
DC
(mA/cm) pH
[NaOH]
(ppm)
Al
(g)
% Slidos totales
Clarificado Espuma
1
2
3
4
5
6
7
8
9
10
11
20
60
20
60
20
60
20
60
40
40
40
4
4
9
9
4
4
9
9
7
7
7
0
0
0
0
4000
4000
4000
4000
2000
2000
2000
0,0663
0,0659
0,0245
0,1301
0,2139
0,0648
0,0658
0,0647
0,2109
0,2091
0,2173
19,81
20,95
22,59
22,09
21,73
15,05
14,56
15,23
22,00
16,88
20,16
22,73
23,49
24,00
23,77
22,77
17,25
17,92
18,69
23,12
16,80
19,15
Que factor influye en el mayor desprendimiento de aluminio al
desarrollar la electrocoagulacin-electroflotacin.
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-

Palacios C. Severo


202

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.
Factores
Niveles
- 0 +
X1: pH
X2: DC (A/m)
X3: tiempo (min)
5
32,43
5
7
37,83
10
8
43,23
15

Prueba pH
DC
(A/m)
tiempo
(min)
DQO
(%)
1
2
3
4
5
6
7
8
9
10
11
5
8
5
8
5
8
5
8
7
7
7
32,43
32,43
43,23
43,23
32,43
32,43
43,23
43,23
37,83
37,83
37,83
5
5
5
5
15
15
15
15
10
10
10
75,73
62,36
46,55
93,99
70,83
51,44
77,29
93,99
43,88
45,79
42,15
La electrocoagulacin se vislumbra como un tratamiento 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 2
n
; se analiz la influencia de la
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

203

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.
Factores
Niveles
- 0 +
X1: Temperatura ()
X2: tiempo (h)
X3: Lquido/Slido (L:S)
30
1
8
45
2
10
60
3
12
Condiciones fijas del experimento: Velocidad de agitacin 600
rpm; pH 4,06.
Los modelos que regulan el proceso son:
9058 , 87 765 , 2 0625 , 0 1325 , 4 4475 , 6 2433 , 72
2 1 3 2 1
= + + + = R X X X X X Y
Ni

5456 , 96 165 , 2 3425 , 0 255 , 2 58 , 3 0333 , 81
2 1 3 2 1
= + + + + = R X X X X X Y
Co

0524 , 90 61125 , 1 51625 , 1 0613 , 17 24125 , 5 22625 , 6 36 , 71
3 2 2 1 3 2 1
= + + = R X X X X X X X Y
Fe

9567 , 95 2425 , 3 4925 , 0 6675 , 4 5 , 6 2356 , 70
2 1 3 2 1
= + + + + = R X X X X X Y
Mn

Elabore un diseo experimental que satisfaga la depuracin del
efluente
(202) Los residuos slidos de la lixiviacin o colas constituyen un gran
problema para el ecosistema de la regin industrial; su 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 2
3
, y un experimento en el nivel central. Con este diseo de
experimento se obtuvo el comportamiento de las variables de
respuesta Selectividad y Extraccin de Ag y Cu. La selectividad
se consider como la relacin entre la recuperacin de un com-
ponente dado y el grado de disolucin total del mineral. En to-
dos los experimentos se mantuvieron fijos los parmetros si-

Palacios C. Severo


204

guientes: relacin lquido:slido: L/S=12/1 cm
3
de solucin/g de
cola; velocidad de agitacin: 630 rpm; tamao de partculas (-
0,149+0,074) mm. Se realiz el estudio del comportamiento 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.
Factores
Niveles
- 0 +
X1: Temperatura ()
X2: tiempo (h)
X3: Lquido/Slido (L:S)
30
1
1
45
3
5
60
5
9

Prueba
T
()
t
(h)
L/S
(cm/g)
% Extraccin
Ag Cu
1
2
3
4
5
6
7
8
9
30
60
30
60
30
60
30
60
45
1
1
5
5
1
1
5
5
3
1
1
1
1
9
9
9
9
5
62,96
71,60
69,07
82,40
64,24
70,45
63,72
87,12
78,63
77,38
80,53
77,93
87,39
77,58
80,09
77,39
90,91
80,10
(203) Se controlaron 3 variables que permitieron conocer las 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:
Factores
Niveles
- 0 +
X1: [H2O2] (ml/L)
X2: Volumen a tratar (L)
X3: [TiO2] (mg/L)
0
4
0
1
8
100
2
12
200

Prueba
[H2O2]
(ml/L)
Volumen
(L)
[TiO2]
(mg/L)
Radiacin
(W/m)
pH
Degradacin
(%)
1
2
3
4
5
6
7
8
9
10
11
0
2
0
2
0
2
0
2
1
1
1
4
4
12
12
4
4
12
12
8
8
8
0
0
0
0
200
200
200
200
100
100
100
36,5
44,5
18,0
44,83
26,03
61,83
52,83
35,41
40,17
50,83
34,17
3,85
3,91
5,77
5,41
3,72
5,73
8,43
5,12
4,24
4,2
4,12
23,52
46,19
7,39
33,03
43,34
31,87
14,8
6,62
16,8
19,8
14,84
Para el estudio de estas variables se realizaron una serie de ex-
perimentos donde la variable de respuesta fue el porcentaje de
degradacin medido como el porcentaje de reduccin en la DQO.
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

205

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 2
n
, 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.
Prueba
Floculante
(mg/L)
Coagulante
(mg/L)
pH
Concentracin residual
Color DQO
1
2
3
4
5
6
7
8
0,1
1
0,1
1
0,1
1
0,1
1
20
20
100
100
20
20
100
100
6
6
6
6
9
9
9
9
47,0
45
13
22,5
188,5
180,5
40,5
40,5
84,5
75,0
60,5
55,5
105,5
138,5
82,5
42,5
Debido a la buena calidad del efluente obtenido bajo las condiciones 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 2
3



Palacios C. Severo


206

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 2
3
, y en este caso la representacin geomtrica
de las ocho combinaciones de tratamientos puede hacerse con un cubo
como se muestra

1 2
3 4
6
7 8

Diseo factorial 2
3
simple

Al igual que en el diseo factorial 2
2
, existen tres notaciones diferentes
para los ocho tratamientos que son de uso general. La primera es la
notacin + y -, llamada con frecuencia notacin geomtrica. La 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 2
3

Prueba A B C Combinacin Y
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

207

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

Tabla 6.48 Efecto e interacciones
Efectos Interacciones
A = 3,5
B = -3,5
C = 26,5
AB = 4,0
AC = 4,0
BC = 2,0
Error estndar 1 GL

Tabla 6.49 Anlisis de varianza
Fuente SC GL CM Fo Ft(99)
A
B
C
AB
AC
BC
Error
24,5
24,5
1404,5
32,0
32,0
8,0
4,5
1
1
1
1
1
1
1
24,5
24,5
1404,5
32,0
32,0
8,0
4,5
5,44
5,44
312,11
7,11
7,11
1,78
<
<
>
<
<
<
12,25
12,25
12,25
12,25
12,25
12,25
Total 1530,0 7 R
2
= 99,7059%

Ejemplo 6.63
Al ejemplo 6.62 se le adiciona un factor de mezcla en un experimento a
nivel planta piloto para estudiar los efectos que influyen sobre la taza
de filtracin de un producto.

Tabla 6.50 Datos para un diseo 2
4

Prueba A B C D Combinacin Y
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
-
+
-
+
-
+
-
+
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+
-
-
-
-
+
+
+
+
-
-
-
-
-
-
-
-
+
+
+
+
+
+
+
+
1
a
b
ab
c
ac
bc
abc
d
ad
bd
abd
cd
acd
bcd
abcd
71
65
60
65
90
95
86
96
85
88
68
80
83
85
75
70
Tabla 6.51 Efecto e interacciones
Efectos Interacciones

Palacios C. Severo


208

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


Tabla 6.52 Matriz de variables independientes
AB AC AD BC BD CD 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 R
2
= 86,09%

Ejemplo 6.64
Se lixivia un mineral argentfero en una salmuera clorurada, de desea
evaluar tres factores con el fin de establecer el efecto significativo de
cada uno de dichos factores y el rango de cada uno de ellos,

A: NaCl (gr) 100 150
B: H2SO4 (ml) 50 120
C: FeCl3 (gr) 15 35
A B C Y
100 50 15 68,71
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

209

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

Tabla 6.55 Efecto e interacciones
Efectos interacciones
A = 0,45
B = 0,92
C = 0,81
AB =-1,27
AC = 2,50
BC = 5,42
Errores estndar con 4 GL

Tabla 6.56 Anlisis de varianza
Fuente SC GL CM Fo Ft(99)
A
B
C
AB
AC
BC
Error
0,414
1,692
1,312
3,225
12,5
58,561
7,792
1
1
1
1
1
1
4
0,414
1,692
1,312
3,225
12,5
58,561
1,948
0,21
0,87
0,67
1,66
6,42
30,21
<
<
<
<
<

21,20
21,20
21,20
21,20
21,20
21,20
Total 85,798 10 R
2
= 90,9175%

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


Valor ptimo = 70,1382
Factor Bajo Alto ptimo
A
B
C
100
50
15
150
120
35
150
120
35

100
B
120 35
Grfica de Efectos Principales para Y
65.2
65.4
65.6
65.8
66
66.2
Y
A
150 50
C
15

100
-
+
100 150
-
-
+
-
+
Grfica de Interaccin para Y
62
64
66
68
70
Y
AB
150
-
+
AC
+
BC
50 120
-
+

Efectos e interacciones significativas de factores principales


Palacios C. Severo


210

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

Contornos de la Superficie de Respuesta Estimada
B=85.0
100 110 120 130 140 150
A
15
19
23
27
31
35
C
Y
64.0-64.3
64.3-64.6
64.6-64.9
64.9-65.2
65.2-65.5
65.5-65.8
65.8-66.1
66.1-66.4
66.4-66.7
66.7-67.0
67.0-67.3

Contornos de la Superficie de Respuesta Estimada
A=125.0
50 70 90 110 130
B
15
19
23
27
31
35
C
Y
64.0-64.3
64.3-64.6
64.6-64.9
64.9-65.2
65.2-65.5
65.5-65.8
65.8-66.1
66.1-66.4
66.4-66.7
66.7-67.0
67.0-67.3

Superficie respuesta estimada en el plano con punto ptimo de factores principales
Superficie de Respuesta Estimada
C=25.0
100
110
120
130
140
150
A
50
70
90
110
130
B
64
64.5
65
65.5
66
66.5
67
Y
Y
64.0-64.3
64.3-64.6
64.6-64.9
64.9-65.2
65.2-65.5
65.5-65.8
65.8-66.1
66.1-66.4
66.4-66.7
66.7-67.0
67.0-67.3

Superficie de Respuesta Estimada
B=85.0
100
110
120
130
140
150
A
15
19
23
27
31
35
C
64
65
66
67
68
Y
Y
64.0-64.3
64.3-64.6
64.6-64.9
64.9-65.2
65.2-65.5
65.5-65.8
65.8-66.1
66.1-66.4
66.4-66.7
66.7-67.0
67.0-67.3

Superficie de Respuesta Estimada
A=125.0
50
70
90
110
130
B
15
19
23
27
31
35
C
62
64
66
68
70
72
Y
Y
64.0-64.3
64.3-64.6
64.6-64.9
64.9-65.2
65.2-65.5
65.5-65.8
65.8-66.1
66.1-66.4
66.4-66.7
66.7-67.0
67.0-67.3

Superficie respuesta estimada en el espacio de factores principales

Aplicacin nanotecnologica

Actualmente el desarrollo de la nanotecnologa est asociado a la 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-
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

211

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 cm
2
, recubierto de una capa conductora de
xido de estao y flor.

Con el fin de poder controlar la densidad de corriente aplicada, el
tiempo de exposicin y la temperatura se utiliz un potenciostato-

Palacios C. Severo


212

galvanostato modelo 263 A y su correspondiente celdilla, introducida
en una manta calefactora con termostato.

El electrodo de referencia utilizado fue el de Ag/AgCl en una solucin
saturada de KCl/AgCl y contraelectrodo de Pt.

Como electrolito se emple una solucin de concentracin 5.10
-3
M de
ZnCl
2
y 0,1 M de KCl en agua desmineralizada. Durante todo el 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.

Factores
Niveles
- 0 +
X1: DC (mA/cm)
X2: Tiempo (seg)
X3: Temperatura (C)
1
600
65
1,75
1200
75
2,5
1800
85

Prueba X1 X2 X3
Altura
(nm)
1
2
3
4
5
6
7
8
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+
439
281
611
902
304
256
109
687

Los valores de la variable respuesta, altura de las columnas expresada
en nanmetros (nm), se analizaron mediante el programa para
computadoras STATGRAPHICS Centurion.

Efectos estimados para Altura
Efectos Interacciones
A: X1 = 165,75
B: X2 = 257,25
C: X3 = -219,25
AB = 268,75
AC = 79,25
BC = -139,25
Errores estndar con 1 GL

Tabla 4.12 Anlisis de varianza
Fuente SC GL CM Fo Ft(99%)
A: X1
B: X2
C: X3
AB
AC
BC
Error
54946,1
13235,5
96141,1
14445,3
19701,1
38781,1
3916,13
1
1
1
1
1
1
1
54946,1
13235,5
96141,1
14445,3
19701,1
38781,1
3916,13
14,03
33,80
24,55
36,89
5,03
9,90
<
<
<
<
<
<
161,4
161,4
161,4
161,4
161,4
161,4
Total 490294 7 R = 99,2013%
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

213

3 2 3 1 2 1 3 2 1
0116 , 0 616 , 6 2986 , 0 6166 , 8 562118 , 0 083 , 744 33 , 1271 X X X X X X X X X Altura + + + =

Valor ptimo = 924,125
Factor Bajo Alto ptimo
A: X1
B: X2
C: X3
1
600
65
2,5
1800
85
2,5
1800
65

1
X2
1800 85
Grfica de Efectos Principales para Altura
320
370
420
470
520
570
620
A
l
t
u
r
a
X1
2.5 600
X3
65

1
-
+
1 2.5
-
-
+
-
+
Grfica de Interaccin para Altura
200
300
400
500
600
700
800
A
l
t
u
r
a
AB
2.5
-
+
AC
+
BC
600 1800
-
+

Efectos e interacciones significativas de factores principales

Contornos de la Superficie de Respuesta Estimada
X3=75.0
1 1.3 1.6 1.9 2.2 2.5
X1
600
800
1000
1200
1400
1600
1800
X
2
Altura
260.0-320.0
320.0-380.0
380.0-440.0
440.0-500.0
500.0-560.0
560.0-620.0
620.0-680.0
680.0-740.0
740.0-800.0
800.0-860.0
860.0-920.0

Contornos de la Superficie de Respuesta Estimada
X2=1200.0
1 1.3 1.6 1.9 2.2 2.5
X1
65
69
73
77
81
85
X
3
Altura
260.0-320.0
320.0-380.0
380.0-440.0
440.0-500.0
500.0-560.0
560.0-620.0
620.0-680.0
680.0-740.0
740.0-800.0
800.0-860.0
860.0-920.0

Contornos de la Superficie de Respuesta Estimada
X1=1.75
600 800 1000 1200 1400 1600 1800
X2
65
69
73
77
81
85
X
3
Altura
260.0-320.0
320.0-380.0
380.0-440.0
440.0-500.0
500.0-560.0
560.0-620.0
620.0-680.0
680.0-740.0
740.0-800.0
800.0-860.0
860.0-920.0

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

La formacin y crecimiento de columnas de ZnO sobre un sustrato de
FTO se favorece con tiempos largos de exposicin ( 30 minutos) de
ste al electrolito.

La densidad de corriente alta ( 2,5 mA/cm
2
) tambin favorece la
formacin y el crecimiento de las columnas. No obstante este factor
tiene menor influencia que el tiempo de exposicin.


Palacios C. Severo


214

Superficie de Respuesta Estimada
X3=75.0
1
1.3
1.6
1.9
2.2
2.5
X1
600
800
1000
1200
1400
1600
1800
X2
260
360
460
560
660
760
860
A
l
t
u
r
a
Altura
260.0-320.0
320.0-380.0
380.0-440.0
440.0-500.0
500.0-560.0
560.0-620.0
620.0-680.0
680.0-740.0
740.0-800.0
800.0-860.0
860.0-920.0

Superficie de Respuesta Estimada
X2=1200.0
1
1.3
1.6
1.9
2.2
2.5
X1
65
69
73
77
81
85
X3
200
300
400
500
600
A
l
t
u
r
a
Altura
260.0-320.0
320.0-380.0
380.0-440.0
440.0-500.0
500.0-560.0
560.0-620.0
620.0-680.0
680.0-740.0
740.0-800.0
800.0-860.0
860.0-920.0

Superficie de Respuesta Estimada
X1=1.75
600
800
1000
1200
1400
1600
1800
X2
65
69
73
77
81
85
X3
280
380
480
580
680
780
A
l
t
u
r
a
Altura
260.0-320.0
320.0-380.0
380.0-440.0
440.0-500.0
500.0-560.0
560.0-620.0
620.0-680.0
680.0-740.0
740.0-800.0
800.0-860.0
860.0-920.0

Superficie respuesta estimada en el espacio de factores principales

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.
ESTADISTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

215

Siguiendo un diseo experimental factorial 2
n

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.

Factores
Niveles
- 0 +
X1: DC (A/cm)
X2: Agitacin (rpm)
X3: Concentracin (g/L)
2
400
10
3,5
650
15
5
900
20

Prueba X1 X2 X3
Espesor pelcula
(m)
1
2
3
4
5
6
7
8
2
5
2
5
2
5
2
5
400
400
900
900
400
400
900
900
10
10
10
10
20
20
20
20
14
40
15
40
14
39
15
39,5

Los recubrimientos compuestos de Ni-D presentan mejor resistencia a
la corrosin que los recubrimientos de Nquel puro, cuando son 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
B: X2 = 0,625
C: X3 = -0,375
AB = -0,375
AC = -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
B: X2
C: X3
AB
AC
BC
Error
1262,53
0,78125
0,28125
0,28125
0,28125
0,03125
0,03125
1
1
1
1
1
1
1
1262,53
0,78125
0,28125
0,28125
0,25125
0,03125
0,03125
40401,0
25,0
9,0
9,0
9,0
1,0
>
>
<
<
<
<
12,25
12,25
12,25
12,25
12,25
12,25
Total 1264,22 7 R = 99,9975%

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


Palacios C. Severo


216

Valor ptimo = 40.0625
Factor Bajo Alto ptimo
X1
X2
X3
2,0
400,0
10,0
5,0
900,0
20,0
5,0
900,0
10,0

2
X2
900 20
Grfica de Efectos Principales para Pelicula
14
19
24
29
34
39
44
P
e
l
i
c
u
l
a
X1
5 400
X3
10


2
-
+
2 5
-
-
+
-+
Grfica de Interaccin para Pelicula
14
19
24
29
34
39
44
P
e
l
i
c
u
l
a
AB
5
-+
AC
+
BC
400 900
-
+

Efectos e interacciones significativas de factores principales

Contornos de la Superficie de Respuesta Estimada
X3=15.0
2 2.5 3 3.5 4 4.5 5
X1
400
500
600
700
800
900
X
2
Pelicula
14.0-17.0
17.0-20.0
20.0-23.0
23.0-26.0
26.0-29.0
29.0-32.0
32.0-35.0
35.0-38.0
38.0-41.0
41.0-44.0
44.0-47.0

Superficie de Respuesta Estimada
X3=15.0
2
2.5
3
3.5
4
4.5
5
X1
400
500
600
700
800
900
X2
14
19
24
29
34
39
44
P
e
l
i
c
u
l
a
Pelicula
14.0-17.0
17.0-20.0
20.0-23.0
23.0-26.0
26.0-29.0
29.0-32.0
32.0-35.0
35.0-38.0
38.0-41.0
41.0-44.0
44.0-47.0

Superficie respuesta estimada en el plano y espacio de factores principales

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-
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

217

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 H
2
SO
4
, 4,3 g/L de aluminio y 0,62
g/L de cromo.

Como reactivo neutralizante se us una muestra compsito 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 (H
2
SO
4
) 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 (2
n
). En la tabla se muestran las variables y los niveles usados.

Factores
Niveles
- 0 +
X1: Temperatura (C)
X2: Relacin Mg/cido (g/g)
X3: Agitacin (Re)
X4: Inyeccin aire (L/min)
70
1
8000
5
75
1,5
10000
7,5
80
2
12000
10

La seleccin de la temperatura en el nivel medio de 75 C estuvo basa-
da en pruebas preliminares realizadas. La relacin magnesio/cido

Palacios C. Severo


218

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.

Prueba
Temp
()
Relacin
(Mg/cido)
Agitacin
(Re)
Aire
(L/min)
Al
(g/L)
Cr
(g/L)
pH
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
70
80
70
80
70
80
70
80
70
80
70
80
70
80
70
80
1
1
2
2
1
1
2
2
1
1
2
2
1
1
2
2
8000
8000
8000
8000
12000
12000
12000
12000
8000
8000
8000
8000
12000
12000
12000
12000
5
5
5
5
5
5
5
5
10
10
10
10
10
10
10
10
3,66
4,30
2,59
0,78
2,57
0,23
0,20
2,64
2,27
0,85
0,20
1,04
2,64
0,97
2,09
2,14
0,12
0,62
0,31
0,14
0,32
0,06
0,06
0,32
0,32
0,14
0,06
1,04
0,31
0,15
0,31
0,33
3,66
1,20
3,35
3,60
3,33
3,77
3,85
3,33
3,38
3,60
3,80
3,57
3,23
3,59
3,38
3,52

Para realizar los experimentos se midi el volumen de licor residual y
se adicion al reactor, secalent la solucin hasta alcanzar la 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.
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

219

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
libre (%)
Precipitacin
Al y Cr (%)
Disolucin de metales
(%)
H2SO4 Al Cr Ni Co Fe Mg Mn
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
99,4
99,7
99,5
99,1
99,0
99,7
99,4
98,7
99,1
99,4
99,5
99,0
99,0
99,5
99,6
98,8
37,5
92,9
69,9
33,6
22,8
93,1
65,9
22,9
38,8
63,3
78,8
25,0
24,2
72,4
92,1
36,9
35,3
85,5
66,6
36,7
36,7
85,8
64,7
38,5
39,7
62,1
71,1
36,9
39,7
67,8
85,1
41,8
43,0
25,2
18,1
27,4
22,4
21,3
16,5
22,6
28,0
16,2
19,4
20,7
20,4
17,6
20,5
26,2
43,6
40,4
34,1
45,8
40,1
34,9
32,8
40,8
46,5
33,6
38,3
39,4
40,1
33,6
35,8
44,3
4,3
2,6
1,7
3,7
2,4
2,8
1,5
2,3
3,8
1,5
2,2
2,2
2,2
1,7
2,6
3,3
27,1
24,6
21,0
31,5
32,2
22,5
21,5
27,6
33,3
20,4
22,8
30,4
28,9
20,7
22,0
33,9
49,5
34,2
23,8
49,4
33,7
24,3
20,7
29,4
47,1
24,6
29,5
30,9
31,8
22,8
25,6
41,9

En la tabla se muestran los valores obtenidos de R
2
, el error estndar
y las pruebas estadsticas Durvin Watson.

Estadigrfo Ni Co Fe Mg Al Cr H2SO4
R
Error estndar
Darwin-Watson
98,77
2,79
1,65
99,86
0,64
1,48
99,51
0,23
2,20
99,63
1,14
1,83
99,96
2,07
2,10
99,66
4,43
1,60
97,96
0,28
1,76

Los valores de R
2
, indicativos de la proporcin de la varianza de las
variables de salida (Y) con respecto a las variables de entrada (X), son

Palacios C. Severo


220

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

Temp l Al 18 , 17 Re 35 , 48 38 , 54 % + + =

) )( (Re 07 , 8 52 , 8 Re 41 , 35 86 , 55 % Temp l Temp lacin Cr + + + =


y de la neutralizacin del cido libre:

l Ac Re 462 , 0 28 , 99 % + =


Modelos estadsticos de la disolucin de magnesio, nquel, cobalto,
hierro y manganeso del licor residual:

) (Re)( 23 , 2 84 , 1 Re 70 , 8 27 , 26 % Temp Temp l Mg + + =


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


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


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


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

Donde:
Temp = Temperatura
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
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

221

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 R
2
superior al 98%.

Las variables que ejercen una mayor influencia sobre las respuestas
analizadas son la relacin magnesio/cido y la temperatura. No 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.













Palacios C. Severo


222

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 2
4
, y los datos resultantes se muestran en la siguiente ta-
bla:
A B C D Replica I Replica II
-
+
-
+
-
+
-
+
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+
-
-
-
-
+
+
+
+
-
-
-
-
-
-
-
-
+
+
+
+
+
+
+
+
12
18
13
13
17
15
20
15
10
25
13
24
19
21
17
23
14
16
15
17
18
14
19
17
13
22
16
25
21
23
22
26
Que factores y que interacciones influyen en el rendimiento.
Elabore grficas e interprete los efectos de los factores 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 2
3
.
A = Tiempo (2 h, 4 h)
B = Concentracin (10%, 20%).
C = Presin (55 psi, 85 psi)
Rendimiento
A B C I II
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+
12
18
13
16
17
15
20
15
14
16
15
17
18
14
19
17
Que factores y que interacciones influyen en el rendimiento.
Elabore grficas e interprete los efectos de los factores principa-
les y las interacciones
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

223

(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 2
3
con diferentes niveles de los factores de
inters, obteniendo 8 determinaciones replicadas para todas las
posibles combinaciones estudiadas. A continuacin se muestran
las condiciones del diseo y los resultados obtenidos:
Vox T Mn (%)
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+
0,45
0,87
0,66
0,88
0,24
0,63
0,55
0,73
0,46
0,89
0,66
0,90
0,22
0,65
0,55
0,73
0,44
0,89
0,68
0,91
0,25
0,61
0,51
0,71
Qu factores influyen significativamente de manera 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 2
4
en una planta piloto para
estudiar los efectos que se supone influyen sobre la rapidez de
filtracin de un producto. Se estudia el efecto de 4 factores, tem-
peratura, presin, concentracin de reactivo y rapidez de mez-
clado. Los resultados del diseo se muestran a continuacin:
Factores
Filtracin A B C D
-
+
-
+
-
+
-
+
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+
-
-
-
-
+
+
+
+
-
-
-
-
-
-
-
-
+
+
+
+
+
+
+
+
45
71
48
65
68
60
80
65
43
100
45
104
75
86
70
96

Palacios C. Severo


224

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 2
4
a un diseo experimental 2
3
Si su respuesta es positiva, realice partiendo de ste un diseo de
experimentos 2
3
.
(209) Se aplic un diseo factorial 2
4
para estudiar un proceso de co-
rrosin selectiva con nitruro en un plasma corrosivo. En el pro-
ceso se utiliz C
2
F
6
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 C
2
F
6
(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
2
k
con k<4 y realice el anlisis de varianza. Rescriba la ecuacin
de regresin.
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

225

(210) Se determin el contenido de nquel en un mineral mediante la
tcnica de valoracin complejomtrica por dos vas diferentes:
directa y retroceso. Los resultados obtenidos en % en masa son:
A B Ni (%)
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
1,011
0,986
0,992
0,982
0,990
0,988
0,997
0,994
0,995
0,998
0,989
0,995
0,996
0,999
0,998
0,996
(211) Un fabricante de aleaciones de aluminio produce refinadores de
textura en forma de lingotes. La compaa manufactura el 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
10
15
20
8
14
14
17
4
5
6
9
5
6
9
3
6
9
2
6
Analice la tabla de ANOVA
Diga si las sospechas del ingeniero son ciertas. Explique.
Explique si fue conveniente bloquear el efecto de los diferentes
hornos.
Realice un anlisis de los residuos











Palacios C. Severo


226

IX. DISEO FACTORIAL 2
k
REPLICADO

En una variedad del diseo factorial en donde el vector respuesta se
repite o replica dos, tres, cuatro, veces.

El efecto se calcula multiplicando por el nmero de replicas. La suma
de cuadrados se procede similarmente a los efectos.

Ejemplo 6.68
Se lleva a cabo una investigacin para estudiar los efectos que tienen
la concentracin y un catalizador sobre la reaccin de un proceso.

Factores Niveles
A = Concentracin
B = Catalizador
15
1
20
2

Tabla 6.57 Datos para el diseo 2
2
replicado
Prueba A B Y1 Y2 Y3 Yt
1
2
3
4
15
20
15
20
1
1
2
2
31
30
29
18
19
23
36
32
32
28
25
27
82
81
90
77

( )| | ( ) | || | 33 , 2 82 90 81 77 2 3 / 1 1 2 * / 1
1
= + = + =

b a ab n A Efecto
k


( ) | || | 66 , 0 82 81 90 77 2 3 / 1 = + = B Efecto


( ) | || | 0 , 2 90 82 82 77 2 3 / 1 = + = AB n Interacci


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.

( )| | | || | ( ) | | 33 , 16 4 3 / 33 , 2 2 * / 1 1 2 * / 1
2
2 2
= = + = EfectoA n b a ab n SC
k k
A


( )| | | || | 33 , 1 2 * / 1 1 2 * / 1
2 2
= + = EfectoB n a b ab n SC
k k
B


( )| | | || | 0 , 12 2 * / 1 1 2 * / 1
2 2
= + = nAB Interacci n b a ab n SC
k k
AB

ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

227

La suma total de cuadrados se determina de la misma manera que los
diseos aleatorizados.

( ) ( )
k
i i total
n Y Y SC 2 * /
2
2
=

( ) ( ) ( ) 323 4 * 3 / 330 27 32 ... 19 31
2
2 2 2 2
= + + + + =
total
SC


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

34 , 293 12 33 , 1 33 , 16 323 = =
error
SC


El anlisis de varianza se presenta en la tabla 6.58

Tabla 6.58 Anlisis de varianza
Fuente SC 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 R
2
= 9,18%

Ambos efectos principales como la interaccin no es significativa para
un 99% de significanca, que nivel de significanca debe tener efectos e
interacciones.

S notamos que los factores principales afectan el proceso, pero en el
anlisis no influye el efecto A. Para solucionar dicho fenmeno tan
solo cambiamos los niveles de los factores que influyen, de la siguiente
manera.

Factores Niveles
A = Concentracin
B = Catalizador
20
1
15
2

Tabla 6.59 Datos para el diseo 2
2
replicado
Prueba A B Y1 Y2 Y3 Yt
1
2
3
4
20
15
20
15
1
1
2
2
30
31
18
29
23
19
32
36
28
32
27
25
81
82
77
90

( )| | 33 , 2 1 2 * / 1
1
= + =

b a ab n A Efecto
k


( ) | || | 66 , 0 82 81 90 77 2 3 / 1 = + = B Efecto


Palacios C. Severo


228

( ) | || | 0 , 2 77 82 90 81 2 3 / 1 = + = AB n Interaccio


Ejemplo 6. 69
Se lleva a cabo una investigacin para estudiar los efectos que tienen
la dosificacin de reactivos qumicos en un proceso

Factores
Niveles
- +
A = Concentracin X
B = Concentracin Y
C = Concentracin Z
15
1
18
20
2
25

Tabla 6.60 Datos para el diseo 2
2
replicado
Prueba
Diseo
Y1 Y2 Y3 Yt
A B C
1
2
3
4
5
6
7
8
15
20
15
20
15
20
15
20
1
1
2
2
1
1
2
2
18
18
18
18
25
25
25
25
31
30
29
18
19
23
36
30
19
23
36
32
32
25
25
27
32
28
25
27
31
27
29
18
82
81
90
77
82
75
90
75

Tabla 6.61 Efecto e interacciones
Efectos Interacciones
A = -3,0
B =+ 1,0
C = -0,66
AB =-1,667
AC =-0,66
BC = 0,33
Bloque = 0,416
Error estndar 1 GL

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

Todos los efectos principales como la interaccin no es significativa
para un 95% de significanca, as mismo el bloque de las replicas no
tiene significanca.


ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

229

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
21,42
12,66
18,27
9,73
13,18
6,51
18,23
5,81
21,35
12,56
16,62
7,88
12,87
6,26
17,83
Suponga que todas las interacciones son potencialmente 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
15
24
23
17
16
24
28
19
20
16
17
25
19
23
25
10
16
17
27
21
19
29
20
Evalu todos los efectos factoriales. Utilice un nivel de 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-

Palacios C. Severo


230

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
fsico
Tiempo
mezcla
Velocidad
mezcla
Condicin del
nitrgeno
Cantidad
aluminio
-
-
-
-
-
-
-
-
+
+
+
+
+
+
+
+
-
+
-
+
-
+
-
+
-
+
-
+
-
+
-
+
+
+
-
-
-
-
+
+
+
+
-
-
-
-
+
+
+
+
-
+
+
-
-
-
+
+
-
+
+
-
-
-
16,3
16,0
16,2
16,1
16,0
16,0
15,5
15,9
16,7.
16,1
16,3
15,8
15,9
15,9
15,6
15,8
Suponga que todas las interacciones de tres y cuatro factores
son despreciables y analice los datos. Utilice un nivel de 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-
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

231

racin de una herramienta de corte. Para ello se eligen dos nive-
les para cada factor y se corren dos rplicas del diseo factorial
2
3
. La tabla siguiente presenta los datos de tiempo de duracin
(en horas) de la herramienta.
Combinacin de
tratamientos
Rplica
I II
(1) 221 311
a 325 435
b 354 348
ab 552 472
c 440 453
ac 406 377
bc 605 500
abc 392 419
Calcule los efectos correspondientes a cada uno de los factores.
Determine cules de estos efectos son importantes usando la ta-
bla de anlisis de varianza.



























X. DISEO 2
k
CON PRUEBAS CENTRALES

Palacios C. Severo


232


En un estudio factorial simple 2
n
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).

1 2
3 4
5
3-4
1-2
5

Diseo Factorial 2
n
con pruebas centrales

El punto central 5, el cual sirve para evaluar el error aleatorio, 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 2
n

lo cual proteger contra la curvatura adems de permitir obtener
estimaciones de errores independientes. Dicho mtodo consiste en
agregar pruebas centrales al diseo 2
n
, para lo cual se hacen n 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 2
n
. Con una
observacin en cada uno de los puntos factoriales.

Sea Y
F
el promedio de las cuatro corridas en los puntos factoriales y
Sea Y
C
el promedio de las corridas del punto central.

Si la diferencia
C F Y Y
es pequea, entonces los puntos centrales se
encuentran en el plano, y no hay curvatura. Si
C F Y Y
es grande
entonces existe curvatura. Una suma de cuadrados para la curvatura
con un GL esta dado por:
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

233

( )
C F
C F
C F
curvatura
n n
Y Y n n
SC


=

Donde n
F
y n
c
es el nmero de puntos de la factorial y el central respec-
tivamente (esta cantidad puede comprobarse con el cuadrado medio
del error para probar la curvatura).


+ + + =
2
j jj j i j i i i o
X A X X A X A A Y


Donde:

A
jj
son efectos cuadrticos.

S los puntos factoriales del diseo no son replicados, es posible em-
plear los n
c
puntos centrales para construir una estimacin del error
con n
c
- 1 grados de libertad.

Ejemplo 6.70
Se esta evaluando el rendimiento de un proceso. Existen dos variables
de inters, concentracin de sulfato de cobre y temperatura en el 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:

( ) 1 / 1 /
2
= =
C i C error error
n Y Y n SC CM


| | 46 , 72 5 / 6 , 72 2 , 72 7 , 72 5 , 72 3 , 72 = + + + + =
C
Y

( ) ( ) | | 043 , 0 4 / 46 , 72 6 , 72 ... 46 , 72 3 , 72
2 2
= + + =
error
CM


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

| | 75 4 / 85 70 80 65 = + + + =
F
Y

Palacios C. Severo


234

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.

( )( )( ) ( ) 8 , 50 5 4 / 54 , 2 5 4 = =
curvatura
SC

Tabla 6.63 Anlisis de varianza del diseo con punto central
Fuente SC GL CM Fo Ft(99)
A
B
AB
Curvatura
Error
225,00
25,00
0,00
50,8
0,17
1
1
1
1
4
225,00
25,00
50,8
0,00
0,04
5325,56
581,39
1270,00
0,00
>
>
>
<
21,2
21,2
21,2
21,2
Total 300,97 7

El anlisis de varianza indica que ambos factores presentan efectos
significativos y que no hay interaccin AB = 0, existe evidencia de
curvatura en la respuesta de la regin explorada.

XI. DISEO CONFUNDIDO

Un diseo confundido es una tcnica mediante el cual se confunden,
deliberadamente, ciertos efectos sin importancia, con el propsito de
fijar los efectos ms importantes con mayor precisin. En el hecho, al
calcular el valor de un efecto o interaccin confundido estamos 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 2
K
CON DOS BLOQUES

Si deseamos correr una sola replica del diseo 2
n
. Requerimos una
cantidad de materia prima y cada lote de materia prima deber cu-
brir una prueba de las combinaciones de tratamiento.
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

235

Tabla 6.64 Diseo 2
4
con dos bloques, asignando las corridas
Bloque I Bloque II
(1)
ab
ac
bc
ad
bd
cd
abcd
=
=
=
=
=
=
=
=
71
65
95
86
88
68
83
70
a
b
c
d
abc
bcd
acd
abd
=
=
=
=
=
=
=
=
65
60
90
85
96
75
85
60
626 636
1262

Por lo tanto se requieren n lotes de materia prima. Si estos lotes se
tratan como bloques, entonces debemos asignar la mitad de la n 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 2
4
deseamos tratarlo en
bloques. Supongamos que no se pueden efectuar las 2
4
combinaciones
en un mismo da. Decidiendo el experimentador realizar diariamente
ocho combinaciones por bloque, por ser apropiado. Es lgico 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)
A
B
C
D
AB
AC
AD
BC
BD
CD
Error
6,25
42,25
240,25
600,25
2,25
20,25
0,25
0,25
6,25
72,25
812,25
117,00
1
1
1
1
1
1
1
1
1
1
1
4
6,25
42,25
240,25
600,25
2,25
20,25
0,25
0,25
6,25
72,25
812,25
0,21
1,14
8,21
20,52
0,08
0,69
0,01
0,01
0,021
2,74
27,77
<
<
>
>
<
<
<
<
<
<
>
7,71
7,71
7,71
7,71
7,71
7,71
7,71
7,71
7,71
7,71
7,71
Total 1919,75 15

La suma de cuadrados del bloque

| | | | 25 , 6 16 / 1262 8 / 638 626
2
2 2
= + =
bloque
SC


25 , 42 =
A
SC

25 , 240 =
B
SC
25 , 600 =
C
SC

25 , 2 =
D
SC

25 , 20 =
AB
SC

25 , 0 =
AC
SC 25 , 0 =
AD
SC

25 , 6 =
BC
SC

25 , 72 =
BD
SC

25 , 812 =
CD
SC


Palacios C. Severo


236

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:

BCD ACD ABD ABC error
SC SC SC SC SC + + + =

117 25 , 2 25 , 72 25 , 12 25 , 30 = + + + =
error
SC

Como podemos visualizar el bloque ABCD no influye en el anlisis de
las combinaciones de los tratamientos, siendo B, C y CD los efectos e
interacciones que presentan significacin, tal como concluimos en el
mismo ejemplo del diseo 2
4
.

XIII. DISEO FACTORIAL 2
k
CON 4 BLOQUES

Este tipo de diseo es de mucha utilidad cuando se desarrolla 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 2
5
, a cada bloque debemos asignar
ocho combinaciones de tratamiento correspondientes, requiriendo un
total de cuatro bloques para las 32 pruebas a desarrollar para efec-
tuar el experimento.

Tabla 6.66 Diseo 2
5
con 4 bloques, asignando las corridas
Bloque I Bloque II Bloque III Bloque IV
1
ad
bc
abe
ace
cde
bde
abcd
=
=
=
=
=
=
=
=
2,152
2,004
2,301
1,991
1,978
1,944
2,215
2,161
a
d
be
ce
abc
bcd
abde
acde
=
=
=
=
=
=
=
=
2,025
2,170
2,037
2,210
2,220
2,332
1,857
1,919
b
c
ae
de
abd
acd
abce
bcde
=
=
=
=
=
=
=
=
2,111
2,267
2,033
2,072
2,146
2,114
2,025
1,898
e
ac
bd
cd
ab
ade
bce
abcde
=
=
=
=
=
=
=
=
2,057
2,013
2,164
2,301
2,041
2,057
2,236
1,944
16,746 16,770 16,666 16,813
66,995

01197 , 0 = =
ABCDE bloque
SC SC

0999 , 0 =
error
SC

4898 , 0 =
total
SC

Tabla 6.67 Anlisis de Varianza del bloque
Fuente SC GL CM Fo Ft(99)
Bloque (ABCD)
A
B
C
0,0119
0,1173
0,0041
0,0167
1
1
1
1
0,0119
0,1173
0,0041
0,0167
1,7955
17,595
0,0615
2,505
<
>
<
<
4,54
4,54
4,54
4,54
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

237

D
E
AB
AC
AD
AE
BC
BD
BE
CD
CE
DE
Error
0,0050
0,1311
0,0005
0,0026
0,0007
0,0014
0,0045
0,0003
0,0077
0,0239
0,0352
0,0266
0,0099
1
1
1
1
1
1
1
1
1
1
1
1
15
0,0050
0,1311
0,0005
0,0026
0,0007
0,0014
0,0045
0,0003
0,0077
0,0239
0,0352
0,0266
0,0067
0,750
19,665
0,075
0,390
0,1015
0,210
0,675
0,045
1,155
3,585
5,250
3,990
<
>
<
<
<
<
<
<
<
<
>
<
4,54
4,54
4,54
4,54
4,54
4,54
4,54
4,54
4,54
4,54
4,54
4,54

Total 0,4989 31

XIV. DISEO FACTORIAL 2
k
CON BLOQUES REPLICADOS

Es una variedad del diseo confundido en donde el vector respuesta se
repite o replica dos, tres, veces.

Para entender mejor este tipo de diseo aplicaremos un ejemplo.

Ejemplo 6.73
Se realiza un estudio para determinar los efectos que tienen tres va-
riables A, B y C. Se efectan slo cuatro combinaciones de tratamien-
to. Por lo tanto, cada rplica del diseo 2
3
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 2
3
con bloques replicados
Replica I Replica II
1
ab
ac
bc
=
=
=
=
68,72
69,44
67,93
68,73
a
b
c
abc
=
=
=
=
67,85
69,60
67,75
68,72
1
c
ab
abc
=
=
=
=
68,66
68,17
69,02
68,66
a
b
ac
bc
=
=
=
=
68,22
69,10
68,26
68,66
548,74 548,75

| | 0125 , 0 2 * / 1
2
"
= + + + =
k
ABC
n bc ac ab abc c b a SC


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


| | | | 0001 , 0 16 / 49 , 1097 8 / 75 , 548 74 , 548
2
2 2
= + =
replica
SC


005516 , 0 00456 , 0 0506 , 0
" "
= + = + =
AB ABC bloque
SC SC SC


Palacios C. Severo


238

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

Los efectos principales B y C son significativos, vemos que la replica y
los bloques no afectan el proceso.

XV. ALGORITMO DE YATES

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 2
n
.

Si en caso se realizan replicas en el proceso, entonces el calculo de los
efectos deber dividirse por k*2
n-1
, donde k es el nmero de replicas.
De igual manera para el calculo de la suma de cuadrados multiplicar
por k*2
n
.

Ejemplo 6.74
Los datos de la tabla 6.70, analizarlo aplicando la tcnica de Yates.
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

239


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
a
b
ab
c
ac
bc
abc
68,72
67,85
69,60
69,44
67,75
67,93
68,73
68,72
136,57
139,04
135,68
137,45
-0,87
-0,16
0,18
-0,01
275,61
273,13
-1,03
0,17
2,47
1,77
0,71
-0,19
548,74
-0,86
4,24
0,52
-2,48
1,20
-0,70
-0,90
-
-0,215
1,060
0,130
-0,620
0,300
-0,175
-0,225
-
0,0924
2,2472
0,0338
0,7688
0,1800
0,0612
0,1012
548,74 3,4847

( )
n
i i total
Y Y SC 2 /
2
2
=


Tabla 6.71 Yates modificados
Y A B AB C AC BC ABC
68,72
67,85
69,60
69,44
67,75
67,93
68,73
68,72
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
+
-
-
+
+
-
-
+
-
-
-
-
+
+
+
+
+
-
+
-
-
+
-
+
+
+
-
-
-
-
+
+
-
+
+
-
+
-
-
+
+ 273,9 276,5 274,6 273,1 274,9 274,0 273,4
- 274,9 272,2 274,1 275,6 273,8 274,7 274,8
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

( ) 4847 , 3 4485 , 37639 93 , 37642 2 /
2
2
= = =
n
i i total
Y Y SC











Palacios C. Severo


240



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 E
a
= 2,897. Elabore el ANAVA y analice los efectos e
interacciones del proceso.
pH: 8,88 8,43 7,01 6,92
T: 23,9 28,3 24,3 27,5
E
d
: 2,16 2,08 2,22 2,19
(218) Un relave con alto contenido de plata 300 g/ton, es tratado por
flotacin y cianuracin siendo ambos procesos antieconmicos.
Se procede a realizar un estudio de lixiviacin en medio 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: H
2
SO
4
87 - 93 %, B: Tiempo 15 - 30 min, C: catalizador 35 -
45 min, D: Temperatura 60 - 80 C.
(220) Un investigador en Bacteriologa esta interesado en el efecto que
tienen dos diferentes medios de cultivo y dos lapsos sobre el cre-
cimiento de un virus en particular. Realiza un diseo factorial 2
2

en orden aleatorio.
Analice los datos que se muestran. A: 21 - 37, B: 26 - 34.
(221) Se manufacturan circuitos integrados. El proceso bsico de 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
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

241

(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 2
4
, se mide la longi-
tud de grieta en mm.
Replica I Replica II
1,7
1,4
1,3
1,6
1,2
1,2
1,4
1,2
2,0
1,8
1,7
1,4
1,8
1,3
1,4
1,3
1,9
1,4
1,5
1,5
1,3
1,2
1,4
1,2
2,1
1,8
1,9
1,5
1,9
1,2
1,2
1,3
Estime los efectos de los factores. Realice un ANAVA.
Existe algn indicio de que algn factor influya en la 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
a
b
ab
c
ac
bc
abc
=
=
=
=
=
=
=
=
8
10
32
50
18
21
44
61
d
ad
bd
abd
cd
acd
bcd
abcd
=
=
=
=
=
=
=
=
6
10
30
53
15
22
45
65
e
ae
be
abe
ce
ace
bce
abce
=
=
=
=
=
=
=
=
8
12
35
52
15
20
45
63
de
ade
bde
abde
cde
acde
bcde
abcde
=
=
=
=
=
=
=
=
7
9
34
55
16
20
40
60
Realice un ANAVA
Interprete las interacciones significativas
Desarrolle un diseo 2
5
y un diseo con bloques.
(224) En un estudio del rendimiento de un proceso se consideran 4
factores, cada uno a dos niveles, A: Tiempo 2,5 - 3, B: Concen-
tracin 16 - 18, C: Presin 70 - 90, D: Temperatura 250 - 200.
Se corre una sola replica de un diseo 2
4
.
Y: 12, 18, 13, 16, 17, 15, 20, 15, 10, 25, 13, 24, 19, 21, 17, 23
Realice un ANAVA

Palacios C. Severo


242

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:
Factores
Niveles
- +
A: Temperatura (C)
B: Humedad (%)
C: Suelo (%)
25
15
1
35
35
3
Se desarrollan replicas con la finalidad de evaluar la vida media
del proceso, siendo los resultados experimentales:
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:
Factores
Niveles
- +
A: Concentracin de SO2 (ppm)
B: Temperatura (C)
C: Concentracin de O2 (%)
D: Humedad (%)
0
150
0
0
3000
350
6
20
Se realiza el experimento con la finalidad de controlar la emi-
sin de NO
2
, siendo los resultados experimentales:
130 150 210 200 110 180 110 150
130 150 250 140 140 220 150 170
Adems se desarrollaron pruebas centrales, siendo estos:
470 740 830 730
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

243

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:
Factores
Niveles
- +
A: Temperatura
B: Inhibidor
60
10
90
15
Las respuestas obtenidas en diversas probetas de hierro fue la
disminucin del espesor a cierto tiempo de inmersin durante un
tiempo constante para todas las probetas.
40,2 54,7 29,6 28,8
Desarrollando pruebas centrales con la finalidad de evaluar la
varianza del error: 38,6 37,8 37,1 39,0
Mediante un diseo factorial aplique el mnimo ascenso para
averiguar en que zona debemos realizar pruebas adicionales
para minimizar la corrosin de la tubera de hierro?
(230) Se desea minimizar la vida media del problema 226, por el cual
se corrieron pruebas adicionales con la finalidad de optimizar
dicho proceso, siendo su vector respuesta:
462 298 424 343 247 479 219 313 256 402 491 292 250 484
As mismo se corrieron pruebas centrales siendo estas:
348 340 337
Se desea conocer el modelo y su forma geomtrica?
Cuales son los niveles ptimos de las variables que eliminan la
permanencia del pesticida?
(231) Se desea maximizar la resistencia de un acero que depende de
dos aleantes Mo y W.
Factores
Niveles
- +
A: Mo (%)
B: W (%)
0.2
1.5
0.8
3.5

Palacios C. Severo


244

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:
( ) | | ( ) 2 5 , 4 1 5 , 0 15 1000 Mo Mo W R + =

Se desea saber:
Cual es la combinacin ptima del aleante para alcanzar la 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:
Factores
Niveles
- +
A: Fsforo (%)
B: Fertilizante (%)
C: Nitrgeno (%)
D: Carbono (%)
0.2
1.5
0.3
0.0
0.6
3.0
0.9
0.6
Suponiendo que la eficiencia del fertilizante se puede estimar
mediante la siguiente relacin.
( ) ( ) ( ) ( ) ( )
2 8
4
6 4
05 , 0
5 , 1 5 , 0 1 1 100 5 , 0 100 + =

D A D C Tan C B B e E
A
f
Diga cual es la combinacin ptima del suelo al alcanzar su
mximo?
En cuantas pruebas se alcanza al objetivo?
(233) Se desea estimar el efecto del SO
2
sobre la poblacin cercana a
una fabrica monitoreando la concentracin de este 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:
Factores
Niveles
- +
A: Tasa de emisividad (g/s)
B: Altura (m)
5
30
10
60
Siendo el vector respuesta:
140 180 200 310 130 320 170 300 280 270 265 275 266




ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

245




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.


Palacios C. Severo


246

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 2
k


Se estudian a partir de k=3 factores en dos niveles cada uno, para lo
cual utilizamos un diseo factorial fraccionado del tipo (1/2)
n
2
k
donde
n es la cantidad que debe disminuirse la fraccin.

Ejemplo 6.75
Si tenemos un diseo 2
3
=8 pero queremos una media fraccin por lo
tanto tendremos (1/2)*2
3
=4 combinaciones de tratamiento.

Tabla 6.72 Primer media fraccin del diseo 2
3

A B C Combinacin
-
+
-
+
-
-
+
+
+
-
-
+
c
a
b
abc

Ntese que el diseo 2
3-1
se forma al seleccionar slo las combinaciones
de tratamiento que producen la multiplicacin de signos, donde C=AB.

Es posible construir la combinacin de tratamientos del diseo 2
k-1
completo igualando el factor C por la interaccin -AB, de amplia apli-
cacin cuando los efectos principales son negativos, pero tienen una
gran influencia en el proceso.

Tabla 6.73 Segunda media fraccin del diseo 2
3
A B C=-AB Combinacin
-
+
-
+
-
-
+
+
-
+
+
-
1
ac
bc
ab

ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

247

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 2
5-1
(16 ensayos) analizar los resultados y decidir el
mejor conjunto de ensayos que deben recopilarse despus.

Ejemplo 6.76
Consideremos el experimento de la autoclave, el diseo mostrado en la
tabla 6.74, consta de una rplica del diseo 2
4
. En este estudio, los efec-
tos principales B, C y la interaccin CD resultaron diferentes de cero.

Utilizaremos el diseo 2
4-1
con D=ABC. Para construir el diseo prime-
ro se escribe el diseo base de 2
3
que se mueve en las primeras tres
columnas tal como se indican en la tabla.

Tabla 6.74 Diseo 2
4-1
con D=ABC
A B C D=ABC Combinacin Y
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+
-
+
+
-
+
-
-
+
1
ad
bd
ab
cd
ac
bc
abcd
71
88
68
65
83
95
86
70

Los efectos e interacciones se calculan idem a las factoriales norma-
das.

| | BCD A A + = + + + + = 5 , 2 70 86 95 83 65 68 88 71 4 / 1


ACD B B + = 12


ABD C C + = 5 , 10


ABC D D + = 2

CD AB AB + = 2 , 1


BD AC AC + = 5 , 4


AD BC BC + = 0 , 1


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

Palacios C. Severo


248


Para ver la efectividad de este diseo investigaremos un diseo 2
5-1
con
cinco factores.

Tabla 6.75 Diseo 2
5-1
con E=ABCD
A B C D E=ABCD Combinacin Y
-
+
-
+
-
+
-
+
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+
-
-
-
-
+
+
+
+
-
-
-
-
-
-
-
-
+
+
+
+
+
+
+
+
+
-
-
+
-
+
+
-
-
+
+
-
+
-
-
+
e
a
b
abe
c
ace
bce
abc
d
ade
bde
abe
cde
acd
bcd
abcde
12
18
13
16
17
15
20
15
10
25
13
24
11
21
17
23

Calculo de efectos e interacciones:

BCDE A A + = 5 , 5
ACDE B B + = 5 , 1

ABDE C C + = 0 , 1

ABCE D D + = 25 , 2

ABCD E E + = 0 , 0
CDE AB AB + = 75 , 1

BDE AC AC + = 25 , 3

BCE AD AD + = 0 , 5

BCD AE AE + = 25 , 0

ADE BC BC + = 25 , 1

ACE BD BD + = 0 , 1
ACD BE BE + = 75 , 0

ABE CD CD + = 0 , 1

ABD CE CE + = 25 , 0

ABC DE DE + = 0 , 0


Tabla 6.76 Anlisis de varianza del diseo 2
5-1
Fuente SC GL CM Fo Ft(99)
A
D
AB
AC
AD
Error
121,00
20,25
12,25
42,24
100,00
256,00
1
1
1
1
1
10
121,00
20,25
12,25
42,24
100,00
25,60
4,73
0,79
0,48
1,65
3,91
>
<
<
<
>
3,29
3,29
3,29
3,29
3,29
Total 550,75 15

La suma de cuadrados del modelo es:

75 , 295
mod
= + + + + =
AD AC AB D A elo
SC SC SC SC SC SC

XVIII. CUARTO FRACCIONADO DEL DISEO 2
k


ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

249

Cuando hay un nmero grande de factores. Hay que considerar una
fraccin de un cuarto del diseo 2
k
este diseo contiene 2
k-2
ensayos.

Este diseo se puede construir escribiendo primero las combinaciones
de tratamiento asociado con el factorial completo con k-2 factores.
Despus se asocian las dos columnas adicionales con las interacciones
elegidas apropiadamente, que incluyen los primeros k-2 factores.

Los alias estructurados para un diseo 2
6-2
son:

ABCDF DEF BCE A = = =
ABDEF CDF ACE B = = =
ACDEF BDF ABE C = = =
ABCDE AEF FBC D = = = BCDEF ADF ABC E = = = ABCEF ADE BCD F = = =
BDEF ACDF CE AB = = = BDEF ABDF BE AC = = = ABCF BCDE EF AD = = =
ABCDF DF BC AE = = = ABCD BCEF DE AF = = = ABEDF ACDE CF BD = = =
ABDE ACEF CD BF = = = BEF ACF CDE ABD = = =
CEF ABF BDE ACD = = =

Ejemplo 6.77
Se ha aplicado la tcnica experimental para la optimizacin de un
proceso en donde se consideran seis variables a dos niveles

A: 1 3 D: 8 10
B: 5 15 E: 14 18
C: 5 15 F: 22 38

Elegimos un diseo factorial fraccionado del tipo (1/2)
2
2
6
= 2
4
en que
confundimos los siguientes factores e interacciones E=-ABC, F=BCD.

Tabla 6.77 Diseo 2
6-2
con E=ABC y F=BCD
A B C D E=ABC F=BCD Combinacin Y
-
+
-
+
-
+
-
+
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+
-
-
-
-
+
+
+
+
-
-
-
-
-
-
-
-
+
+
+
+
+
+
+
+
-
+
+
-
+
-
-
+
-
+
+
-
+
-
-
+
-
-
+
+
-
-
-
-
+
+
-
-
-
-
+
+
1
aef
bef
abf
cdf
acf
bc
bce
df
abef
bde
abd
cde
acd
bcdf
Abcdef
92,0
90,0
91,0
91,2
90,3
92,0
90,2
89,5
92,3
92,8
90,7
90,4
91,6
92,6
91,6
92,0

Los efectos e interacciones son:


Palacios C. Severo


250

12 , 0 = A 87 , 0 = B 01 , 0 = C
20 , 1 = D 66 , 0 = E
73 , 0 = F
17 , 0 = CE AB

43 , 0 = BE AC 16 , 0 = BF AE BC
27 , 0 = EF AD

32 , 0 = CF BD 43 , 0 = BF CD

66 , 0 = DE AF 17 , 0 = CED ABD

14 , 0 = ABF ACD

Obtenemos informacin clara sobre los efectos principales si se 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 2
6-2

Fuente SC GL CM Fo Ft(99)
B
D
F
AF+DE
Error
3.06
4.20
2,18
1,76
4,27
1
1
1
1
11
3.06
4.20
2,18
1,76
0,39
7,89
10,83
5,60
4,53
>
>
>
<
4,85
4,85
4,85
4,85
Total 15,47 15

















ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

251






Problemas

(234) Deseamos mejorar el rendimiento de un proceso, en un diseo
2
5-2
se investigan 5 factores, confundiendo E= ABCD siendo su
vector respuesta.
Y: 98, 99, 94, 82, 86, 92, 85, 90, 86, 90, 80, 90, 85, 81, 84, 93
(235) Se trabaja a nivel Bach un proceso cataltico, se asume que la
respuesta de inters es la reaccin de variables. Cuatro factores
han sido propuestos como variables, a dos niveles.
Aplique un diseo 2
6-3
siendo su nivel respuesta.
Y: 53, 83, 62, 77, 75, 84, 75, 86
(236) Deseamos mejorar el rendimiento de un proceso, en un diseo
2
7-4
se investigan 7 factores, confundir D=AB, E=AC, F=BC,
G=ABC.
Y: 70, 65, 80, 95, 88, 91, 85, 87
(237) Se utiliza un diseo 2
5-2
para investigar el efecto sobre el 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 2
5-2
en el cual no se realice
ninguna medicin en la cual los factores A y C se encuentren
ambos en alto al mismo tiempo?
(239) Usted acaba de ser contratado como jefe de planta en una 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 2
4-1
para estudiar la
situacin. La estructura de dicho experimento es la siguiente
A = tiempo de fermentacin.
B = % de cebada presente.

Palacios C. Severo


252

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 2
42

para investigar esta situacin, qu le respondera usted?
Un par de semanas despus, ya un poco ms calmado y con un
mayor conocimiento del proceso, usted decide que existe un
quinto factor influyente:
E = tiempo de maduracin.
Escriba la matriz de diseo un nuevo experimento, esta vez de la
forma 2
5-2
, que permita tomar en cuenta este factor adicional y
que evite los problemas presentados en el diseo anterior.
Encuentre los efectos confundidos en este nuevo diseo. Cul es
la resolucin del mismo?
Qu puntos se encuentran dentro de esta fraccin?
(240) Usted est recin graduado y acaba de entrar a trabajar en la
empresa Soda, la cual elabora galletas. La compaa ha 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 2
3
(completo).
A partir de esa matriz de diseo tome las siguientes medidas:
Nivel Textura
(1) 10.0
a 13.0
b 8.0
ab 15.1
c 11.0
ac 12.9
bc 8.1
abc 15.0
Determine cules de los factores son influyentes sobre la textura
de la galleta.
En los datos anteriores el factor C no es significativo. Cmo po-
dra interpretarse el diseo anterior en funcin de un diseo 2
2
,
donde slo estuviesen involucrados los factores A y B?
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

253

(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 2
7
= 128 corri-
das, a una fraccin de 2
7-3
.
Los resultados del experimento son los siguientes:
Nivel Densidad (g/ml)
(1) 338.0
adg 388.5
bdf 332.0
abfg 239.0
cdfg 309.5
acf 206.0
bcg 343.5
acbd 333.5
efg 342.0
adef 213.0
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?

Palacios C. Severo


254

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 2
5-2
. Estudie la estruc-
tura de confusiones y la resolucin de las fracciones que se ob-
tienen de las siguientes formas:
Partiendo de un 2
5
completo, se toman aquellos puntos donde las
interacciones ABCDE y ABCD estn ambas a nivel alto.
Partiendo de un 2
5
completo, se toman aquellos puntos donde
dos interacciones de cuarto orden ABCD y BCDE estn en nivel
alto.
Partiendo de un 2
5
completo, tomando los puntos donde dos in-
teracciones de tercer orden estn a nivel alto.
Partiendo de un 2
3
, 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 2
6
completo.
Correr un diseo 2
6-2
replicado cuatro veces.
Comente en que condiciones es preferible utilizar uno u otro
(246) Se describe un experimento en el cual se utiliz un diseo 2
5-1
con
I = ABCDE para investigar los efectos de cinco factores sobre el
color de un producto qumico. Los factores son A: 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 2
5-1
a un factorial completo con los factores significativos.
Suponga que debe correr un experimento 2
5
, 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.
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

255

(247) Se estudia la influencia de 7 factores sobre la viscosidad de un
aceite producido en una nueva planta experimental. Para ello se
utiliz un diseo 2
7-3
donde I=-ABCE=BCDF=ACDG son los 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
8,15
7,50
7,59
7,54
7,69
7,56
7,56
7,50
7,88
7,50
7,63
7,32
7,56
7,18
7,81
7,78
8,18
7,56
7,56
8,00
8,09
7,52
7,81
7,25
7,88
7,56
7,75
7,44
7,69
7,18
7,50
7,81
7,88
7,50
7,75
7,88
8,06
7,44
7,69
7,12
7,44
7,50
7,56
7,44
7,62
7,25
7,59
Determine la estructura de confusiones para este diseo.

Palacios C. Severo


256

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 2
3
con una sola rplica, el cual debe desarrollarse en dos
bloques. Cul de las siguientes dos opciones preferira y por
qu?
Opcin 1:
Bloque I Bloque II Bloque III Bloque IV
a
abc
(1)
bc
b
c
ac
ab
Opcin 2:
Bloque I Bloque II Bloque III Bloque IV
(1)
abc
b
ac
a
bc
ab
c
(250) Si alguien le propone correr un experimento 2
6
en ocho bloques,
qu le dira?
(251) En un esfuerzo por incrementar la produccin se realiz un 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
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

257

cde 15 acde 20
abcde 63 bcde 41
Indique que efectos estn confundidos con el bloque.
Identifique los efectos significativos y realice recomendaciones
sobre las condiciones de operacin del proceso.
Puede proyectarse este diseo en un 2
k
ms pequeo.
(252) Se desea realizar un experimento 2
5-1
, pero los lotes de materia
prima permiten correr un mximo de 10 puntos en cada uno.
Indique como debera realizarse este experimento.
(253) Una planta qumica produce oxgeno licuando aire y 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
(1)
Cociente de
presiones (2)
Pureza (%)
-225 1,1 82,8
-225 1,3 83,5
-215 1,1 84,7
-215 1,3 85,0
-220 1,2 84,1
-220 1,2 84,5
-220 1,2 83,9
-220 1,2 84,3
(254) El diseo experimental para la lixiviacin de minerales aurfe-
ros mediante un Factorial Fraccionado 2
8-4
, toma las siguientes
variables y rangos.
Factores
Niveles
- 0 +
X1: Aglutinante (kg/t)
X2: Sal oxidante (kg/t)
X3: Tipo mineral
X4: Humedad (%)
X5: Aglomerante (kg/t)
X6: Agente lixiviante ppm
X7: Radio riego (l/h.m)
X8: tiempo curado (h)
5
0,1
1/2
10
0,0227
0
5
16
10
0,8
1/1
14
0,068
50
7,5
56
15
1,5
2/1
18
0,1134
100
10
96

Prueba X1 X2 X3 X4 X5 X6 X7 X8 Y
1
2
3
4
-
+
-
+
-
-
+
+
-
-
-
-
-
-
-
-
-
+
+
-
-
+
+
-
-
+
-
+
-
-
+
+
76,3
80,8
86,2
84,3

Palacios C. Severo


258

5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
-
+
-
+
-
+
-
+
-
+
-
+
0
0
0
0
-
-
+
+
-
-
+
+
-
-
+
+
0
0
0
0
+
+
+
+
-
-
-
-
+
+
+
+
0
0
0
0
-
-
-
-
+
+
+
+
+
+
+
+
0
0
0
0
+
-
-
+
-
+
+
-
+
-
-
+
0
0
0
0
-
+
-
-
+
-
-
+
+
-
-
+
0
0
0
0
-
-
+
-
+
-
+
-
-
+
-
+
0
0
0
0
+
+
-
-
+
+
-
-
-
-
+
+
0
0
0
0
79,1
85,7
82,2
81,9
81,8
87,5
71,9
79,3
81,6
87,4
85,0
84,2
85,9
85,6
83,0
85,7
Analice los datos de % de recuperacin de oro de todas las pruebas
estadsticamente para determinar el grado de influencia de cada va-
riable independientemente y sus interacciones.



























ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

259



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 2
3
completo con los factores ABC y despus conocido los
niveles de los otros cuatro factores con las interacciones de los tres
factores originales como aparece: D=AB, E=AC, F=BC, G=ABC.

El diseo constituye una fraccin de dieciseisavo y, adems, es una
fraccin principal los signos generadores son positivos.

Es posible utilizar los siete grados de libertad de este diseo.

Para estimar los siete efectos principales. Cada uno de estos factores
tiene quince alias. Sin embargo, la estructura de los alias se simplifica
considerablemente, si se supone que las interacciones de tres o ms
factores son despreciables. Haciendo esta suposicin, cada 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 - + - + + + - - - + + + + + - + + + - - + - - - - + - + - + + - - + -


Palacios C. Severo


260

El diseo de 12 corridas se proyectar en tres rplicas de un diseo 2
2

completo en cualquiera de los 11 factores originales.
Tabla 6.79 Diseo PLACKETT-BURMAN para N=8 y k=7
Prueba A B C D E F G
1
2
3
4
5
6
7
8
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+
-
+
+
-
+
-
-
+
+
+
-
-
-
-
+
+
+
-
+
-
-
+
-
+
+
-
-
+
+
-
-
+

Sin embargo, en tres factores el diseo proyectado es un factorial 2
3

completo ms un factorial fraccionado 2
3-1
.

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

ZXY YZX
YZX ZXY
XYZ XYZ


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 2
2
completo
en cualquiera de los once factores originales. Sin embargo en tres fac-
tores el diseo proyectado es un factor 2
3
completo ms un factorial
fraccionado.

Ejemplo 6.78
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

261

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
2
3
4
5
6
7
8
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+
-
+
+
-
+
-
-
+
+
+
-
-
-
-
+
+
+
-
+
-
-
+
-
+
+
-
-
+
+
-
-
+
92
90
91
91,2
91,6
92
91,6
92
31,8
35,8
29,1
36,2
44,5
36,1
38,1
31,6

Donde:

Y porcentaje de recuperacin.
Y
2
porcentaje de eficiencia de la recuperacin, parmetro definido

Como


( )
h C
Y h C
Y
m

=
2


C = Ley de concentrado obtenido
C
m
= Ley de cabeza
h = Ley mxima de concentracin obtenida

Con los datos es posible estimar los siete efectos principales y sus
alias:

FG CE BD A L
A
+ + + = 1

EG CF AD B L
B
+ + + = 2 , 0
DG BF AE C L
C
+ + + = 3

EF CG AB D L
D
+ + + = 2 , 2

DF BG AC E L
E
+ + + = 6 , 2
DE DG BC F L
F
+ + + = 2 , 0


AF BE CD G L
G
+ + + = 2 , 2


Los tres efectos ms grandes son C, D, E. La interpretacin ms simple
de datos es que los efectos principales de C, D y E son significativos.
Sin embargo, esta interpretacin no es nica, ya que se pude concluir

Palacios C. Severo


262

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
2
3
4
5
6
7
8
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+
-
+
+
-
+
-
-
+
+
+
-
-
-
-
+
+
+
-
+
-
-
+
-
+
+
-
-
+
+
-
-
+
94
91
94,6
92,2
92,5
93,2
92,6
92,6
3,2
11,7
55,3
48,4
48,4
48,6
35,8
45,0

Obsrvese que CDE en una palabra es la relacin definitiva para este
diseo. Por lo tanto, este diseo no se proyecta en una factorial 2
3

completo en CDE; ms bien, se proyecta en dos rplicas de un diseo
factorial fraccionado 2
3-1
, de modo que las interacciones no puedan
separarse de los efectos principales. Al parecer el experimentador no
tuvo xito al escoger los factores. Si hubiese asignado el nivel A en vez
de D y B en vez de E, el diseo se habra proyectado en un diseo 2
3

completo.

Para separar los efectos principales y las interacciones bifactoriales,
se corre una replica fraccionada con todos los signos invertidos.

Los efectos estimados para est fraccin ser:

FG CE BD A L
A
= 2 , 4


EG CF AD B L
B
= 8 , 0


DG BF AE C L
C
= 4 , 1


EF CG AB D L
D
= 4 , 0


DF BG AC E L
E
= 6 , 6


DE DG BC F L
F
= 8 , 2



AF BE CD G L
G
= 8 , 0




Al combinar esta fraccin con la original se obtiene las siguientes es-
timaciones de los efectos:

Tabla 6.82
i (Li+Li) ( Li+Li)
A
B
C
D
E
F
G
A = 1,6
B = -0,3
C = 2,2
D = 0,9
E = -2,0
F = 1,3
G = -0,7
BD+CE+FG = -2,6
AD+CF+EG = 0,5
AE+BF+DG = 0,8
AB+CG+EF = 1,3
AC+BG+DF = 4,6
BC+AG+DE = -1,5
CD+BE+AF = -1,5

Ejemplo 6.79
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

263

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
2
3
4
5
6
7
8
-
+
-
+
-
+
-
+
-
-
+
+
-
-
+
+
-
-
-
-
+
+
+
+
+
-
-
+
+
-
-
+
+
-
+
-
-
+
-
+
+
+
-
-
-
-
+
+
-
+
+
-
+
-
-
+
92
90
91
91,2
91,6
92
91,6
92

Bloque I Bloque II
def
abd
ace
bcf
=
=
=
=
92,0
91,2
92,0
91,6
afg
beg
adg
abcdefg
=
=
=
=
90,0
91,0
91,6
92,0
366,8 364,6
731,4

| | | | 605 , 0 8 / 4 , 731 4 / 6 , 364 8 , 366
2
2 2
= + =
bloque
SC


| | | | 315 , 3 8 / 4 , 731 92 6 , 91 ... 90 92
2
2 2 2 2
= + + + + =
total
SC


01 , 0 = + =
G B error
SC SC SC

125 , 0 =
A
SC

005 , 0 =
B
SC 125 , 1 =
C
SC

605 , 0 =
D
SC

845 , 0 =
E
SC
005 , 0 =
F
SC


Efectos:

25 , 0 = A 05 , 0 + = B 75 , 0 + = C 55 , 0 + = D
65 , 0 + = E 05 , 0 = F 55 , 0 = G


Tabla 6.84 Anlisis de varianza
Fuente SC GL CM Fo Ft(99)
Bloque
A
C
D
E
Error
0,605
0,125
1,125
0,605
0,845
0,010
1
1
1
1
1
2
0,605
0,125
1,125
0,605
0,845
0,005
121
25
225
121
169
>
<
>
>
>
98,5
98,5
98,5
98,5
98,5
Total 3,315 7 R
2
= 99,69%

Para el clculo de los efectos e interacciones y suma de cuadrados, se
procedi por la tcnica de Yates. Se ha decidido que las interacciones

Palacios C. Severo


264

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.
Y
1
: 90,9 90,2 92,8 93,6 92,2 93,5 93,3 94,0
Y
2
: 92,0 90,0 91,0 91,2 90,3 92,0 90,2 89,5
(258) Se lixivio una cola sulfurada con contenido de plata, plomo y
cobre, en medio clorurante-oxidante, con el fin de aumentar la
solubilidad de la plata en forma compleja AgCI
-
. Efectuando el
estudio de los diagramas de Pourbaix y estabilidad de los 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.
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

265

(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
Factores
Niveles
- +
A: Tipo de agua
B: Temperatura de filtracin
C: Reciclado
D: Flujo de adicin de base
E: Material del filtro
F: Tiempo de almacenamiento
Pozo
Media
S
Media
Nuevo
Medio
Canal
Alta
No
Alta
Usado
Alto
Se desea realizar la experiencia con el menor nmero de pruebas
posibles y el menor tiempo posible, como mnimo 8 pruebas.
Establezca la estructura Alias, y verifique que efectos estn
mezclados entre s y que efectos pueden estimarse como 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
Factores
Niveles
- +
A: Tipo de materia prima
B: Granulometra del material
C: Aglutinante
D: Material usado
E: Cantidad de carga
F: Colorante
G: Aditivo
Original
Fina
1
0
120
43
0
Usada
Gruesa
8
2
150
63
4
Despus de realizar mltiples ensayos se midi el nmero de
productos rechazados por cada 100.
10, 21, 17, 15, 30, 5, 12, 25, 36, 45, 28, 16
Como se reducira el nmero de productos rechazados producto
de la mala distribucin de la temperatura en el horno de secado?

Palacios C. Severo


266

(266) El diseo experimental para la lixiviacin de minerales aurfe-
ros mediante el Plackett-Burman, toma las siguientes variables
y rangos.
Factores
Niveles
- 0 +
X1: Aglutinante (kg/t)
X2: Sal oxidante (kg/t)
X3: X4: Humedad (%)
X4: Aglomerante (kg/t)
X5: Agente lixiviante ppm
X6: Radio riego (l/h.m)
X7: tiempo curado (h)
5
0,1
10
0,0227
0
5
16
10
0,8
14
0,068
50
7,5
56
15
1,5
18
0,1134
100
10
96
Se desarrolla el proceso con pruebas centrales.
7 , 85 0 , 83 6 , 85 9 , 85
9 , 81 2 , 82 7 , 85 1 , 79 3 , 84 2 , 86 8 , 80 3 , 76
=
=
C
F
Y
Y

Analice los datos de % de recuperacin de oro de todas las prue-
bas estadsticamente para determinar el grado de influencia de
cada variable independientemente y sus interacciones.


























ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

267




XX. DISEOS FACTORIALES 3
n


La inclusin de ms factores al diseo de tratamientos aumenta la
complejidad de los patrones de interaccin entre los factores de 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


6


12
14
21
28
14
21
28
14
21
28
2,75
5,35
12,80
4,10
6,55
10,20
3,10
5,20
7,95
-1
-1
-1
0
0
0
1
1
1
1
1
1
-2
-2
-2
1
1
1
-1
0
1
-1
0
1
-1
0
1
1
-2
1
1
-2
1
1
-2
1
1
0
-1
0
0
0
-1
0
1
-1
2
-1
0
0
0
1
-2
1
-1
0
1
2
0
-2
-1
0
1
1
-2
1
-2
4
-2
1
-2
1
ij
C
Y P
ij


2
ij
C
P


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

( )

= =
2 2
/ /
ij ij ij ij
C
ij
C C
ij
C
P Y P Efecto P Y P r SC


Clculo de los coeficientes para contraste polinomial ortogonal de las interacciones
Sl
Dl
-1
-1
-1
0
-1
1
0
-1
0
0
0
1
1
-1
1
0
1
1
SlDl 1 0 -1 0 0 0 -1 0 1

Ejemplo 6.80

Palacios C. Severo


268

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





30
80


160


80


160


10
25
40
10
25
40
10
25
40
10
25
40
86
544
390
53
393
249
439
249
247
324
352
188
52
371
290
73
398
265
436
245
277
305
267
223
73
482
397
86
208
243
349
330
205
364
316
281

Tabla 6.87 Anlisis de varianza para el aumento de peso en los camarones cultivados
Fuente SC GL CM Fo Ft(99)
Temperatura
Salinidad
Densidad
TS
TD
SD
TDS
Error
15376,00
96762,50
21218,78
300855,17
8711,11
674,39
24038,39
69690,67
1
2
1
2
1
2
2
24
15376,00
48381,25
21218,78
150427,58
8711,11
337,19
12019,19
2903,78
5,30
16,66
7,31
51,80
3,00
0,12
4,14
<
>
>
>
<
<
<
7,24
5,61
7,24
5,61
7,24
5,61
5,61
Total 537327,01 35

Tabla 6.88 Aumento de peso en cuatro semanas de camarones
Densidad
Temperatura (80C) Temperatura (160C)
Salinidad (%) 25 35 25 35
K Y

ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

269

10
25
40
70
466
359
408
275
243
71
333
252
331
312
231
220
346
271
Media TxD 298 309 219 291
Las interpretaciones deben estar condicionadas a alguna medida de
significanca estadstica junto con la significanca biolgica de las
respuestas. Se requieren los errores estndar de las medias de celdas y
marginales para cualquier prueba estadstica subsecuente de compa-
raciones especficas; el error estndar para cualquier media es
n CM S
e Y
/ =
, donde n es el nmero de observaciones en la media y el
error estndar de la diferencia entre cualquier par de medias es
( ) n CM Y Y S
e
j i / 2 =
. Los errores estndar estimados para el experi-
mento de cultivo de camarn se muestran en la tabla 6.89

Media TxD Media DxS
D S
T 10 25 40
i Y

D 10 25 40
i Y

25
35
71
370
399
293
306
237
259
300
80
160
239
201
370
322
301
242
303
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
7 , 12
18
78 , 2903
= =
rbc
CM
e
Salinidad
6 , 15
12
78 , 2903
= =
rab
CM
e
Densidad
7 , 12
18
78 , 2903
= =
rac
CM
e
Medias marginales de dos factores

Palacios C. Severo


270

Densidad por temperatura

0 , 18
9
78 , 2903
= =
rc
CM
e
Densidad por salinidad

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

0 , 22
6
78 , 2903
= =
rb
CM
e

Medias de celdas

1 , 31
3
78 , 2903
= =
r
CM
e


G
a
n
a
n
c
i
a
G
a
i
n
Salinidad Salinidad
500
400
300
200
100
0
500
400
300
200
100
0
10 15 20 25 30 35 40 10 15 20 25 30 35 40
x Densidad 80
o Densidad 160
x Densidad 80
o Densidad 160
x
x
x
x
x
x
o
o
o
o
o
o
25C
35C

Aumento en el peso de los camarones cultivados en un arreglo factorial de
2x2x3 de temperatura, densidad y salinidad

Los coeficientes cuadrticos de salinidad se calcularon como 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:

( ) | |
( ) | |
8 , 83
6
503
1 2 1
359 466 2 70
= =
+ +
+


con error estndar
7 , 12 ) 3 ( 6 / , 2903 =
. Las estimaciones de un ICS del
95% se calcularon para los cuatro coeficientes segn la
70 , 2 24 , 4 , 5 , 0 = t

de Bonferroni.

Las estimaciones de un ICS del 95% para los coeficientes cuadrticos
de una salinidad a 25C son (-118,1; -49,5) para una densidad de 80 y
(-91; -22,9) para una densidad de 160, mientras que las estimaciones
respectivas para esas densidades a 35C son (-17,5; 51,1) y (44,6;
24,0). Es claro que la cuadratura a 25C es significativa, ya que el ICS
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

271

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
i Y

( ) y Yi

1
2
3
4
5
6
7
2,1
1,7
14,4
57,4
66,2
75,2
4,1
6,8
8,1
14,8
62,4
81,7
94,0
10,2
8,4
8,4
27,0
37,4
53,3
74,3
10,7
1,4
1,4
30,9
63,3
80,7
87,9
5,5
14,6
12,0
36,5
65,5
79,7
93,3
18,1
7,9
3,7
36,4
65,6
80,8
87,8
11,4
4,8
4,5
31,4
59,8
82,4
80,5
6,1
6,6
5,7
27,3
58,8
75,0
84,7
9,4
-31,6
-32,5
-10,9
20,6
36,8
46,5
-28,8
i Y

31,6 39,7 31,4 38,7 45,7 41,9 38,5
2 , 38 = Y

( ) y Yi

-6,6 1,5 -6,8 0,5 7,5 3,7 0,3
i
p

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
1
91,3
90,7
89,9
91,4
89,3
90,4
88,1
91,4
89,5
88,3
87,6
90,3
2
87,3
91,5
89,4
88,3
92,3
90,6
91,5
94,7
93,1
91,5
90,7
89,8
Escriba un modelo lineal para este experimento, explique los
trminos y calcule el anlisis de varianza.
Construya una tabla de medias de celdas y marginales.
(269) Una compaa prob dos mtodos qumicos para determinar la
glucosa en el suero. Se usaron tres recipientes con suero para el
experimento, cada uno contena distintos niveles de glucosa 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

Palacios C. Severo


272

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
43,3
42,9
138,4
144,4
142,7
180,9
180,5
183,0
39,8
40,3
41,2
132,4
132,4
130,3
176,8
173,6
174,9
Escriba un modelo lineal para este experimento, explique los
trminos, realice un anlisis de varianza para los datos y calcule
los residuales. Es necesaria una transformacin de los datos?
Explique.
Si es necesaria, calcule la transformacin de los datos y el 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
2
3
4
1,8
2,2
2,8
3,2
2,1
2,4
3,2
3,6
2,0
4,2
4,4
3,3
2,1
4,0
4,8
3,5
4,6
5,4
8,7
5,7
5,0
5,6
8,4
5,8
7,5
9,8
13,2
10,9
7,9
9,2
13,0
11,1
Escriba un modelo lineal para el experimento y calcule el 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
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

273

cada tratamiento en la etapa de florecimiento de las plantas. La
reduccin de acetileno refleja la cantidad de nitrgeno que fija la
bacteria en la relacin simbitica con la planta
Cultivo
Nitrgeno Alfalfa Soya Habas
0

50

100

2,6
0,9
0,0
0,0
0,0
0,0
1,1
1,2
0,0
0,0
0,0
0,0
6,5
3,9
0,6
0,3
0,0
0,1
2,6
4,3
0,6
0,8
0,1
0,0
0,8
2,2
0,7
0,3
0,3
0,0
0,9
1,2
0,4
0,8
0,1
0,1
Escriba un modelo lineal para este experimento, explique los
trminos y calcule el anlisis de varianza.
Realice un anlisis residual y determine si es necesaria una
transformacin de los datos. Si lo es, transforme los datos y 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
20
40
60
80
122,0
82,75
65,75
68,00
57,50
72,50
84,75
68,75
70,00
60,75
52,00
71,50
79,50
68,75
63,00
36,25
80,50
65,75
77,25
69,25
29,25
72,00
82,50
68,25
73,25
Cuadrado medio del error experimental = 174 con 75 GL
Calcule las particiones de sumas de cuadrados de regresin con
1 grado de libertad para las sumas de cuadrados de herbicida,
insecticida e interaccin. Calcule un polinomio de grado no ma-
yor a la regresin cbica para el herbicida o el insecticida.

Palacios C. Severo


274

(273) Se realiz un experimento sobre la duracin de tela recubierta
sujeta a pruebas con abrasivos normales. El diseo factorial de
2x2x3 incluy dos sustancias distintas (F
1
, F
2
) en tres proporcio-
nes diferentes (25%, 50%, 75%) con y sin tratamiento de superfi-
cie (S
1
, S
2
); se probaron dos especimenes rplica de cada una de
las 12 combinaciones en un diseo totalmente aleatorizado. Los
datos corresponden a la prdida de peso (mg) de los especime-
nes de tela por la prueba de abrasin.
Tratamiento de superficie y sustancia
S1 S2
Proporcin
sustancia (%)
F1 F2 F1 F2
25

50

75
194
208
233
241
265
269
239
187
224
243
243
226
155
173
198
177
235
229
137
160
129
98
155
132
Escriba un modelo lineal para el experimento, explique los 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
del agua
2 8 16
0 5 15 0 5 15 0 5 15
Arena

Arcilla

Barro

0,60
0,48
0,98
0,93
1,37
1,50
1,69
2,01
2,21
2,48
3,31
2,48
3,47
3,30
5,68
5,11
5,47
5,38
0,05
0,12
0,15
0,26
0,72
0,51
0,11
0,09
0,23
0,35
0,78
1,11
0,06
0,19
0,40
0,75
2,10
1,18
0,07
0,06
0,07
0,21
0,40
0,57
0,08
0,14
0,23
0,35
0,72
0,88
0,22
0,17
0,43
0,35
1,95
2,87
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

275

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
2
3
125
126
130
130
150
155
128
127
168
134
124
159
143
118
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
(C)
Sacarosa (%)
20 40 60
20
30
40
3,1
6,0
7,7
3,7
6,9
8,3
4,7
7,5
9,5
5,5
11,5
15,7
6,7
12,9
14,3
7,3
13,4
15,9
7,9
17,5
19,1
9,2
15,8
18,0
9,3
14,7
19,9
Calcule las particiones de regresin de sumas de cuadrados con
1 grado de libertad, las sumas de cuadrados para el % de saca-
rosa y la interaccin.






Palacios C. Severo


276









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

ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

277

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
-0,5
0,5
0
0
0
0
-0,86
-0,86
0
0
0

B. DISEO PENTAGONAL

Es uno de los ms simples de segundo orden, los puntos 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
X2
1, 0
0,31; 0,95 0,31; -0,95
-0,81; -0,58
-0,81; 0,58
0; 0

2
4
6
8 10
3
1
5
7
9

Representacin esquemtica del Diseo Pentagonal

X1 X2
1
0,31
-0,81
-0,81
0
0,95
0,58
-0,58

Palacios C. Severo


278

0,31
0
0
0
-0,95
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.

-0.5, 0.866 0.5, 0.866
1, 0 -1, 0
- 0.5, - 0.866 0.5, - 0.866
0, 0
X1
X2

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
0,5
-0,5
-1
-0,5
0,5
0
0
0
0
0,866
0,866
0
-0,866
-0,866
0
0
0
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

279


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
0,5
-0,5
-1
-0,1
0,5
0
0
0
0
0,86
0,86
0
-0,86
-0,86
0
0
0
1,5
1,31
0,94
0,75
0,94
1,31
1,25
1,25
1,25
2
2,87
2,87
2
1,13
1,13
2
2
2
93,9
89,6
88,8
83,3
81,9
89,3
90,8
90,2
89,3
94,51
90,28
88,40
84,70
81,82
89,93
90,17
90,17
90,17






-0,63
-0,03
0,87






0,397
0,001
0,757
0,21 1,155

14 , 1 3 / 21 , 0 155 , 1
2
= =
error
SC


48 , 110 9 / 1 , 797 97 , 70706
2
= =
total
SC


Tabla 6.90 Anlisis de varianza de regresin
Fuente SC GL CM Fo Ft(99)
Regresin
Error
109,34
1,14
6
2
18,22
0,57
31,96 > 19,3
Total 110,48 8 R
2
= 98,96%

Tabla 6.91 Anlisis de varianza de ajuste
Fuente SC GL CM Fo Ft(99)
Ajuste
Error
3,22
1,14
1
2
3,22
0,57
5,649 < 18,5
Total 4,36 3 R
2
= 73,85%

Ejemplo 6.82
Se procesa un mineral aurfero con sales oxidantes en medio cido, se
desea evaluar que factores son significativos (cloruro y nitrato de
sodio), con el fin de llegar a establecer el ptimo de recuperacin.

A: NaCl 25 50
B: NaNO3 5 15

Efectos e interacciones Cuadrticos
A: NaCl = -6263,28
B: NaNO3 = -2431,04
AA = -895,833
BB = -229,854

Palacios C. Severo


280

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
B: NaNO3
AA
AB
BB
Error
13,0137
26,3312
9,86133
12,25
24,6613
0,71333
1
1
1
1
1
3
13,0137
26,3312
9,86133
12,25
24,6613
0,237778
54,73
110,74
41,47
51,52
103,72
>
>
>
>
>
34,12
34,12
34,12
34,12
34,12
Total 128,76 8 R
2
= 99,446%
3 3 3
. 06 , 4 597 , 4 866 , 2 453 , 1 166 , 5 3667 , 89 NaNO NaCl NaNO NaCl NaNO NaCl Au + + =


La recuperacin de oro depende de los dos factores para llegar al 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
NaNO3
-1,0
-0,28
1,0
0,86
1,0
-0,28

25
NaNO3
15
Grfica de Efectos Principales para Au
-9300
-7300
-5300
-3300
-1300
A
u
NaCl
50 5

25
NaNO3=5
NaNO3=15
Grfica de Interaccin para Au
-11
-9
-7
-5
-3
-1
(X 1000.0)
A
u
NaCl
50
NaNO3=5
NaNO3=15

Efectos significativos de factores princi-
pales
No existe interaccin entre ambos facto-
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.

ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

281

Contornos de la Superficie de Respuesta Estimada
25 30 35 40 45 50
NaCl
5
7
9
11
13
15
N
a
N
O
3
Au
-11000.0--10000.0
-10000.0--9000.0
-9000.0--8000.0
-8000.0--7000.0
-7000.0--6000.0
-6000.0--5000.0
-5000.0--4000.0
-4000.0--3000.0
-3000.0--2000.0
-2000.0--1000.0
-1000.0-0.0

Superficie de Respuesta Estimada
25
30
35
40
45
50
NaCl
5
7
9
11
13
15
NaNO3
-11
-9
-7
-5
-3
-1
(X 1000.0)
A
u
Au
-11000.0--10000.0
-10000.0--9000.0
-9000.0--8000.0
-8000.0--7000.0
-7000.0--6000.0
-6000.0--5000.0
-5000.0--4000.0
-4000.0--3000.0
-3000.0--2000.0
-2000.0--1000.0
-1000.0-0.0

Superficie respuesta estimada en el
plano con punto ptimo
Superficie respuesta estimada en el espacio

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.
68 68 68 70 66 64 66 70 72
1
= X

76 76 76 68 68 76 84 84 76
2
= X

Para optimizar estas dos variables, se obtuvo los modelos ma-
temticos:
2 1
2
2
2
1 2 1 1
034 , 0 083 , 0 22 , 0 13 , 10 5 , 27 411 , 1 X X X X X Y + + =

2 1
2
2
2
1 2 1 2
04 , 0 063 , 0 228 , 0 3 , 12 15 , 34 602 , 1 X X X X X Y + =

Desarrolle el ANAVA y la superficie respuesta
Obtenga el ptimo cuando se alcanza un 66%
(278) Se estudia un experimento de flotacin a nivel laboratorio sien-
do sus factores A: tiempo, B: espumante.
3 , 84 2 , 90 86 , 90 3 , 89 9 , 81 3 , 83 8 , 88 6 , 89 9 , 93 :
12 , 1 12 , 1 12 , 1 31 , 1 94 , 0 75 , 0 94 , 0 31 , 1 5 , 1 :
2 2 2 13 , 1 13 , 1 2 87 , 2 87 , 2 2 :
Y
B
A

Obtenga el modelo del proceso
Analice aplicando el ANAVA
(279) Se efectu un proceso electroltico de fabricacin de ocre, cuyo
rendimiento esta en funcin de dos variables A: cloruro de sodio,
B: intensidad de corriente.
6 , 82 5 , 83 5 , 81 6 , 86 3 , 80 8 , 78 4 , 75 6 , 90 5 , 85 :
5 , 42 5 , 42 5 , 42 3 , 27 3 , 27 5 , 42 7 , 57 7 , 57 5 , 42 :
5 , 8 5 , 8 5 , 8 2 , 9 7 , 7 7 7 , 7 2 , 9 10 :
Y
B
A


Palacios C. Severo


282

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
X1
1, 0
-1, 0
0, 1
0, -1
0,71; 0,71
0,71; -0,71 -0,71; -0,71
-0,71; 0,71
0; 0

Representacin esquemtica del Diseo Octogonal

Diseo de amplia utilidad a nivel experimental, como su nombre lo
indica, los puntos corresponden a un octgono considerando de tres a
cinco puntos centrales, para evaluar el error experimental.
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

283


X1 X2
-0,71
0,71
-0,71
0,71
1
-1
0
0
0
0
0
-0,71
-0,71
0,71
0,71
0
0
1
-1
0
0
0


Ejemplo 6.83
Se estudian dos factores dinmicos de un proceso en donde se 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
1
0
0
-0,71
-0,71
0,71
0,71
0
0
0
0
0
0
-1
1
-0,71
0,71
-0,71
0,71
0
0
0
0
90,90
92,20
92,80
93,60
92,20
93,50
93,30
94,00
94,10
94,30
93,90
94,00
91,38
92,59
93,08
94,19
91,81
92,93
93,10
93,49
94,02
94,20
94,02
94,02








-0,08
-0,28
0,12
0,02








0,006
0,08
0,01
0,02
-0,22 0,0964

| | 0834 , 0 4 / 22 , 0 0964 , 0
2
= =
error
SC


| | 48667 , 11 12 / 1118 94 , 104320
2
= =
total
SC


Tabla 6.93 Anlisis de varianza de regresin
Fuente SC GL CM Fo Ft(99)
Regresin
Error
11,40237
0,0843
8
3
1,425
0,0231
50,7 > 27,5
Total 11,48667 11 R
2
= 0,99266%


Palacios C. Severo


284

Tabla 6.94 Anlisis de varianza de ajuste
Fuente SC GL CM Fo Ft(99)
Ajuste
Error
1,5257
0,0843
1
3
1,5257
0,0231
54,24 > 34,1
Total 1,61 4 R
2
= 0,9476%

E. DISEO COMPUESTO CENTRADO

Si se desea cuantificar el efecto de una variable y sus interrelaciones
para un producto dado, se puede hacer la suposicin de que la 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.

- +
-
+
1,1
1,-1
-1,1
*1,*1
0,0 X1
X2

Representacin esquemtica del Diseo Compuesto Centrado

El modelo matemtico que relaciona la respuesta buscada y las varia-
bles estudiadas es del tipo.


+ + + + + =
k j i ijk jjj jjj j i ij ii ii i i o
X X X A X A X X A X A X A A Y
3 2


Donde:

Y Estimacin del vector respuesta buscada
A
o
, A
i
, A
ii
, A
ij
, A
jjj
, A
ijk
Son los coeficientes del modelo
X
i
, X
ij
Valores de las variables codificadas

Para estimar los coeficientes del modelo se utiliza el diseo compuesto
centrado rotacional que se construye a partir de tres componentes.

ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

285

a-1) Un bloque factorial de 2
k
puntos, donde cada variable toma los
valores codificados -1 y +1, hasta cinco variables como mximo.
a-2) Un bloque factoriaI fraccionado 2
k-1
puntos, donde cada variable
toma los valores codificados -1 y +1, cuando hay ms de cinco
variables.
b) Un conjunto de puntos adicionales cuyo nmero es 2
k
donde
cada variable toma los valores codificados -2
k/4
y +2
k/4
. La 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 Y
cal
Y las variables independientes X
i
que estn
siendo investigadas, est dada por la ecuacin general que representa
una superficie de alto orden.

De los resultados de cualquier experimento se puede calcular S(Y) del
error estndar de Y
cal
en cualquier punto de la superficie ajustada.
Este error estndar ser una funcin de las coordenadas del punto X
i
,
En un diseo rotacional, este error estndar es el nmero para todos
los puntos que estn a la misma distancia L del centro de la regin;
esto para todos los puntos tales que:

Ctte L X X X
k
= = + + +
2 2
2
2
1
...


As para un diseo de tres variables se tiene que cada variable asume
los siguientes valores codificados:

-1, +1, 0, -2
k/4
y +2
k/4


La ecuacin del tipo:

2 1 12
2
22 22
2
11 11 2 2 1 1
X X A X A X A X A X A A Y
o
+ + + + + =


La codificacin de las variables se obtiene de:

b
a V
X
i
i

=

Donde:

Palacios C. Severo


286


V
i
Nivel de la variable real escogida
a Valor de la variable en el punto central
b Amplitud del valor real

Podemos indicar que los valores -1 y +1 corresponden a los niveles
inferior y superior de un rango de experimentacin encontrada bien
sea por investigacin de referencias especializadas en el proceso estu-
diado o por experiencia propia.

Los puntos estrella -2
k/4
y +2
k/4
son puntos por fuera del rango y se
incluyen con propsitos exploratorios.

El punto central con valor cero representa un nivel en el proceso con el
que se supone se obtiene buenos resultados.
Supongamos que un proceso depende de tres variables, una de las
cuales es la temperatura con un rango de nivel de 30 a 50, se tiene
que:

a - 1 = 30
a + 1 = 50

El valor medio se obtiene por;

[30+50]/2 = 40 = a

Luego

| |
| |
| | 82 , 56 10 / 40 2
18 , 23 10 / 40 2
10 / 40 30 1
2 2
4 /
1 1
4 /
= = +
= =
= =
V V
V V
b b
k
k

As tenemos los cinco valores de la temperatura, que se usarn en el
bloque de experimentacin; de igual manera se procede para las otras
variables.

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
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

287

+
-
+
-1,41
+1,41
0
0
0
0
0
0
0
-
+
+
0
0
-1,41
+1,41
0
0
0
0
0
37
23
37
20
40
30
30
30
30
30
30
30
1,3
2,7
2,7
2
2
1
3
2
2
2
2
2
85,61
97,62
85,76
73,39
76,92
52,92
82,53
78,02
84,61
79,12
64,84
88,46

Tabla 6.95 Anlisis de varianza de regresin
Fuente SC GL CM Fo Ft(99)
Regresin
Error
1759,2
478,8
5
7
351,8
68,4
5,14 > 3,97
Total 2238 12 R
2
= 0,786%
Ejemplo 6.85
El efecto de las interacciones comparadas con los efectos del primer y
segundo orden estimado. Los efectos de alto orden no se pueden 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
2
-2
0
0
0
0
0
0
0
2
-2
0
0
0
0
0
0
0
2
-2
66,9
65,4
56,9
67,5
65,0
68,9
60,3

Para estimar los coeficientes b
o
, b
11
, b
22
, b
33
obtenemos la ecuacin
correspondiente.

9 , 1041 40 8 8 16
1 , 1055 8 4 8 16
3 , 1041 8 8 40 16
976 16 16 16 15
33 22 11
33 22 11
33 22 11
33 22 11
= + + +
= + + +
= + + +
= + + +
b b b b
b b b b
b b b b
b b b b
o
o
o
o


Obtenindose


Palacios C. Severo


288

11 , 67 =
o
b

944 , 1
1
= b

906 , 0
2
= b 069 , 1
3
= b

539 , 1
11
= b
264 , 0
22
= b

676 , 0
33
= b

088 , 3
12
= b

188 , 2
13
= b 212 , 1
23
= b


Ejemplo 6.86
Un investigador analiza un proceso en donde influyen dos factores:
tiempo y temperatura.

Desea evaluar el efecto significativo de ambos factores.

A: tiempo (min.) 80 90
B: Temperatura (F) 170 180

A: tiempo B: Temperatura Y
80
90
80
90
77,9289
92,0711
85
85
85
85
85
85
85
170
170
180
180
175
175
167,929
182,071
175
175
175
175
175
78,5
77,0
78,0
79,5
75,6
78,4
77,0
78,5
79,9
80,3
80,0
79,7
79,8

Efectos estimados para Y
Efectos e interacciones Cuadrticos
A: tiempo = 0,989949
B: Temperatura = 1,03033
AB: = 1,5
AA = 2,50248
BB = -1,78252
Errores estndar con 7 GL

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
B: Temperatura
AA
AB
BB
1,96001
2,1216
10,8913
2,25
5,34129
1
1
1
1
1
1,96001
2,1216
10,8913
2,25
5,34129
3,70
4,01
20,58
4,25
10,09
<
<
>
<
>
5,59
5,59
5,59
5,59
5,59
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

289

Error 3,7051 7 0,5293
Total 24,5277 12 R
2
= 84,8942%

En la tabla del anlisis de varianza podemos establecer que para un
95% de la estadstica de F, se puede notar que los dos factores 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.

a Temperatur tiempo a Temperatur
tiempo a Temperatur tiempo Y
. 03 , 0 03505 , 0
05 , 0 82069 , 9 35742 , 3 283 , 935
+
+ + =


En el modelo matemtico se puede notar que la constante esta en su
mximo, el cual deber de minimizarse hasta el valor medio de los
niveles. Se ve que ambos factores tienen influencia para incrementar
la constante hasta un valor positivo, la interaccin tambin tiene efec-
to significativo sobre el proceso.

Camino de Mximo Ascenso para Y
tiempo Temperatura Y
85,0
86,0
87,0
88,0
175,000
176,206
177,825
177,024
79,9400
80,0984
80,1186
80,0336

Al incrementar el tiempo en una unidad y la temperatura de igual
manera, se nota que a un tiempo de 88 minutos y una temperatura de
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
Temperatura
77,9289
167,929
92,0711
182,071
86,6416
177,174

Al maximizar el proceso, se nota que para llegar al ptimo se requiere
un tiempo de 89,9415 minutos y una temperatura de 177,174 F, para
obtener un valor ptimo de 80,133.


Palacios C. Severo


290

80
Temperatura
180
Grfica de Efectos Principales para Y
78
78.4
78.8
79.2
79.6
80
80.4
Y
tiempo
90 170

80
Temperatura=170
Temperatura=180
Grfica de Interaccin para Y
77
77.5
78
78.5
79
79.5
80
Y
tiempo
90
Temperatura=170
Temperatura=180

Efectos significativos con tendencia cua-
drtica
Existencia de Interaccin en proceso
cuadrtico

En la figura se puede notar que ambos efectos no tienden al mximo,
ya que tienden al nivel promedio en ambos casos, al incrementar sobre
el mximo la respuesta tiende a minimizarse, por lo que es necesario
realizar el estudio hasta el valor medio.

En la figura de interaccin esta entre el valor mnimo y el valor 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.

Contornos de la Superficie de Respuesta Estimada
80 82 84 86 88 90
tiempo
170
172
174
176
178
180
T
e
m
p
e
r
a
t
u
r
a
Y
77.0-77.4
77.4-77.8
77.8-78.2
78.2-78.6
78.6-79.0
79.0-79.4
79.4-79.8
79.8-80.2
80.2-80.6
80.6-81.0
81.0-81.4

Superficie de Respuesta Estimada
80
82
84
86
88
90 tiempo
170
172
174
176
178
180
Temperatura
77
78
79
80
81
Y
Y
77.0-77.4
77.4-77.8
77.8-78.2
78.2-78.6
78.6-79.0
79.0-79.4
79.4-79.8
79.8-80.2
80.2-80.6
80.6-81.0
81.0-81.4

Superficie respuesta estimada en el plano Superficie respuesta estimada en el espacio

En la figura del espacio se puede establecer que para llegar al ptimo,
ambos factores tienden al valor promedio de los niveles para llegar al
ptimo.

Ejemplo 6.87
Se investiga un proceso con el fin de optimizar los factores X
1
y X
2
si
son significativos y los rangos en donde estn dichos valores ptimos.
Se dan los niveles de dichos factores y el vector respuesta.

X1: 1,5 8,5
X2: 0,1 0,3
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

291


X1 X3 Y
1,5
8,5
1,5
8,5
0,0502
9,9497
5,0
5,0
5,0
5,0
0,1
0,1
0,3
0,3
0,2
0,2
0,0585
0,3415
0,2
0,2
1,23
1,891
1,085
1,095
0,848
1,132
2,169
1,228
1,413
1,139

Efectos estimados para Y
Efectos e interacciones Cuadrticos
A = 0,2682
B = -0,5680
AB = -0,3257
AA = -0,2954
BB = 0,4130
Errores estndar con 4 GL

Tabla 6.97 Anlisis de varianza de regresin
Fuente SC GL CM Fo Ft(95)
A
B
AA
AB
BB
Error
0,1439
0,6454
0,0997
0,10611
0,19499
0,06629
1
1
1
1
1
4
0,1439
0,6454
0,0997
0,10611
0,19499
0,01657
8,69
38,94
6,02
6,40
11,7
>
>
<
<
>
7,71
7,71
7,71
7,71
7,71
Total 1,46927 9 R
2
= 95,4879%

2 1
2
2
2
1 2 1
4653 , 0 653 , 20 0120 , 0 774 , 8 2519 , 0 711 , 1 X X X X X X Y + + =


El vector respuesta depende del factor X
1
para llegar al ptimo, esto en
forma lineal, pero el factores cuadrticos X
1
y la interaccin tienen
efecto negativo sobre dicho vector.

Camino de Mximo Ascenso para Y
X1 X2 Y
5,0
6,0
7,0
8,0
9,0
10,0
0,2
0,11522
0,0025
-0,1193
-0,244
-0,372
1,276
1,7309
2,853
4,741
7,416
10,884

Valor ptimo = 2,31558
Factor Bajo Alto ptimo
X1
X2
0,05025
0,05857
9,9497
0,34142
9,3195
0,0585


Palacios C. Severo


292

1.5
X2
0.3
Grfica de Efectos Principales para Y
0.99
1.19
1.39
1.59
1.79
Y
X1
8.5 0.1

1.5
X2=0.1
X2=0.3
Grfica de Interaccin para Y
1
1.2
1.4
1.6
1.8
2
Y
X1
8.5
X2=0.1
X2=0.3

Efectos significativos con tendencia cua-
drtica
Interaccin en proceso cuadrtico

Contornos de la Superficie de Respuesta Estimada
0 2 4 6 8 10
X1
0.1
0.14
0.18
0.22
0.26
0.3
X
2
Y
0.7-0.85
0.85-1.0
1.0-1.15
1.15-1.3
1.3-1.45
1.45-1.6
1.6-1.75
1.75-1.9
1.9-2.05
2.05-2.2
2.2-2.35

Superficie de Respuesta Estimada
0
2
4
6
8
10
X1
0.1
0.14
0.18
0.22
0.26
0.3
X2
0.7
1
1.3
1.6
1.9
2.2
Y
Y
0.7-0.85
0.85-1.0
1.0-1.15
1.15-1.3
1.3-1.45
1.45-1.6
1.6-1.75
1.75-1.9
1.9-2.05
2.05-2.2
2.2-2.35

Superficie respuesta estimada en el plano
con punto ptimo
Superficie respuesta estimada en el espa-
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.
83 59 82 76 79 60 80 62 :
F
Y

73 75 75 78 76 77 :
C
Y

74 78 75 70 82 53 : Y

c) Obtenga el modelo correspondiente.
d) Desarrolle el anlisis de varianza.
e) Analice, interprete y opine.
(281) Se estudian cuatro variables A: 1,5 - 3, B: 15 - 25, C: 0, 5 - 1, D:
800 - 1000.
Evalu tal como el problema 256.
(282) Se quiere evaluar un proceso en donde se nota la influencia de
dos factores A: 400 - 600 y B: 3,5 - 5.
88 92 91 93 89 97 85 90 89 99 89 98 92 : Y

Obtenga el modelo
AB B A B A Y 9 , 0 9 , 0 3 92 + + + + =

Analice mediante los mtodos de punto estacionario y cannico.
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

293

(283) Un proceso electroltico, cuyo rendimiento esta en funcin de las
variables A: 20 - 40 Y B: 1 - 3. Obtenga el modelo y analice.
82 83 81 80 81 80 78 75 90 85 :
1
X

(284) Con el estudio experimental se desea determinar las condiciones
ptimas siendo sus factores
68 68 68 70 66 64 66 70 72 :
1
X

68 76 76 68 68 76 84 84 76 :
1
X

El modelo es:
2 1
2
2
2
1 2 1
034 , 0 083 , 0 22 , 0 13 , 10 5 , 27 411 , 1 X X X X X X Y + + =

(285) Se estudia un experimento a nivel laboratorio siendo sus facto-
res.
13 , 1 13 , 1 13 , 1 31 , 1 94 , 0 75 , 0 94 , 0 31 , 1 5 , 1 :
1
X

2 2 2 13 , 1 13 , 1 2 9 , 2 9 , 2 2 :
2
X

3 , 89 2 , 90 9 , 90 3 , 89 9 , 81 3 , 83 8 , 88 7 , 89 9 , 93 : Y

Siendo el modelo
2 1
2
2
2
1 2 1
16 , 10 1 , 3 4 9 , 25 39 , 42 98 , 30 X X X X X X Y
Cu
+ + =

(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.
73 75 75 78 77 77 83 59 82 67 79 60 80 62 : Y

Obtenga el modelo
Analice el ANAVA
Aplique el mtodo para evaluar la curvatura
(288) Dado el alto contenido de hierro de los licores de lixiviacin, que
se obtienen, se procede a la purificacin del cobre con Lix 64N, a
partir de licores con 3,59 g/l de cobre y 1,14 g/l de hierro, en lo
que se relaciona con el efecto de alguna variables como el pH,
concentracin de extraccin, relacin de fases, agitacin y con-
centracin de cido. Obtenindose los modelos.
2 1
2
2
2
1 2 1
5 , 0 16 , 1 15 , 1 23 , 2 23 , 1 94 , 96 X X X X X X Y
Cu
+ + =

2 1
2
2
2
1 2 1
95 , 1 11 , 4 89 , 3 37 , 1 25 , 1 74 , 12 X X X X X X Y
Fe
+ =

Analice mediante el ANAVA
Establezca los rangos de las variables
(289) Se quiere evaluar un proceso de tostacin de un concentrado
sulfuroso de zinc, se requiere evaluar la temperatura y la adi-
cin de aire, para la experimentacin se evaluaron los factores

Palacios C. Severo


294

A: temperatura, B: aire. Siendo su vector respuesta.
6 , 88 4 , 92 1 , 91 8 , 93 2 , 89 8 , 97 7 , 85 5 , 90 1 , 89 5 , 99 9 , 89 5 , 98 4 , 92 : Y

Obtenga el modelo
Analice mediante el ANAVA
Establezca los rangos de las variables
(290) Considere el modelo de primer orden
2 1
8 , 0 5 , 1 50 X X Y + =

Donde
1 1 s s
i
X
. 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, X
1
es la temperatura
y X
2
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:
115
775
1

=
a temperatur
X
,
5 . 1
3
2

=
tiempo
X

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
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

295

-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
2 1
2
2
2
1 2 1
5 , 0 5829 , 10 5281 , 6 3529 , 3 47059 , 58 0445 , 150 X X X X X X Y + + + =


Fuente SC GL CM Fo Ft(99)
Modelo
Error
30688,7
1478,22
5
6
6137,74
246,37
24,91 > 8,75
Total 32166,92 11 R
2
= 95,40
Es bueno el ajuste de este modelo?
Calcule el punto estacionario. Qu tipo de punto es?
(puede usar que los autovalores de la matriz son -6,8982802 y
0,6201222)
|
|
.
|

\
|
10.58295 0.25
0.25 6.528158 -

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

+ + + =

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

=
C a temperatur
X

20
612 ) (
2

=
psi presin
X

03 . 0
15 . 0
3

=
in concentrac
X

Hgale al ingeniero las sugerencias que considere adecuadas.













Palacios C. Severo


296




















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 m
2
con 10 m
2
de rea efecti-
va. En cada bloque fueron distribuidos al azar 24 tratamientos, los
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

297

cuales fueron el resultado de la superposicin de los diseos Factorial
3
2
, Compuesto Central Rotable (k=2, n
o
=5) y Compuesto Central Rota-
ble Doble Estrella con un nuevo ncleo estrella aadido (k=2, c=2,
n
o
=4).


Tratamiento
diseo
Nivel real
Tratamiento
diseo
Nivel real
ensayo 3
2
DCR DCRE D N ensayo 3
2
DCR DCRE D N
1
2
3
4
5
6
7
8
9*
10*
11*
12*
-
-
-
-
-
-
4
6
5
5
5
5
1
2
3
4
5
6
7
8
9
10
11
12
1
2
3
4
13
14
15
16
9
10
11
12
66
66
94
94
60
100
80
80
80
80
80
80
40
200
40
200
120
120
0
240
120
120
120
120
13*
14*
15
16
17
18
19
20
21
22
23
24
5
5
1
2
3
7
8
9
-
-
-
-
13
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
5
6
7
8
80
80
66
66
66
94
94
94
70
90
80
80
120
120
0
120
240
0
120
240
120
120
60
180
D: Densidad de siembra (Plantas/ha)x 103 ; N: Nitrgeno (kg/ha); * Tratamientos
centrales
La situacin antes descrita se aprecia fcilmente al observar la tabla
anterior, en el que se ilustran las 24 combinaciones de los niveles
reales de los factores, comunes y no comunes para los arreglos de tra-
tamiento sealados.

De forma simultnea al establecimiento del experimento, se sembr
una parcela comercial de 7000 m
2
aproximadamente. A dicha parcela
se le aplic la combinacin de niveles de los factores correspondientes
al tratamiento central del ensayo.

Si la produccin de la parcela arroja un valor comprendido en el 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:

o =
(
(
(

+ + < <

1
) 1 ( 2 / ) 1 ( 2 /
o
TC
GL n
TC
o
TC
GL n
TC
n
S
t X
n
S
t X P


Donde:

S
TC
Desviacin tpica de la variable para las n
o
rplicas
del tratamiento central.
n
o
Nmero de rplicas del tratamiento central.

Palacios C. Severo


298

GL n
t
) 1 ( 2 /
Valor tabulado de "t Student", a la derecha del cual
hay un rea de a/2.
1 a Coeficiente de confianza.
Parmetro a estimar.

Se realiz la validacin general del experimento y para cada uno de
los arreglos de tratamiento involucrados.

El la tabla 6.98 contiene la informacin del rendimiento obtenido para
las rplicas del tratamiento central del ensayo, el cual, como se 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
10
11
12
13
14
1
1
1
1
1
1
3886
3320
2929
3750
4146
3263
9
10
11
12
13
14
2
2
2
2
2
2
4883
5972
5281
4663
4256
4517

TC X
4239 Kg/ha = 0,05

S
TC
886,6 kg/ha n
o
= 12

Con estos datos se calcularon los promedios y desviaciones tpicas
necesarias para obtener los intervalos de confianza.

Intervalo de Confianza General

IC
(95%)
: 3675,68 kg/ha 4082,32 kg/ha

Intervalo de Confianza para el Factorial 3
2


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

ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

299

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.


Palacios C. Severo


300

1
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.

ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

301


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


Palacios C. Severo


302

X
1
- 0,5
0,5
0,5
X2

X1 X2
-0,5
+0,5
-0,5
+0,5
0
0
0
-0,5
-0,5
+0,5
+0,5
0
0
0

El diseo factorial centrado de dos factores, se crean las siguientes
condiciones, al establecer los puntos de los vrtices (puntos oscuros) y
como punto central el vrtice (punto claro), como podr notar que los
punto oscuros estn configurados en los puntos extremos del nuevo
vrtice del cubo, por lo cual viene a ser el punto central del cubo 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:

Factores
Niveles
- 0 +
A: Voltaje (Voltios)
B: Densidad corriente (A/m)
1
30
2
35
3
40
Prueba X1 X2 A B Y
1
2
3
4
5
6
-0,5
+0,5
-0,5
+0,5
0
0
-0,5
-0,5
+0,5
+0,5
0
0
1,5
2,5
1,5
2,5
2
2
32,5
32,5
37,5
37,5
35
35
85
86
98
97
89
89
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

303

7 0 0 2 35 88

Los valores reales para desarrollar las pruebas experimentales, las
obtenemos utilizando la siguiente expresin:

b
a V
X
i
i

=


El anlisis para el desarrollo del presente diseo fue se efecto 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 efectos
3


Si visualizamos los signos de los efectos A y B, notamos que ambos son
positivos, por lo tanto estn en su nivel mnimo, por lo cual debern
ser maximizado, es decir que ambos factores son variables, y debern
ser optimizados y establecidos sus rangos de trabajo ptimo.

En este caso solamente estamos evaluando y no as optimizando, para
desarrollar la optimizacin deber seguirse otro camino, el cual ser
desarrollado en el prximo acpite.

El factor B es el que tiene mayor significanca por tener un mayor
valor numrico.

a) Caso Maximizacin

(+)
Indica que la variable se encuentra al nivel mnimo y debe ser 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.

Palacios C. Severo


304

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 interaccin
5


Notamos que el signo de la interaccin AB es negativo, esto nos indica
que no existe interaccin, lo cual lo hemos deducido al visualizar que
no existe interseccin entre los valores numricos, por lo tanto no 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 R
2
= 90,2857%
El que tiene mayor significanca es B = X
2
, seguido de A = X
1
para un
coeficiente de correlacin del 90,2857%, el factor A tiene valor cero,
por lo cual se le considera una constante en el rango de trabajo.


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.
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

305

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:

( )


=
N
Y
Y SC
i
i Tot al
2
2


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 matemtico
6
lineal para el presente anlisis.

AB B A Y 25 , 0 0 , 6 0 , 0 2857 , 90 + + =


La constante del modelo matemtico, viene a ser el promedio de los
valores del vector respuesta, as mismo es el valor inicial del proceso
en estudio, el signo negativo de la constante nos indica que esta en el
mximo y debe ser minimizado.

a) Caso Maximizacin

(+)
Indica que dicho valor es el inicio del proceso y se encuentra en su
mnimo y debe ser maximizado hasta el ptimo.
(-)
Indica que es el mximo valor del vector respuesta, no se puede subir
sobre dicho valor, ms al contrario se puede bajar.
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.

Palacios C. Severo


306

(-)
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

AB B A Y 25 , 0 0 , 6 0 , 0 2857 , 90 + + =


Interpretacin del modelo matemtico

Si A y B son iguales a cero, entonces el modelo ser igual a la 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
84
87
90
93
96
99
Y
A
-0.5 0.5
B
-0.5 0.5

Grfica de Interaccin para Y
83
86
89
92
95
98
Y
A
-0.5 0.5
B=-0.5
B=-0.5
B=0.5
B=0.5

Efectos significativos de factores principa-
les
Interaccin de factores principales

En la superficie respuesta visualizando el grfico (isolneas), podemos
interpretar lo siguiente: el valor ptimo est a menor A y mayor B.
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

307

Contornos de la Superficie de Respuesta Estimada
-0.5 -0.3 -0.1 0.1 0.3 0.5
A
-0.5
-0.3
-0.1
0.1
0.3
0.5
B
Y
83.0-84.5
84.5-86.0
86.0-87.5
87.5-89.0
89.0-90.5
90.5-92.0
92.0-93.5
93.5-95.0
95.0-96.5
96.5-98.0
98.0-99.5

Superficie de Respuesta Estimada
-0.5
-0.3
-0.1
0.1
0.3
0.5
A
-0.5
-0.3
-0.1
0.1
0.3
0.5
B
83
86
89
92
95
98
Y
Y
83.0-84.5
84.5-86.0
86.0-87.5
87.5-89.0
89.0-90.5
90.5-92.0
92.0-93.5
93.5-95.0
95.0-96.5
96.5-98.0
98.0-99.5

Superficie respuesta estimada en el plano con
punto ptimo
Superficie respuesta estimada en el
espacio

La superficie respuesta a nivel espacial nos muestra la forma en que
estn ubicados los puntos experimentales, as mismo la direccin en la
cual se orienta el proceso.

Notamos que la zona de mayor recuperacin se ubica a menor A y
mayor B.

DISEO FACTORIAL CENTRADO DE TRES FACTORES


X1
X2
X3
0,5
0,5


-0,5 0,5

X1 X2 X3
-0,5
+0,5
-0,5
+0,5
-0,5
+0,5
-0,5
+0,5
0
0
0
0
0
0
0
-0,5
-0,5
+0,5
+0,5
0
0
0
0
-0,5
-0,5
+0,5
+0,5
0
0
0
0
0
0
0
-0,5
-0,5
+0,5
+0,5
-0,5
+0,5
-0,5
+0,5
0
0
0

Este es una nueva estrategia estadstica elaborada para los procesos
donde se tiene tres factores, en este diseo se ahorra mucho tiempo,
personal e insumo porque el factor de mayor orden no existe.

El presente es un aporte para que la industria logre mejorar su pro-
ductividad y sea de gran provecho para los estudiosos.

Ejemplo 6.89
Se evala el experimento del ejemplo anterior con tres factores a dos
niveles.

Palacios C. Severo


308

Factores
Niveles
- 0 +
A: Voltaje (Voltios)
B: Densidad corriente (A/m)
C: Agitacin (RPM)
1
30
700
2
35
1100
3
40
1500

Prueba X1 X2 X3 A B C Y
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
-0,5
+0,5
-0,5
+0,5
-0,5
+0,5
-0,5
+0,5
0
0
0
0
0
0
0
-0,5
-0,5
+0,5
+0,5
0
0
0
0
-0,5
-0,5
+0,5
+0,5
0
0
0
0
0
0
0
-0,5
-0,5
+0,5
+0,5
-0,5
+0,5
-0,5
+0,5
0
0
0
1,5
2,5
1,5
2,5
1,5
2,5
1,5
2,5
2
2
2
2
2
2
2
32,5
32,5
37,5
37,5
35
35
35
35
32,5
32,5
37,5
37,5
35
35
35
1100
1100
1100
1100
900
900
1300
1300
900
1300
900
1300
1100
1100
1100
85
86
98
97
86
88
98
96
88
89
90
92
89
89
88

Interpretacin de los efectos

Si visualizamos los signos de los efectos A, B y C, notamos que son
positivos, por lo tanto estn en su nivel mnimo, por lo cual debern
ser maximizado, es decir que dichos factores son variables, y debern
ser optimizados y establecidos sus rangos de trabajo ptimo.

Efecto Estimado
X1:A 0,0
X2:B 7,25
X3:C 27,75
AB -0,25
AC -0,5
BC 0,125
Errores estndar con 8 GL

En este tipo de diseo el efecto de tercer orden no existe. Por lo tanto la
suma de cuadrados para dichos efectos tampoco existe.

El que tiene mayor significanca es B, seguido de C para un coeficiente
de correlacin del 98,47%.

Tabla 6.100 Anlisis de varianza
Fuente SC GL CM Fo Ft(95%)
A: X1
B: X2
C: X3
0
105,125
1540,125
1
1
1
0
105,125
1540,125
0
318,56
4667,05
<
>
>
98,49
98,49
98,49
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

309

AB
AC
BC
Curvatura
Error
0,125
0,5
0,03125
13,14
0,66
1
1
1
1
2
0,125
0,5
0,03125
13,14
0,33
0,38
1,51
0,095
39.82
<
<
<
<
98,49
98,49
98,49
98,49
Total 1659,71 9 R = 90,6%

Siendo el modelo matemtico para el presente caso:

BC AC B C B A Y 0625 , 0 25 , 0 125 , 0 875 , 13 625 , 3 0 , 0 6 , 90 + + + + =


Interpretacin del modelo matemtico

Si A, B y C son iguales a cero, entonces el modelo ser igual a la cons-
tante, si visualizamos el signo de dicha constante notamos que es ne-
gativo, lo cual nos indica que esta en su mximo y debe minimizarse.

Valor ptimo = 109,378
Factor Bajo Alto ptimo
A
B
C
1,0
30,0
700,0
3,0
40,0
1500,0
1,204
40,0
1500,0

El punto ptimo del presente proceso viene establecido por la tenden-
cia de la hiptesis planteada en un principio, siendo esto que A est en
el mximo debe de minimizarse, B y C deben de maximizarse y esta-
blecer el ptimo.

En la superficie respuesta visualizando el grfico (isolneas), podemos
interpretar lo siguiente: el valor ptimo est a mayor B y C. Dejando
constante al factor A.

A=2.0
B
C
Y
81.0-83.0
83.0-85.0
85.0-87.0
87.0-89.0
89.0-91.0
91.0-93.0
93.0-95.0
95.0-97.0
97.0-99.0
99.0-101.0
101.0-103.0 30 32 34 36 38 40
700
900
1100
1300
1500

A=2.0
B
C
Y
81.0-83.0
83.0-85.0
85.0-87.0
87.0-89.0
89.0-91.0
91.0-93.0
93.0-95.0
95.0-97.0
97.0-99.0
99.0-101.0
101.0-103.0
30
32
34
36
38
40
700
900
1100
1300
1500
78
83
88
93
98
103
108

Superficie respuesta estimada en el plano
con punto ptimo
Superficie respuesta estimada en el espa-
cio

En el grafico espacial podemos visualizar el comportamiento de las
isolneas de igual manera, debe de incrementarse B y C, manteniendo
constante el factor A.

Palacios C. Severo


310

DISEO ROTABLE CENTRADO DE n FACTORES

(-0.5, 0.5)
(0.5, -0.5) (-0.5, -0.5)
(-0.75, 0)
(0, -0.75)
(0, 0.75)
(0.75, 0)
(0.5, 0.5)
(0, 0)

X1 X2 X3
-0,5
0,5
-0,5
0,5
-0,5
0,5
-0,5
0,5
-0,75
0,75
0
0
0
0
0
0
0
-0,5
-0,5
0,5
0,5
-0,5
-0,5
0,5
0,5
0
0
-0,75
0,75
0
0
0
0
0
-0,5
-0,5
-0,5
-0,5
0,5
0,5
0,5
0,5
0
0
0
0
-0,75
0,75
0
0
0

El presente diseo rotable para ajustar un modelo de segundo orden
debe tener por lo menos tres niveles en cada factor. El presente diseo
es una alternativa frente a los diversos diseos existentes.

El presente diseo es simple en el proceso de evaluacin de factores
desde K>2, el diseo rotable esta extrado de la figura geomtrica.

Ejemplo 6.90
En un proceso electroltico para la fabricacin de sales de aluminio se
procedi a evaluar dos factores a tres niveles.

A: 0,75 1,25 1,5
B: 1 2 3

Prueba X1 X2 A B Y
1
2
3
4
5
6
7
8
9
10
11
-0,5
0,5
-0,5
0,5
-0,75
0,75
0
0
0
0
0
-0,5
-0,5
0,5
0,5
0
0
-0,75
0,75
0
0
0
1,00
1,50
1,00
1,50
0,88
1,63
1,25
1,25
1,25
1,25
1,25
1,50
1,50
2,50
2,50
2,00
2,00
1,25
2,75
2,00
2,00
2,00
95,2
93,4
97,2
95,7
92,5
98,1
93,5
95,7
89,5
89,6
89,4

Si visualizamos los signos de los efectos A=X
1
, y B=X
2
, notamos que X
2

tiene signo positivos, por lo tanto estn en su nivel mnimo, por lo cual
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

311

debern ser maximizado, es decir que dicho factor es variable, y debe-
rn ser optimizados y establecidos sus rangos de trabajo ptimo, y el
factor X
1
es una constante.

Efecto e
interacciones
Efectos
cuadrticos
A: X1 = -6,767
B: X2 = 3,426
AB = 0,45
AA = 12,572
BB = 19,732
Errores estndar con 5 GL

El que modelo matemtico as como la falta de ajuste son significati-
vos y por lo tanto se ajustan al proceso con un coeficiente de correla-
cin del 82,611%.

Tabla 6.101 Anlisis de varianza
Fuente SC Gl CM Fo Ft(95%)
A: X1
B: X2
AA
AB
BB
Error
18,4802
4,0733
52,2002
0,0225
40,6668
16,745
1
1
1
1
1
5
18,4802
4,0733
52,2002
0,0225
40,6668
3,34899
5,52
1,22
15,59
0,01
12,14
<
<
>
<
>
6,61
6,61
6,61
6,61
6,61
Total 96,2964 10 R = 82,611%

Tabla 6.102 Anlisis de varianza de falta de ajuste
Fuente SC Gl CM Fo Ft(95
%)
Falta ajuste
Error
16,725
0,02
3
2
5,575
0,01
557,5 > 19,16
Total 16,745 5 R = 82,611%

Siendo el modelo matemtico para el presente caso:

2 1
2
2
2
1 2 1
6 , 0 8617 , 9 703 , 44 426 , 38 805 , 110 097 , 194 X X X X X X Y + + + =


Si X
1
, y X
2
son iguales a cero, entonces el modelo ser igual a la cons-
tante, si visualizamos el signo de dicha constante notamos que es posi-
tivo, lo cual nos indica que esta en su mnimo y debe maximizarse.

Valor ptimo = 103,886
Factor Bajo Alto ptimo
X1 0,88 1,63 1,63
X2 1,25 2,75 2,75

El punto ptimo del presente proceso viene establecido por la tenden-
cia de la hiptesis planteada en un principio, siendo que X
1
esta en su

Palacios C. Severo


312

mximo y debe mantenerse constante y X
2
tambien esta en su mximo
y deben de minimizarse y establecer el ptimo.

Ambos factores tienen efecto significativo significativo en el proceso.

0.75
B
3
Grfica de Efectos Principales para Y
89
92
95
98
101
104
Y
A
1.5 1

0.75
B=1
B=3
Grfica de Interaccin para Y
97
100
103
106
109
112
Y
A
1.5
B=1
B=3

Efectos significativos con tendencia cua-
drtica
Interaccin en proceso cuadrtico

No existe interaccin entre ambos factores, por lo que cada factor es
independiente en el proceso, si se modifica el factor X
1
, se mantiene el
factor X
2
, y as sucesivamente.

En la superficie respuesta visualizando el grfico (isolneas), podemos
interpretar lo siguiente: el valor ptimo est a un valor mximo de X
1

y un valor promedio de X
2
.

Contornos de la Superficie de Respuesta Estimada
0.75 0.95 1.15 1.35 1.55
A
1
1.4
1.8
2.2
2.6
3
B
Y
89.0-91.4
91.4-93.8
93.8-96.2
96.2-98.6
98.6-101.0
101.0-103.4
103.4-105.8
105.8-108.2
108.2-110.6
110.6-113.0
113.0-115.4

Superficie de Respuesta Estimada
0.75
0.95
1.15
1.35
1.55
A
1
1.4
1.8
2.2
2.6
3
B
89
93
97
101
105
109
113
Y
Y
89.0-91.4
91.4-93.8
93.8-96.2
96.2-98.6
98.6-101.0
101.0-103.4
103.4-105.8
105.8-108.2
108.2-110.6
110.6-113.0
113.0-115.4

Superficie respuesta estimada en el plano
con punto ptimo
Superficie respuesta estimada en el espa-
cio

En el grafico espacial podemos visualizar el comportamiento de las
isolneas de igual manera, debe de incrementarse X
1
y manteniendo
constante el factor X
2
.




ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

313

Problemas

(294) 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.
X1 X2 Y
-0,5
+0,5
-0,5
+0,5
0
0
0
-0,5
-0,5
+0,5
+0,5
0
0
0
72
70
66
64
68
68
68
Para optimizar estas dos variables, se obtuvo los modelos ma-
temticos:
2 1 2 1 1
0 , 0 6 , 0 02 0 , 68 X X X X Y + =

Desarrolle el ANAVA y la superficie respuesta
Obtenga el ptimo cuando se alcanza un 68,4%
(295) Se estudia un experimento de flotacin a nivel laboratorio sien-
do sus factores A: tiempo, B: espumante.
3 , 84 2 , 90 8 , 90 3 , 89 9 , 81 3 , 83 8 , 88 6 , 89 9 , 93 :
12 , 1 12 , 1 12 , 1 31 , 1 94 , 0 75 , 0 94 , 0 31 , 1 5 , 1 :
2 2 2 13 , 1 13 , 1 2 87 , 2 87 , 2 2 :
Y
B
A

Obtenga el modelo del proceso
Analice aplicando el ANAVA
(296) Se efectu un proceso electroltico de fabricacin de ocre, cuyo
rendimiento esta en funcin de dos variables A: cloruro de sodio,
B: intensidad de corriente.
6 , 82 5 , 83 5 , 81 6 , 86 3 , 80 8 , 78 4 , 75 6 , 90 5 , 85 :
5 , 42 5 , 42 5 , 42 3 , 27 3 , 27 5 , 42 7 , 57 7 , 57 5 , 42 :
5 , 8 5 , 8 5 , 8 7 , 9 7 , 7 7 7 , 7 2 , 9 10 :
Y
B
A

Obtenga el modelo del proceso
Analice aplicando l ANAVA
Cree usted la temperatura influye en el proceso
Elabore el diagrama Eh-pH
De que color es el ocre producido
Sin en vez de cloruro de sodio utiliza un electrolito de nitrato de
sodio, cual es el producto final.
(297) Se quiere evaluar un proceso en donde se nota la influencia de
dos factores A: 400 - 600 y B: 3,5 - 5.
88 92 91 93 89 97 85 90 89 99 89 98 92 : Y

Obtenga el modelo

Palacios C. Severo


314

AB B A B A Y 9 , 0 9 , 0 3 92 + + + + =

Analice mediante los mtodos de punto estacionario y cannico.
(298) Un proceso electroltico, cuyo rendimiento esta en funcin de las
variables A: 20 - 40 y B: 1 - 3.
Obtenga el modelo y analice.
82 83 81 80 81 80 78 75 90 85 :
1
X

(299) Con el estudio experimental se desea determinar las condiciones
ptimas siendo sus factores
68 68 68 70 66 64 66 70 72 :
1
X

68 76 76 68 68 76 84 84 76 :
1
X

El modelo que gobierna el estudio experimental es:
2 1
2
2
2
1 2 1
034 , 0 083 , 0 22 , 0 13 , 10 5 , 27 411 , 1 X X X X X X Y + + =

(300) Se estudia un experimento a nivel laboratorio siendo sus facto-
res.
13 , 1 13 , 1 13 , 1 31 , 1 94 , 0 75 , 0 94 , 0 31 , 1 5 , 1 :
1
X

2 2 2 13 , 1 13 , 1 2 9 , 2 9 , 2 2 :
2
X

3 , 89 2 , 90 9 , 90 3 , 89 9 , 81 3 , 83 8 , 88 7 , 89 9 , 93 : Y

Siendo el modelo
2 1
2
2
2
1 2 1
16 , 10 1 , 3 4 9 , 25 39 , 42 98 , 30 X X X X X X Y
Cu
+ + =

(301) Se estudia la lixiviacin con cido sulfrico, de una calcina, 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.
(302) Se estudia las variables A: concentracin de cido; B: tempera-
tura, C: velocidad de agitacin. Siendo su vector respuesta.
73 75 75 78 77 77 83 59 82 67 79 60 80 62 : Y

Obtenga el modelo
Analice el ANAVA
Aplique el mtodo para evaluar la curvatura
(303) Dado el alto contenido de hierro de los licores de lixiviacin, que
se obtienen, se procede a la purificacin del cobre con Lix 64N, a
partir de licores con 3,59 g/l de cobre y 1,14 g/l de hierro, en lo
que se relaciona con el efecto de alguna variables como el pH,
concentracin de extraccin, relacin de fases, agitacin y con-
centracin de cido. Obtenindose los modelos.
2 1
2
2
2
1 2 1
5 , 0 16 , 1 15 , 1 23 , 2 23 , 1 94 , 96 X X X X X X Y
Cu
+ + =

2 1
2
2
2
1 2 1
95 , 1 11 , 4 89 , 3 37 , 1 25 , 1 74 , 12 X X X X X X Y
Fe
+ =

Analice mediante el ANAVA
Establezca los rangos de las variables
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

315

(304) 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
A: temperatura, B: aire. Siendo su vector respuesta.
6 , 88 4 , 92 1 , 91 8 , 93 2 , 89 8 , 97 7 , 85 5 , 90 1 , 89 5 , 99 9 , 89 5 , 98 4 , 92 : Y

Obtenga el modelo
Analice mediante el ANAVA
Establezca los rangos de las variables
(305) Considere el modelo de primer orden
2 1
8 , 0 5 , 1 50 X X Y + =

Donde
1 1 s s
i
X
.
Determine la direccin de mximo ascenso y planifique el expe-
rimento siguiendo dicha direccin
(306) Los siguientes datos fueron recogidos por un ingeniero de plan-
ta. La respuesta y es el tiempo de filtrado, X
1
es la temperatura
y X
2
es la presin.
X1 X2 Y
-0,5
0,5
-0,5
0,5
-0,75
0,75
0
0
0
0
0
-0,5
-0,5
0,5
0,5
0
0
-0,75
0,75
0
0
0
54
45
32
47
50
53
47
51
41
39
40
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.
(307) 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:
115
775
1

=
a temperatur
X
,
5 . 1
3
2

=
tiempo
X

Se lleva a cabo un experimento cuyos resultados se muestran a
continuacin:
X1 X2 Y
-0,5
0,5
-0,5
-0,5
-0,5
0,5
211
92
216

Palacios C. Severo


316

0,5
-0,75
0,75
0
0
0
0
0
0
0
0,5
0
0
-0,75
0,75
0
0
0
0
0
99
222
148
168
179
122
175
157
146
130
Qu tipo de diseo experimental se ha usado. Es rotable.
El modelo cuadrtico ajustado es
2 1
2
2
2
1 2 1
5 , 0 5829 , 10 5281 , 6 3529 , 3 47059 , 58 0445 , 150 X X X X X X Y + + + =


Fuente SC GL CM Fo Ft(99)
Modelo
Error
30688,7
1478,22
5
6
6137,74
246,37
24,91 > 8,75
Total 32166,92 11 R
2
= 95,04
Es bueno el ajuste de este modelo?
Calcule el punto estacionario. Qu tipo de punto es?
(Puede usar que los autovalores de la matriz son -6,89 y 0,62)
|
|
.
|

\
|
10.58295 0.25
0.25 6.528158 -

(308) Un ingeniero est investigando la influencia de la temperatura,
la presin y la concentracin del catalizador en tiempo que tar7
(309) da una reaccin en llevarse a cabo. Tras varios experimentos, el
investigador ajust la funcin
2
3
2
2
2
1 3 2
3 1 2 1 3 2 1
717 , 3 12 , 5 091 , 6 706 , 4
078 , 7 8089 , 1 3165 , 1 2241 , 5 4989 , 6 630
X X X X X
X X X X X X X Y

+ + + =

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

=
C a temperatur
X

20
612 ) (
2

=
psi presin
X

03 . 0
15 . 0
3

=
in concentrac
X

Hgale al investigador las sugerencias que considere.
(310) Consideremos un experimento donde el objetivo es estudiar la
relacin entre la frecuencia de oscilacin de un reloj de cuarzo
patrn y las condiciones de humedad y temperatura. En este 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 (22
o
C, 24
o
C) y para la hu-
medad (20%, 50%).
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

317

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.
Prueba
Temperatura
(C)
Humedad
(%)
Frecuencia
(Hz)
1
2
3
4
5
6
7
8
9
10
11
-0,5
0,5
-0,5
0,5
-0,75
0,75
0
0
0
0
0
-0,5
-0,5
0,5
0,5
0
0
-0,75
0,75
0
0
0
99,706
99,706
99,704
99,702
99,704
99,692
99,715
99,657
99,687
99,689
99,688
En particular en el estudio presentado se muestra cmo evaluar
experimentalmente la incertidumbre dada por el fabricante de
un equipo para verificar su magnitud en las condiciones del
propio laboratorio. Este tipo de estudios podran llevar a 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.
(311) 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.
Factores Niveles
- +
Potencial (Vols)
NaOH (g/L)
DC (A/cm)
2,5
10
0,025
3,5
20
0,075

Prueba
Potencial
(Vols)
NaOH
(g/L)
DC
(A/cm)
Consumo energa
(Watt-h)
Tiempo
(min)
1
2
3
-0,5
0,5
-0,5
-0,5
-0,5
0,5
-0,5
-0,5
-0,5
3,43
9,38
4,33
115,0
78,7
108,5

Palacios C. Severo


318

4
5
6
7
8
9
10
11
12
13
14
15
16
17
0,5
-0,5
0,5
-0,5
0,5
-0,75
0,75
0
0
0
0
0
0
0
0,5
-0,5
-0,5
0,5
0,5
0
0
-0,75
0,75
0
0
0
0
0
-0,5
0,5
0,5
0,5
0,5
0
0
0
0
-0,75
0,75
0
0
0
13,94
3,29
9,38
5,73
15,66
7,79
7,64
6,87
7,75
6,70
5,9
6,8
6,9
6,7
76,0
78,9
78,7
173,9
113,2
88,9
87,4
80,3
93,8
80,0
82,1
79,4
79,8
79,6
Se pretende minimizar el tiempo del proceso, de consumo de
energa (mayor eficiencia de corriente) y menor cantidad de 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.
(312) 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
cm
3
. El tiempo de reaccin se ha prolongado para aquellos casos
en que se observ un mejor comportamiento de la disminucin
de la DQO (demanda qumica de oxgeno) al aumentar la carga
elctrica.
El plan experimental escogido para estudiar la influencia de las
principales variables de reaccin es un diseo factorial completo
2
3
con ocho barridos experimentales, donde las variables 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/m
2
).
Factores
Niveles
- +
X1: Temperatura (C)
X2: Concentracin (%)
X3: DC (A/m)
25
50
500
40
96
1000

Prueba
Temperatura
(C)
Concentracin
(%)
DC
(A/m) DQO
1
2
-0,5
0,5
-0,5
-0,5
0
0
32487
725
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

319

3
4
5
6
7
8
9
10
11
12
-0,5
0,5
-0,75
0,75
0
0
0
0
0
0
0,5
0,5
0
0
-0,75
0,75
0
0
0
0
0
0
-0,5
-0,5
+0,5
+0,5
-0,5
+0,5
-0,5
+0,5
3075
2852
2775
6525
867
4425
6320
897
4560
6871
La tecnologa propuesta se presenta como una tcnica universal
para degradar compuestos nitratados aromticos en contra de
la biodegradacin, en la que las especies microbianas encarga-
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
(313) El propsito de este estudio fue evaluar la remocin de slidos
totales, presentes en la vinaza (destilado del alcohol), mediante
procesos de electrocoagulacin-electroflotacin utilizando 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/cm
2
; pH 4, 7 y 9; [NaCl] 0, 2000 y 4000 ppm.
Factores
Niveles
- 0 +
X1: DC (mA/cm)
X2: pH
X3: [NaOH] (ppm)
20
4
0
40
7
2000
60
9
4000

Prueba
DC
(mA/cm) pH
[NaOH]
(ppm)
Al
(g)
% Slidos totales
Clarificado Espuma
1
2
3
4
5
6
7
-0,5
0,5
-0,5
0,5
-0,5
0,5
-0,5
-0,5
-0,5
0,5
0,5
-0,5
-0,5
0,5
-0,5
-0,5
-0,5
-0,5
0,5
0,5
0,5
-0,5
-0,5
-0,5
-0,5
-0,5
-0,5
-0,5
19,81
20,95
22,59
22,09
21,73
15,05
14,56
22,73
23,49
24,00
23,77
22,77
17,25
17,92

Palacios C. Severo


320

8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
0,5
-0,5
0,5
-0,5
0,5
-0,5
0,5
-0,5
0,5
-0,75
0,75
0
0
0
0
0
0
0
0
0,5
-0,5
-0,5
0,5
0,5
-0,5
-0,5
0,5
0,5
0
0
-0,75
0,75
0
0
0
0
0
0
0,5
-0,5
-0,5
-0,5
-0,5
0,5
0,5
0,5
0,5
0
0
0
0
-0,75
0,75
0
0
0
0
-0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0,5
0
0
0
0
0
0
-0,75
0,75
0
0
15,23
22,00
16,88
20,16
21,01
22,15
23,42
18,96
17,87
12,01
19,01
13,5
15,7
12,6
14,8
15,6
17,2
15,7
15,8
18,69
23,12
16,80
19,15
18,15
18,75
19,21
17,65
15,23
12,54
17,25
13,57
14,23
14,78
16,75
14,89
19,24
14,7
14,9
Que factor influye en el mayor desprendimiento de aluminio al
desarrollar la electrocoagulacin-electroflotacin.
En que regin del pH ocurre mejor el proceso.
(314) La investigacin se desarroll con las aguas residuales de una
industria lctea de la regin. Se tomaron muestras tanto del
tanque de descargas, como del tanque de homogeneizacin; este
ltimo toma las aguas del tanque de descarga de las aguas resi-
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.
Factores
Niveles
- 0 +
X1: pH
X2: DC (A/m)
X3: tiempo (min)
5
32,43
5
7
37,83
10
8
43,23
15

ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

321

Prueba pH
DC
(A/m)
tiempo
(min)
DQO
(%)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
-0,5
0,5
-0,5
0,5
-0,5
0,5
-0,5
0,5
-0,75
0,75
0
0
0
0
0
0
0
-0,5
-0,5
0,5
0,5
-0,5
-0,5
0,5
0,5
0
0
-0,75
0,75
0
0
0
0
0
-0,5
-0,5
-0,5
-0,5
0,5
0,5
0,5
0,5
0
0
0
0
-0,75
0,75
0
0
0
75,73
62,36
46,55
93,99
70,83
51,44
77,29
93,99
43,88
45,79
42,15
44,26
47,25
48,26
47,62
48,01
48,06
La electrocoagulacin se vislumbra como un tratamiento 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.
(315) La planificacin de los experimentos se realiz aplicando el di-
seo experimental factorial 2
n
; se analiz la influencia de la
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.
Factores
Niveles
- 0 +
X1: Temperatura ()
X2: tiempo (h)
X3: Lquido/Slido (L:S)
30
1
8
45
2
10
60
3
12
Condiciones fijas del experimento: Velocidad de agitacin 600
rpm; pH 4,06.

Palacios C. Severo


322

Los modelos que regulan el proceso son:
9058 , 87 765 , 2 0625 , 0 1325 , 4 4475 , 6 2433 , 72
2 1 3 2 1
= + + + = R X X X X X Y
Ni

5456 , 96 165 , 2 3425 , 0 255 , 2 58 , 3 0333 , 81
2 1 3 2 1
= + + + + = R X X X X X Y
Co

0524 , 90 61125 , 1 51625 , 1 0613 , 17 24125 , 5 22625 , 6 36 , 71
3 2 2 1 3 2 1
= + + = R X X X X X X X Y
Fe
9567 , 95 2425 , 3 4925 , 0 6675 , 4 5 , 6 2356 , 70
2 1 3 2 1
= + + + + = R X X X X X Y
Mn

Elabore un diseo experimental que satisfaga la depuracin del
efluente
(316) 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.
(317) En la tabla aparece la matriz experimental correspondiente al
plan 2
3
, y un experimento en el nivel central. Con este diseo de
experimento se obtuvo el comportamiento de las variables de
respuesta Selectividad y Extraccin de Ag y Cu. La selectividad
se consider como la relacin entre la recuperacin de un com-
ponente dado y el grado de disolucin total del mineral. En to-
dos los experimentos se mantuvieron fijos los parmetros si-
guientes: relacin lquido: slido: L/S=12/1 cm
3
de solucin/g de
cola; velocidad de agitacin: 630 rpm; tamao de partculas (-
0,149+0,074) mm. Se realiz el estudio del comportamiento 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.
Factores
Niveles
- 0 +
X1: Temperatura ()
X2: tiempo (h)
X3: Lquido/Slido (L:S)
30
1
1
45
3
5
60
5
9

Prueba
T
()
t
(h)
L/S
(cm/g)
% Extraccin
Ag Cu
1
2
3
4
5
-0,5
0,5
-0,5
0,5
-0,5
-0,5
-0,5
0,5
0,5
-0,5
-0,5
-0,5
-0,5
-0,5
0,5
62,96
71,60
69,07
82,40
64,24
77,38
80,53
77,93
87,39
77,58
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

323

6
7
8
9
10
11
12
13
14
15
16
17
0,5
-0,5
0,5
-0,75
0,75
0
0
0
0
0
0
0
-0,5
0,5
0,5
0
0
-0,75
0,75
0
0
0
0
0
0,5
0,5
0,5
0
0
0
0
-0,75
0,75
0
0
0
70,45
63,72
87,12
78,63
76,35
77,25
79,56
77,95
78,45
79,36
79,46
79,58
80,09
77,39
90,91
80,10
85,26
89,01
89,90
87,54
88,65
89,74
89,87
89,95
(318) Se controlaron 3 variables que permitieron conocer las 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:
Factores
Niveles
- 0 +
X1: [H2O2] (ml/L)
X2: Volumen a tratar (L)
X3: [TiO2] (mg/L)
0
4
0
1
8
100
2
12
200

Prueba
[H2O2]
(ml/L)
Volumen
(L)
[TiO2]
(mg/L)
Radiacin
(W/m)
pH
Degradacin
(%)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
-0,5
0,5
-0,5
0,5
-0,5
0,5
-0,5
0,5
-0,75
0,75
0
0
0
0
0
0
0
-0,5
-0,5
0,5
0,5
-0,5
-0,5
0,5
0,5
0
0
-0,75
0,75
0
0
0
0
0
-0,5
-0,5
-0,5
-0,5
0,5
0,5
0,5
0,5
0
0
0
0
-0,75
0,75
0
0
0
36,5
44,5
18,0
44,83
26,03
61,83
52,83
35,41
40,17
50,83
34,17
56,25
57,2
56,3
55,7
55,9
55,2
3,85
3,91
5,77
5,41
3,72
5,73
8,43
5,12
4,24
4,2
4,12
4,25
4,72
3,98
4,25
4,26
4,28
23,52
46,19
7,39
33,03
43,34
31,87
14,8
6,62
16,8
19,8
14,84
18,36
22,15
21,85
18,25
18,92
18,75
Para el estudio de estas variables se realizaron una serie de ex-
perimentos donde la variable de respuesta fue el porcentaje de
degradacin medido como el porcentaje de reduccin en la DQO.
Del anlisis de los datos obtenga el ANAVA, estime la respuesta
ptima, adems de la superficie de respuesta, que permiten 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.

Palacios C. Severo


324

(319) Se seleccionaron modelos lineales del tipo 2
n
, 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.
Prueba
Floculante
(mg/L)
Coagulante
(mg/L)
pH
Concentracin residual
Color DQO
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
-0,5
0,5
-0,5
0,5
-0,5
0,5
-0,5
0,5
-0,75
0,75
0
0
0
0
0
0
0
-0,5
-0,5
0,5
0,5
-0,5
-0,5
0,5
0,5
0
0
-0,75
0,75
0
0
0
0
0
-0,5
-0,5
-0,5
-0,5
0,5
0,5
0,5
0,5
0
0
0
0
-0,75
0,75
0
0
0
47,0
45
13
22,5
188,5
180,5
40,5
40,5
35,46
33,25
36,87
39,48
42,6
45,4
42,1
43,6
42,9
84,5
75,0
60,5
55,5
105,5
138,5
82,5
42,5
36,89
42,15
45,24
46,78
44,7
46,8
47,8
47,9
48,0
Debido a la buena calidad del efluente obtenido bajo las condiciones 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.









ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

325

7
SUPERFICIE DE RESPUESTA

En estadstica, lo que desaparece detrs de los nmeros es la muerte.
Gnter Grass

I. INTRODUCCIN

La metodologa de superficie de respuesta es un conjunto de tcnicas
matemticas y estadsticas utilizadas para modelar y analizar pro-
blemas en los que una variable de inters es influenciada por otras. El
objetivo es optimizar las variables de inters.

Esto se logra al determinar las condiciones ptimas de operacin del
sistema.

II. SUPERFICIE DE RESPUESTA

La relacin Y=f(X
1
, X
2
,, X
k
), entre Y y los niveles de los k factores
representa una superficie. Con k factores la superficie est en k+1 di-
mensiones. Por ejemplo cuando se tiene Y=f(X
1
) la superficie esta en
dos dimensiones como se muestra en la superficie de respuesta lineal,
mientras que si tenemos Y=f(X
1
, X
2
) la superficie est en tres dimen-
siones, esto se observa en la superficie de respuesta.

X
Y
0 1 2 3 4 5
5
4
3
2
1
0
{
Yo

Superficie de Respuesta Estimada
0
2
4
6
8
10
X1
0.1
0.14
0.18
0.22
0.26
0.3
X2
0.7
1
1.3
1.6
1.9
2.2
Y
Y
0.7-0.85
0.85-1.0
1.0-1.15
1.15-1.3
1.3-1.45
1.45-1.6
1.6-1.75
1.75-1.9
1.9-2.05
2.05-2.2
2.2-2.35

Superficie respuesta lineal Superficie respuesta espacial

Palacios C. Severo


326

Grfica de contorno

La grafica de contornos facilita la visualizacin de la forma de una
superficie de respuesta de tres dimensiones. En esta las curvas de los
valores iguales de respuesta se grafican en un plano donde los ejes
coordenados representan los niveles de los factores. Cada curva repre-
senta un valor especfico de la altura de la superficie es decir un valor
especifico de Y. Esto se muestra en el grafico de contornos. Esta grafi-
ca nos ayuda a enfocar nuestra atencin en los niveles de los factores a
los cuales ocurre un cambio en la altura de la superficie.

Regin experimental

La regin experimental especifica la regin de los valores para los
niveles de los factores. Esto se puede hacer empleando los niveles ac-
tuales de operacin para cada factor, si se desea explorar el vecinda-
rio se incrementa y decrece el valor del nivel en una cantidad determi-
nada.

III. POLINOMIO DE PRIMER ORDEN

Generalmente se desconoce la relacin entre la respuesta y las varia-
bles independientes, por ello requieren un modelo que aproxime la
relacin funcional entre Y y las variables independientes. Este modelo
provee las bases para un nuevo experimento que nos lleva hacia un
nuevo modelo y el ciclo se repite. Si la respuesta se describe adecua-
damente por una funcin lineal de las variables independientes se
utiliza el modelo de primer orden.

c + + + + =
k k o
X A X A X A A Y
2 2 1 1


Contornos de la Superficie de Respuesta Estimada
0 2 4 6 8 10
X1
0.1
0.14
0.18
0.22
0.26
0.3
X
2
Y
0.7-0.85
0.85-1.0
1.0-1.15
1.15-1.3
1.3-1.45
1.45-1.6
1.6-1.75
1.75-1.9
1.9-2.05
2.05-2.2
2.2-2.35

Grafico contornos
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

327

Los parmetros del modelo se estiman mediante el mtodo de mnimos
cuadrados. Una vez que se tiene los estimadores se sustituyen en la
ecuacin y obtenemos el modelo ajustado.

k k o
X A X A X A A Y + + + =
2 2 1 1


Este modelo se utiliza cuando queremos estudiar el comportamiento
de las variables de respuesta nicamente en la regin y cuando no
conocemos la forma de la superficie.

IV. PRUEBA DE SIGNIFICANCA

Para estimar los coeficientes se requieren N>k+1 valores de respuesta
Y. El anlisis de los datos de las corridas se presenta en una tabla de
anlisis de varianza. La tabla presenta las diferentes fuentes de varia-
cin que contribuyen a la variacin total de los datos.

La variacin total recibe el nombre de la Suma de Cuadrados Total
SC, se calcula de la siguiente manera:

( )
2

= Y Y SC
ij


Donde

Y
ij
es el valor observado de la ij-sima corrida.

La suma de cuadrados se compone por la suma de cuadrados debido a
la regresin y la suma de cuadrados no toma en cuenta el modelo
ajustado. La formula de la suma de cuadrados debido a la regresin
es.

( )
2
= Y Y SC
c regresi n


La suma de cuadrado error, que corresponde a la no tomada en cuen-
ta, se calcula de la siguiente manera.

( )
2

=
c i j error
Y Y SC


En la tabla se observa un anlisis de varianza, en ella p representa el
nmero de trminos del modelo ajustado

Palacios C. Severo


328

Tabla 6.103 Anlisis de varianza
Fuente SC Gl CM
Regresin
Error
SCregresin
SCerror
p-1
N-p
SCR/p-1
SCE/N-p
Total SCtotal N-1

La prueba de significanca de la ecuacin de regresin ajustada tiene
la siguiente hiptesis nula H
o
: Todas las A
s
(excluyendo A
o
) son cero
contra la alternativa H
A
: al menos una de las A
s
(excluyendo A
o
) es
diferente de cero.

La prueba supone que el error se comporta normalmente, en sta se
utiliza la prueba estadstica F, el cual se calcula.

p N
SC
p
SC
F
error
regresin

=
1


Se compara con una F de tabla (95 99%), si F calculada excede este
valor la hiptesis nula se rechaza con un nivel de confianza de . Esto
significa que la variacin explicada por el modelo es significativamen-
te mayor que la variacin inexplicable.

Adems de esta prueba se puede hacer un anlisis de ajuste del modelo
con la R que es la proporcin total de la variacin de las Y
s
con res-
pecto a la media que se puede explicar con la ecuacin de regresin
ajustada. Esta se calcula de la siguiente manera.

total
regresin
SC
SC
R =
2


V. PRUEBA DE FALTA DE AJUSTE

La falta de ajuste se presenta por la no linealidad o la curvatura de la
superficie de respuesta, sta no se detecta debido a la exclusin de los
trminos cuadrticos como
2
i ii
X B
o de los trminos de productos cru-
zados
k j i ijk
X X X B
que se refieren al efecto de la interaccin entre los
factores.

La prueba de falta de ajuste requiere que el diseo del experimento
satisfaga:
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

329

1. El nmero de los distintos puntos del diseo n, debe exce-
der el nmero de trminos en el modelo ajustado, es decir
n>k+1, y
2. Al menos e rplicas deben recolectar en uno o ms puntos
del diseo para estimar la varianza del error.

Adems, los valores del error aleatorio deben asumir una distribucin
normal e independiente con una varianza comn .

Al cumplirse las condiciones anteriores la suma de cuadrados del
error se compone de dos fuentes de variacin. La primera es la falta de
ajuste del modelo ajustado (por la exclusin del trmino de mayor
orden) y la segunda es la variacin del error puro.

Para calcularlas necesitamos la suma de cuadrados calculada de las
replicas que recibe el nombre de error puro de la suma de cuadrados y
sustraer de la suma de cuadrados del error ste para obtener la suma
de cuadrados de la falta de ajuste.

( )

=
2
j
ij errorpuro
Y Y SC


Donde

Y
ij
es la i-sima observacin del j-simo punto del diseo

errorpuro error e faltaajust
SC SC SC =


( )
2

= i
i e faltaajust
Y Y r SC


La prueba adecuada del modelo ajustado es:

n N
SC
p n
SC
F
errorpuro
e faltaajust

=


La hiptesis de suficiencia de ajuste con un nivel de significanca se
rechaza cuando el valor calculado del estadstico es mayor a F
tabla
.

Cuando F calculada no es mayor al cuadrado medio residual es utili-
zado para estimar y tambin se usa para probar la significanca
del modelo ajustado.

Palacios C. Severo


330

Cuando la hiptesis de suficiencia de ajuste se rechaza, se debe de ele-
var el grado del modelo aumentando trminos de productos cruzados
y/o trminos de mayor grado en X
1
, X
2
, , X
k
. Si se quieren puntos
adicionales para estimar todos los coeficientes stos se aaden. Se
colocan los datos y se vuelve a hacer el anlisis.

Si no se rechaza la hiptesis podemos inferir que la superficie es lineal.
Una vez que se tiene la ecuacin y se ha comprobado el ajuste se bus-
can niveles que mejoren los valores de respuesta.

VI. MXIMA PENDIENTE ASCENDENTE

Frecuentemente la estimacin inicial de las condiciones de operacin
ptima est alejada del ptimo real, en este caso se desea moverse
rpidamente a la vecindad del ptimo. El mtodo de mxima pendien-
te ascendente es un procedimiento para recorrer secuencialmente la
trayectoria de la mxima pendiente, que nos lleva en direccin del
mximo aumento de la respuesta. Cuando se desea la minimizacin se
habla de la mnima pendiente de descenso.

La direccin de ascenso mximo es en la que Y aumenta ms rpido,
sta es paralela a la normal de la superficie respuesta ajustada. Los
incrementos a lo largo de la trayectoria son proporcionales a los coefi-
cientes de regresin A
1
, A
2
, A
3
.

Los experimentos se llevan a cabo hasta que deje de observarse un
incremento en la respuesta, entonces se ajusta un nuevo modelo de
primer orden con el que se determina una nueva trayectoria y se con-
tina con el procedimiento. Finalmente, se consigue llegar a la cerca-
na del ptimo, esto ocurre cuando existe falta de ajuste del modelo de
primer orden.

Determinar trayectoria de mxima pendiente ascendente

Supongamos que el punto X
1
=X
2
== X
k
=0

1. Se elige un tamao de incremento en una de las variables del
proceso, digamos X
j
, usualmente se elige la variable de la que
ms se sabe, o la que tiene el mayor coeficiente de regresin.
2. El tamao de incremento en las otras variables es
j
j
i
i
X
A
A
X
A
= A

3. Se convierte X
i
de variable codificada a variable natural
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

331

Ejemplo 7.91
Un investigador desea determinar las condiciones de operacin que
maximicen el rendimiento de una reaccin. Dos variables controlables
influyen en ste: tiempo y temperatura de reaccin. Actualmente el
proceso opera con un tiempo de reaccin de 35 minutos y una tempe-
ratura de 155 F, lo que produce un rendimiento del 40%. El investiga-
dor decide que la regin de exploracin sea de 30 a 40 minutos y 150 a
160 F.

En la tabla se muestran los datos, se utiliza un diseo factorial 2 au-
mentado en cinco puntos centrales. Las observaciones centrales sirven
para estimar el error experimental y permiten probar la adecuacin
del modelo de primer orden.

Variables codificadas Variables naturales
X1 X2 t T Y
-
+
-
+
0
0
0
0
0
-
-
+
+
0
0
0
0
0
30
40
30
40
35
35
35
35
35
150
150
160
160
155
155
155
155
155
39,3
40,0
40,9
41,5
40,3
40,5
40,7
40,2
40,6

Por mtodo de mnimos cuadrados se obtiene:

2 1
325 , 0 755 , 0 44 , 40 X X Y + + =


En la tabla se muestra el anlisis de varianza, donde se observa que F
de regresin es significativa al 99%

Tabla 7.104 Anlisis de varianza para el modelo de primer orden
Fuente SC Gl CM Fo Ft(95%)
Regresin
Residual
Falta ajuste
Error puro
2,825
0,1772
(0,0052)
(0,1720)
2
6
2
4
1,4125

0,0026
0,0430
32,84

0,06
>

<
18,00

18,00
Total 3,0022 8 R = 94,0976%

El modelo indica que hay que trasladarse 0,775 unidades en direccin
de X
1
por cada 0,325 unidades en direccin de X
2
. Sabemos que la tra-
yectoria pasa por el punto (X
1
=0, X
2
=0) y tiene pendiente 0,325/0,775.
En el ejemplo se decide usar 5 minutos como incremento en el tiempo
de reaccin lo que equivale a la variable codificada X
1
=1.

Palacios C. Severo


332

Los incrementos a lo largo de la trayectoria son:

42 , 0 ) 755 , 0 / 325 , 0 ( 1
2 1
= = A = A X y X


El investigador calcula puntos a lo largo de esta trayectoria y observa
el rendimiento en cada punto hasta notar un decremento en la res-
puesta. Los resultados aparecen la siguiente tabla. Los incrementos de
muestran tanto para las variables codificadas como para las natura-
les, esto es porque las codificadas son ms fciles de manejar matem-
ticamente y las naturales son las que utilizamos para llevar a cabo el
proceso.

Tabla 7.105 Pendiente ascendente
Variable codificada Variable natural
incremento X1 X2 t T Y
Origen

Origen +
Origen + 2
Origen + 3
Origen + 4
Origen + 5
Origen + 6
Origen + 7
Origen + 8
Origen + 9
Origen +1o
Origen + 11
Origen + 12
0
1,00
1,00
2,00
3,00
4,00
5,00
6,00
7,00
8,00
9,00
10,00
11,00
12,00
0
0,42
0,42
0,84
1,26
1,68
2,10
2,52
2,94
3,36
3,78
4,23
4,62
5,04
35
5
40
45
50
55
60
65
70
75
80
85
90
95
155
2
157
159
161
163
165
167
169
171
173
175
177
179


41,00
42,90
47,10
49,70
53,80
59,90
65,00
70,40
77,60
80,30
76,20
75,10

Se observa un incremento en la respuesta hasta el dcimo incremento,
a partir del decimoprimero se produce un decaimiento en el rendi-
miento. Por lo tanto se debe ajustar otro modelo de primer orden en la
cercana del punto (t=85, T=175)

Se ajusta un nuevo modelo de primer orden alrededor del punto (t=85,
T=175). La regin de exploracin para t es 80 a 90 y para T es 170 a
180. Por lo tanto las variables codificadas son:

5 / ) 175 (
5 / ) 85 (
2
1
=
=
T X
t X


Nuevamente se utiliza un diseo 2 con cinco pruebas centrales, los
datos se adjuntan en la siguiente tabla.

ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

333

Variables codificadas Variables naturales
X1 X2 t T Y
-
+
-
+
0
0
0
0
0
-
-
+
+
0
0
0
0
0
80
90
80
90
85
85
85
85
85
170
170
180
180
175
175
175
175
175
76,5
77,0
78,0
79,5
79,9
80,3
80,8
79,9
79,8

El modelo de primer orden ajustado es:

2 1
50 , 0 00 , 1 97 , 79 X X Y + + =


En la tabla se muestra el anlisis de varianza.

Tabla 7.106 Anlisis de varianza para el modelo de primer orden
Fuente SC Gl CM Fo Ft(95%)
Regresin
Residual
Falta ajuste
Error puro
5,00
11,12
(10,908)
(0,212)
2
6
2
4
2,50

5,454
0,053
47,16

102,91
>

>
18,00

18,00
Total 16,1200 8 R = 31,01%

El resultado de la prueba de falta de ajuste implica que el modelo de
primer orden no es una aproximacin adecuada, por lo que se trata
de una superficie con curvatura y logramos llegar a la cercana del
ptimo.

VII. POLINOMIO DE SEGUNDO ORDEN

El modelo de segundo orden es:


+ + + + = c
j i ij i ii i i o
X X A X A X A A Y
2


En ste caso los A
i
son los coeficientes de regresin para el trmino de
primer orden, los A
ii
son los coeficiente para los trminos cuadrticos,
los A
ij
son los coeficientes para los trminos con interacciones y es el
trmino del error aleatorio.

Los trminos cuadrticos y las interacciones son de segundo orden. El
nmero de trminos en la ecuacin esta dado por p=(k+1)(k+2)/2

Los parmetros del modelo se estiman mediante el modelo de mnimos
cuadrados. Una vez que se tienen los estimadores se sustituyen en la

Palacios C. Severo


334

ecuacin y obtenemos el modelo ajustado con valore ptimos de res-
puesta.


+ + + =
j i ij i ii i i o
X X A X A X A A Y
2


La significanca de los coeficientes estimados y el ajuste del modelo se
prueban con la estadstica F.

Una vez verificado que el modelo tiene suficiente ajuste y que los coefi-
cientes son significativos, se procede a localizar las coordenadas del
punto estacionario y se lleva a cabo un anlisis ms detallado del sis-
tema de respuestas.

Punto estacionario

Suponiendo que se desea maximizar la respuesta, el mximo, si es que
existe, ser el conjunto X
1
, X
2
, , X
k
tal que las derivadas parciales

0 ...
2 1
=
c
c
= =
c
c
=
c
c
k
X
Y
X
Y
X
Y


Dichos puntos X
1,o
, X
2,0
, , X
k,0
se denominan puntos estacionarios. El
punto estacionario puede ser:

a) Un punto de mxima respuesta
b) Un punto de mnima respuesta
c) Un punto silla

a) Pendiente descendente
5 6 7 8 9 10
X1
30
35
40
45
50
55
60
X
2
Y
44.0-47.0
47.0-50.0
50.0-53.0
53.0-56.0
56.0-59.0
59.0-62.0
62.0-65.0
65.0-68.0
68.0-71.0
71.0-74.0
74.0-77.0

b) Pendiente ascendente
5 6 7 8 9 10
X1
30
35
40
45
50
55
60
X
2
Y
130.0-154.0
154.0-178.0
178.0-202.0
202.0-226.0
226.0-250.0
250.0-274.0
274.0-298.0
298.0-322.0
322.0-346.0
346.0-370.0
370.0-394.0

d) Silla de montar
4 6 8 10 12 14
X1
8
9
10
11
12
X
2
Y
86.0-87.0
87.0-88.0
88.0-89.0
89.0-90.0
90.0-91.0
91.0-92.0
92.0-93.0
93.0-94.0
94.0-95.0
95.0-96.0
96.0-97.0

Grafica de punto estacionario de superficie respuesta de segundo orden ajustado
a) Mxima b) Mnima c) Silla de montar
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

335

Podemos obtener el punto estacionario usando la notacin matricial
para el modelo de segundo orden.

aBX aX A Y
o
+ + =


(
(
(
(

=
(
(
(
(

=
(
(
(
(

=
kk k k
k
k
k K
A k A A
M
A k A A
A k A A
A y
A
M
A
A
a
X
M
X
X
X
2 / 2 /
2 / 2 /
2 / 2 /
2 1
2 22 21
1 12 11
2
1
2
1


En otras palabras, a es el vector (kx1) de coeficientes de regresin de
primer orden, y A es una matriz simtrica (kxk) cuya diagonal princi-
pal est formada por los coeficientes de los trminos cuadrticos pu-
ros (A
ii
), mientras que los elementos fuera de sta corresponden a un
medio del valor de los coeficientes cuadrticos mixtos (A
ij
, ij).

La derivada de Y con respecto al vector X igualando a cero es:

0 2 = + =
c
c
Ax a
X
Y


El punto estacionario es la solucin de la ecuacin, es decir:

a A X
o
1
2
1

=


Sustituyendo sta en la ecuacin matricial para el modelo de segundo
orden tenemos:

a X A Y
o o o
2
1
+ =


VIII. CARACTERIZACIN DE SUPERFICIE DE RESPUESTA

Habiendo encontrado el punto estacionario es necesario caracterizar
la superficie de respuesta es decir determinar si se trata de un punto
de respuesta mximo, mnimo o silla. La forma directa de hacer esto
es mediante la grfica de contornos del modelo ajustados, sin embar-
go es til un anlisis ms formal.

Como una alternativa se puede expresar la forma de la superficie res-
puesta usando un nuevo conjunto de variables Z
1
, Z
2
, , Z
k
cuyos ejes
representan los ejes principales de la superficie de respuesta, los cua-

Palacios C. Severo


336

les se interceptan en el punto estacionario como se observa. Esto da
por resultado el modelo ajustado.

2 2
2 2
2
1 1
...
k k o
Z Z Z Y Y + + + + =


Donde:

Z
i
Son las variables independientes transformadas, y

i
Son constantes

Dicha ecuacin se llama forma cannica.

Las
i
son los valores propios y se obtienen de la matriz A.

60
70
80
90
ptimo

Superficie de respuesta en forma cannica

La naturaleza de la superficie de respuesta puede determinarse a par-
tir del punto estacionario y del signo y magnitud de las
i.
Si todas las

i
son positivas, entonces es un punto de respuesta mnima, si todas las

i
son negativas, entonces es un punto de respuesta mxima y si las
i

tienen signos distintos entonces es un punto de respuesta silla.

Ajuste de superficie de respuesta

El ajuste y anlisis de una superficie de respuesta se facilita con la
eleccin apropiada de un diseo experimental.

Un diseo es el conjunto especfico de combinaciones de los niveles de
las k variables que se utilizan al llevar a cabo el experimento.

Ajuste del modelo de primer orden

Una clase nica de diseo que minimiza la varianza de los coeficientes
de regresin son los diseos ortogonales de primer orden. Por ortogo-
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

337

nal se entiende que los elementos fuera de la diagonal de la matriz son
iguales a cero, lo cual implica que los productos cruzados de la colum-
na de la matriz x son igual a cero.

Ajuste del modelo de segundo orden

Un diseo experimental para ajustar un modelo de segundo orden
debe tener al menos tres niveles de cada factor (-1, 0 +1). As como el
diseo de primer orden se desea la ortogonalidad, en ste se desea que
sea un diseo rotable. Se dice que un diseo es rotable cuando la va-
rianza de la respuesta en algn punto es funcin solo de la distancia
del punto al centro y no es una funcin de la direccin.

La rotabilidad es una propiedad importante, dado que la finalidad de
la superficie de respuesta es optimizar y desconocemos la localizacin
del ptimo, tiene sentido utilizar un diseo que proporcione estimacio-
nes precisas en todas las direcciones.

Ejemplo 7.92
La conversin de un proceso factorial con superficies de respuesta
lineal se ilustran con dos factores, presin y temperatura.

El diseo de tratamientos fue un factorial 2
2
con rango de temperatu-
ra de 130 y 160C y presin de 325 y 475 psi como factores principales,
adems se realizaron cuatro pruebas centrales a temperatura de
145C y presin de 400 psi para proporcionar una estimacin de la
varianza del error experimental y evaluar si el modelo de respuesta
lineal es adecuado. Las combinaciones de tratamientos y el porcentaje
de conversin se muestran en la tabla 7.107.

Tabla 7.107 Conversin de un proceso con temperatura y presin
X1 X2
Temperatura
(C)
Presin
(Psi)
% conversin
-
+
-
+
0
0
0
0
-
-
+
+
0
0
0
0
130
160
130
160
145
145
145
145
325
325
475
475
400
400
400
400
8
24
16
32
21
23
20
24

Niveles de factores codificados

Los niveles de factores codificados proporcionan un marco de trabajo
uniforme para investigar los efectos de los factores en cualquier con-

Palacios C. Severo


338

texto experimental, ya que los valores reales de los niveles dependen
de los factores especficos en el estudio. Los niveles codificados de los
factores de un diseo factorial 2
n
son:

b
a V
X
i
i

=


Donde:

V
i
Viene a ser el valor real del factor principal
a Viene a ser el valor promedio del factor principal
b Viene a ser el salto o rango entre el mnimo nivel y el promedio

Los niveles codificados de temperatura (T) y presin (P) en la tabla
7.107.

15
145
1

=
T
X

75
400
2

=
P
X

Estimaciones de las respuestas lineales

Las estimaciones de los coeficientes para el modelo de primer orden
son:

( ) 20 32 16 24 8
4
1
= + + + =
o
A


( ) 8 32 16 24 8
4
1
1
= + + = A


( ) 4 32 16 24 8
4
1
2
= + + = A


Las estimaciones de los coeficientes lineales, A
1
y A
2
, es la media de las
estimaciones del efecto factorial para una factorial 2
n
.

La varianza del error de las cuatro observaciones centrales del diseo
y una estimacin del error estndar para las estimaciones de los coefi-
cientes es

( )
( ) 1 1
2
2
2

=
N N
Y
N
Y
S
i i

ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

339

( )
334 , 3
12
88
3
24 20 23 21
2 2 2 2 2
2
=
+ + +
= S


2
2
S
N
N
S =
|


91 , 0 334 , 3
4
4
2
= =
|
S

Es importante el hecho de que la varianza del error tenga una estima-
cin adecuada, con rplicas centrales del factorial. Si la varianza de la
respuesta depende en alguna forma del nivel de factor, entonces se
recomienda la rplica del diseo con las combinaciones a niveles alto y
bajo del factor para detectar cualquier variabilidad heterognea entre
las combinaciones del mismo.

Las estimaciones de los coeficientes de regresin indican que el incre-
mento de la temperatura o la presin, aumentar el porcentaje de
conversin. La ecuacin estimada del modelo de primer orden es:

2 1
4 8 20 X X Y + + =

La interaccin entre temperatura y presin TxP mide la falta de ajuste
con el modelo lineal y se representa mediante el trmino A
12
X
1
X
2
en el
modelo cuadrtico. La estimacin del coeficiente A
12
es un medio de la
interaccin TxP, es decir:

( ) 0 32 16 24 8
4
1
12
= + = A


El error estndar de A
12
es 0,91, el mismo que para los coeficientes
lineales. La componente de interaccin estimada de 0 indica que tem-
peratura y presin son independientes sobre el porcentaje de conver-
sin.

Puntos centrales del diseo para curvatura de la superficie

Las pruebas centrales del diseo no slo proporcionan una estimacin
del error experimental, tambin proporcionan un mecanismo para
medir el grado de curvatura en la regin experimental. Sea
F Y el
promedio de las combinaciones del tratamiento del factorial 2
2
y
C Y el
promedio de los puntos centrales; existe evidencia de curvatura en la
superficie de respuesta si la respuesta promedio en las coordenadas

Palacios C. Severo


340

del centro del diseo,
C Y es mayor o menor que la respuesta promedio
en los niveles extremos de los factores,
F Y . La diferencia del valor
absoluto
C F Y Y
es una estimacin de
11
+
22
, donde
11
y
22
son los
coeficientes de regresin cuadrtica.

Las medias observadas son
20 =
F
Y
y
22 =
c
Y
, con una diferencia de
2 = C F Y Y
. El error estndar de la diferencia se estima como
29 , 1 ) 4 / 1 4 / 1 ( 334 , 3 = +
; la respuesta lineal parece describir de manera
adecuada la superficie de la zona.

En la grfica de las curvas de nivel para la ecuacin de respuesta li-
neal estimada. Los valores de los contornos ascienden conforme au-
mentan los niveles de temperatura y presin, las curvas de nivel cre-
cientes indican que puede existir una combinacin de temperatura y
presin para maximizar la conversin en una direccin perpendicular
a las curvas.

Pendiente ascendente hacia una respuesta ptima

Por ltimo, el investigador querr determinar la zona de respuesta
ptima; para hacerlo, se requiere localizar la regin de niveles de los
factores que producen las condiciones ptimas. El mtodo de pendien-
te ascendente es un procedimiento desarrollado para llevar la regin
experimental de la respuesta variable en una direccin de cambio m-
ximo hacia el ptimo.

Con base en la ecuacin lineal estimada
2 1
4 8 20 X X Y + =
, la trayec-
toria de mayor pendiente, perpendicular a las curvas de igual res-
puesta, traslada 4 unidades en la direccin de X
2
por cada 8 unidades
en la direccin de X
1
. De manera equivalente, la trayectoria tiene un
movimiento de 4/8 = 0,5 unidades en X
2
por cada unidad de movi-
miento en X
1
.

La trayectoria de mayor pendiente inicia en el centro del diseo con
(X
1
, X
2
) = (0, 0). En la grafica de curvas de nivel, el centro del diseo
para los valores de temperatura y presin es (T, P) = (145, 400). Un
cambio de X
1
= 1 unidad en la direccin X
1
es un cambio de 15C en la
temperatura y X
2
= 0,5 unidades en la direccin X
2
es un cambio de
37,5 psi en la presin.

El objetivo es moverse a lo largo de la trayectoria de mayor pendiente
hasta que se observe una respuesta mxima. El investigador realizar
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

341

experimentos con las combinaciones de temperatura y presin a lo
largo de la trayectoria de mayor pendiente.

P
325 400 475
160
145
130
T
8
16
24 32
20
Y
=
3
0
Y
=
2
5
Y
=
2
0
Y
=
1
5
Puntos pendiente ascendente
Puntos diseo original

Grfica de curvas de nivel para la respuesta lineal del % de conversin para temperatu-
ra (T) y presin (P)

En la tabla 7.108 se muestran, los niveles de temperatura y presin, a
partir de (T, P) = (145, 400), puntos centrales del diseo, con cambios
de 1 unidad en X
1
, y de media en X
2
, en el supuesto de que el investiga-
dor desea realizar los cambios relacionados con la modificacin de
una unidad en X
1
.

Tabla 7.108 Pendiente ascendente de regin de respuesta mxima en % de conversin
Paso X1 X2 T P
0
1
2
3
4

.
.
.
0
1
2
3
4

.
.
.
0
0,5
1,0
1,5
2,0

.
.
.
145
160
175
190
205

.
.
.
400,0
437,5
475,0
512,5
550,0

.
.
.

Conforme el investigador avanza por la trayectoria de la pendiente
ascendente, el aumento en la respuesta es menor hasta que observa
una disminucin real en ella, lo que indicar que la regin de respues-
ta mxima est en la proximidad de esas condiciones de temperatura
y presin. En este punto del proceso, se puede disear un experimento
para estimar una ecuacin polinomial cuadrtica que aproxime la
superficie de respuesta.

Palacios C. Severo


342

IX. DISEOS DE SUPERFICIE RESPUESTA CUADRTICO

Una vez que se identifica la regin de respuesta ptima, debe disear-
se un nuevo experimento para caracterizar la superficie de respuesta.
En general, la superficie se aproxima por medio de una ecuacin cua-
drtica para determinar la curvatura de la superficie.

Los factoriales 2
n
o sus fracciones son diseos tiles para identificar
los efectos significativos y las regiones de respuesta ptima. Sin em-
bargo, en la regin de respuesta ptima, estos diseos no proporcio-
nan informacin suficiente para estimar las ecuaciones de respuesta
cuadrtica, pues se requieren al menos tres niveles para cada factor y
el diseo debe tener
( ) 2 / 1 2 1 + + n n n
puntos distintos para estimar los
parmetros con un modelo de regresin cuadrtica para aproximar la
curvatura.

Las propiedades de los diseos experimentales convenientes para la
estimacin de superficies de respuesta incluyen la capacidad para
estimar el error experimental y tener en cuenta una prueba de la falta
de ajuste del modelo. Los diseos tambin deben proporcionar estima-
ciones eficientes de los coeficientes del modelo y predecir las respues-
tas.

En esta seccin se estudian varias clases de diseos desarrollados con
las propiedades convenientes para la aproximacin de la superficie de
respuesta de segundo orden.

Factoriales 3
n
para estimar superficies cuadrticas

Los factoriales 3
n
se pueden usar para estimar las ecuaciones polino-
miales cuadrticas, pero el nmero de combinaciones de tratamientos
que requieren produce un experimento poco prctico de gran tamao;
pues mientras los diseos 3
n
con dos factores requieren slo 9 combi-
naciones de tratamientos, un diseo con tres factores requiere 27, y
uno con cuatro factores requiere 81.

Diseos centrales compuestos a los factoriales 3
n


Box y Wilson (1951) propusieron diseos centrales compuestos, que
requieren menos combinaciones de tratamientos que los factoriales 3
n
,
para estimar las ecuaciones de la superficie de respuesta cuadrtica.
Los diseos centrales compuestos son diseos de tratamientos facto-
riales 2
n
con 2n combinaciones adicionales, llamadas puntos estrella,
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

343

a lo largo de los ejes coordinados de los niveles de factor codificados.
Las coordenadas de los puntos estrella de los ejes del factor codificado
son (, 0, 0, , 0), (0, , 0, , 0), . . ., (0, 0, 0, , ). En general, se
agregan m rplicas al centro del diseo en las coordenadas (0, 0, ,
0).

Los diseos centrales compuestos se usan para aprovechar la experi-
mentacin secuencial, el primer paso de la secuencia consiste de una
serie de pruebas realizadas a lo largo de la trayectoria de mayor pen-
diente, como la mostrada en la tabla 7.108 En algn momento, las
pruebas conducen hacia un conjunto de niveles de factores que pro-
porciona un mximo aparente en la trayectoria. Por ejemplo, supo-
niendo que las respuestas en la trayectoria de mayor pendiente son las
que se muestran en la grafica de mayor pendiente, con una respuesta
mxima de 36 observada en T = 190C y P = 512,5 psi.

P
325 400 475 550 625
220
190
160
130
T
8 16
24
32
36
34
o
o +
o o +
20
Diseo original
Trayectoria de pendiente ascendente
Factorial con puntos centrales
Puntos estrella del diseo central compuesto
30
32

Trayectoria de mayor pendiente y un diseo central compuesto

Como segundo paso en la secuencia, el investigador realiza un nuevo
experimento factorial 2
2
, con varias rplicas al centro del diseo (T, P)
= (190; 512,5).

Si la diferencia
C F Y Y
calculada en el nuevo experimento indica un
alto grado de curvatura en la superficie, el tercer paso en el experi-
mento secuencial consiste en pruebas adicionales del experimento en
lo puntos estrella (, 0) y (0, ), mostradas con cuadros en la grafi-
ca de mayor pendiente. Este ltimo conjunto de combinaciones de

Palacios C. Severo


344

tratamientos en los ejes, junto con el factorial 2
2
y los puntos centrales,
constituye el diseo central compuesto como resultado de la experi-
mentacin secuencial.

Una rplica de un diseo central compuesto consiste de
n
F
N 2 =
com-
binaciones de tratamientos del factorial 2
n
,
n N 2 =
o
combinaciones de
tratamientos en los puntos estrella del diseo y m rplicas en el centro
para obtener un total de
m N N N
F
+ + =
o
observaciones.

Las coordenadas en los ejes codificados X
1
y X
2
, para el diseo central
compuesto con dos factores se muestra en la tabla 7.108, y la grfica
donde se describe la localizacin de las coordenadas para los niveles
de factores codificados del diseo central compuesto de dos y tres fac-
tores. Debido a que cada factor tiene cinco niveles, se puede estimar
una ecuacin cuadrtica a partir de este diseo.

Codificado
Diseo
X1 X2
-
+
-
+
-
-
+
+
Factorial
o
o +
0
0
0
0
o
o +
Estrella
0 0 Central

Adems, como se vera en la siguiente seccin, se puede evaluar cual-
quier desviacin significativa de la aproximacin cuadrtica.

Las m n N
n
+ + = 2 2 unidades experimentales necesarias para el diseo
central compuesto con n factores son menos que las requeridas por los
factoriales 3
n
con tres factores o ms. As, los diseos centrales com-
puestos son ms econmicos en cuanto al uso de materiales y propor-
cionan la capacidad de estimar las ecuaciones de respuesta. Se pueden
usar fracciones de los diseos 2
n
con interacciones de orden mayor con
alias como base del diseo 2
n
cuando hay ms factores en el estudio.

Diseos rotatorios exploratorio de superficie de respuesta

Una propiedad deseable al establecer cualquier diseo es la misma
precisin para todas las estimaciones de las medias. Sin embargo, la
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

345

precisin de los valores estimados sobre la superficie de respuesta
basada en la ecuacin de regresin estimada no ser constante en
toda la regin experimental. Una propiedad rotatoria desarrollada
para los diseos centrales compuestos requiere que la varianza de los
valores estimados sea constante en puntos equidistantes del centro del
diseo con coordenadas codificadas (0,0, ..., 0).

(-1, 1) (1, 1)
(-1, -1) (1, -1)
(0, )
(0, -)
(+, 0) (-, 0)
X1
X2
a)

X1
X3
X2
b)

Diseos centrales compuestos a) dos factores y b) tres factores

La rotacin de un diseo es importante en la exploracin de una su-
perficie respuesta porque la precisin de la superficie estimada no
depende de la orientacin del diseo con respecto a la superficie res-
puesta real o a la direccin de la bsqueda de las condiciones ptimas.
Los factoriales 2
n
usados como diseo exploratorios para aplicar el
mtodo de bsqueda de la mayor pendiente en zonas de respuestas
ptimas son diseos rotatorios. As, la orientacin del diseo no difi-
culta el mtodo de bsqueda de la pendiente ascendente porque algu-
nas respuestas se estiman con menor precisin que otras.

El diseo central compuesto es rotatorio estableciendo los valores de
los puntos estrella como
( )
4 / 1
2
n
= o
, El valor de para un diseo de dos
factores es
( ) 414 , 1 2 4
4 / 1
= = = o
, y para un diseo de tres factores
( ) 682 , 1 8
4 / 1
= = o
. Si hay r
F
rplicas del factorial 2
n
y r

, rplicas de las
combinaciones estrella, una forma ms general para es
( )
4 / 1
/ 2
o
o r r
n
F
=
, si se usa un factorial fraccionario 2
n-p
como base para
el diseo central compuesto, entonces
( )
4 / 1
/ 2
o
o r r
p n
F

=
.


Palacios C. Severo


346

Ejemplo 7.93
Establecida la trayectoria de mayor pendiente para el estudio de % de
conversin en la tabla 7.109 se proporcion una respuesta mxima en
T = 190C y P = 512,5 psi y debe construirse un diseo central com-
puesto con centro en (T, P) = (190; 512,5); y que la relacin entre las
coordenadas del diseo (X
1
, X
2
) y los niveles de temperatura y presin
(T, P) se conservan como antes, donde un cambio de una unidad en X
1
,
es 15C y un cambio de una unidad en X
2
es 75 psi. Con
2 = o
, las
coordenadas del diseo y la temperatura y presin requeridas sern:

Codificado Original
Diseo
X1 X2 T P
-
+
-
+
-
-
+
+
175
205
175
205
437,5
437,5
587,5
587,5
Factorial
2

2 +

0
0
0
0
2

2 +

168
211
190
190
512,5
512,5
406,4
618,6
Estrella
0 0 190 512,5 Central

Punto estacionario en el centro del diseo

Como se estableci antes, la varianza de la superficie estimada no es
constante para toda la superficie. Box y Hunter (1957) mostraron que
el nmero de puntos centrales en los diseos centrales compuestos
rotatorios puede elegirse de manera que proporcione un diseo con
precisin uniforme para la superficie estimada de una unidad alrede-
dor de las coordenadas del centro del diseo en la escala codificada.

Tabla 7.109 Diseos centrales compuestos rotatorios con precisin uniforme
Factores 2 3 4 5 5 6 6
Factor 2
n
1 1 1 1 1
o

F
N

o
N

m

1,41
4
4
5
1,682
8
6
6
2,00
16
8
7
2,378
32
10
10
2,00
16
10
6
2,828
64
12
15
2,378
32
12
9
N

13 20 31 52 32 91 53

Su razonamiento fue que el investigador est ms interesado en la
superficie de respuesta cerca del centro del diseo cuando un punto
estacionario de la superficie se localiza cerca del centro; el punto esta-
cionario es un punto de respuesta mxima, mnima o con forma de
silla. En la tabla 7.109 se muestran algunos diseos centrales rotato-
rios compuestos con precisin uniforme.
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

347

Los diseos centrales compuestos requieren cinco niveles de cada fac-
tor, codificados como - a, - 1, 0, 1, +a. En algunos casos, preparar cin-
co niveles para algunos factores puede ser difcil, costoso y mucho
tiempo. El diseo de cubo con cara centrada es una variacin del dise-
o central compuesto con a = 1 que requiere slo tres niveles de cada
factor. Si se sustituye a = 1 en la tabla 7.109, el diseo de dos factores
se convierte en un factorial 3
2
, diseo ms atractivo cuando la regin
de inters tiene forma de cubo producida por este diseo en lugar de la
regin esfrica producida por el diseo central compuesto.

El diseo no es rotatorio, pero la ausencia de esta propiedad se com-
pensa por el deseo de poder hacer inferencias cuboidales y por el aho-
rro en recursos experimentales.

El cubo con cara centrada requiere menos corridas en el punto central
que el diseo central compuesto para lograr una varianza estable de
los valores estimados en la regin del diseo, pero debe recordarse que
se necesitan corridas rplica en algn punto o puntos del diseo para
estimar la varianza del error experimental.

Un diseo de cubo con cara centrada para tres factores o ms requiere
menos combinaciones de tratamientos que los factoriales 3
n
; entonces,
sta es otra alternativa para los diseos 3
n
que requiere menos unida-
des experimentales.

Diseos Box-Behnken, alternativa para los factoriales 3
n


Box y Behnken (1960) propusieron una clase de diseos de tres niveles
para estimar las superficies de respuesta de segundo orden. Los dise-
os son rotatorios, o casi rotatorios, con menor nmero de unidades
experimentales en comparacin con los diseos 3
n
. Se forman con la
combinacin de diseos 2
n
y diseos de bloques incompletos; los deta-
lles de la construccin se encuentran en Box y Draper (1987) y los ni-
veles de factores codificados para las combinaciones de tratamientos
necesarios en un diseo para tres factores, donde se presenta un con-
junto completo de las combinaciones de tratamientos para un factorial
2
n
para cada par de factores acompaados por el nivel 0 de los facto-
res restantes. Se incluyen varias rplicas del centro del diseo (0, 0, ...,
0).

Estos diseos son esfricos ms que cuboidales puesto que los puntos
del diseo se encuentran en las orillas de un cubo en lugar de las es-
quinas como los del diseo de cubo con cara centrada. El diseo de

Palacios C. Severo


348

Box-Behnken slo debe usarse si no se tiene inters en predecir las
respuestas en las esquinas de la regin cuboidal.

Factor A B C
Nivel codificado X1 X2 X3
Factorial 2
2
para A y B
-
+
-
+
-
-
+
+
0
0
0
0
Factorial 2
2

para A y C
-
+
-
+
0
0
0
0
-
-
+
+
Factorial 2
2

para B y C
0
0
0
0
-
+
-
+
-
-
+
+
Central
0
0
0
0
0
0
0
0
0

Diseos de bloques incompletos

Los diseos de bloques incompletos son tiles para reducir la varianza
del error experimental cuando el nmero de tratamientos es grande o
cuando las condiciones experimentales impiden la ejecucin de rpli-
cas completas bajo circunstancias constantes.

Box y Hunter (1957) presentaron las condiciones de bloques de los
diseos de superficie de respuesta de segundo orden, de manera que
los efectos de los bloques no afectan las estimaciones de los parme-
tros para la ecuacin de la superficie de respuesta. Mostraron que
deben satisfacerse dos condiciones para que los bloques sean ortogo-
nales a las estimaciones de los parmetros de la ecuacin de la super-
ficie de respuesta. Sea n
b
, el nmero de tratamientos en el b-simo
bloque; las dos condiciones necesarias son:

1. Cada bloque debe ser un diseo ortogonal de primer orden. Para
cada bloque debe cumplirse la siguiente relacin para cada par
de variables de diseo x, y x,:

=
= = =
b
k k
n
k
j i
n j i X X
1
,..., 1 , 1 , 0 0

2. La fraccin de la suma de cuadrados total para cada variable de
diseo que aporta cada bloque debe ser igual a la fraccin de las
observaciones totales colocadas en el bloque. Entonces, debe
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

349

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

=
=


Una estrategia sugerida para los bloques de diseos centrales com-
puestos coloca los tratamientos N
F
para el diseo 2
n
y m
F
puntos cen-
trales en un bloque, y los N, tratamientos axiales con m, puntos cen-
trales en un segundo bloque. Este arreglo de bloques satisface la pri-
mera condicin.

El diseo rotatorio central compuesto para dos factores dispuestos en
dos bloques se muestra en el siguiente cuadro. El primer bloque se
compone de N
F
= 4 combinaciones de tratamientos del factorial de 2
n

ms m
F
= 2 puntos centrales, y el segundo bloque consiste en N

= 4
combinaciones de tratamientos estrella ms m

= 2 puntos centrales.
Los clculos necesarios para evaluar la primera condicin de un dise-
o de bloques ortogonal son las sumas de los productos cruzados entre
X
1
, y X
2
en cada bloque. Es sencillo verificar que X
1
X
2
= 0 en ambos
bloques.

Factor A B
Nivel codificado X1 X2
Bloque I
-
+
-
+
-
-
+
+
Bloque II
+1,414
-1,414
0
0
0
0
+1,414
-1,414
Central
0
0
0
0
0
0

Para el diseo completo:


= =
= =
12
1
12
1
2
2
2
8
k k
i
k k
X X


y tanto para el bloque 1 como el bloque 2:


Palacios C. Severo


350


= =
= =
6
1
6
1
2
2
2
4
k k
i
k k
X X


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

Para que se satisfaga la segunda condicin, debe cumplirse la siguien-
te relacin:

(

+
+
=
F
p
p
n
1
1
2 o
o


Donde:

p

= m
a
/N

y p
F
= m
F
/N
F
.

Para que el diseo satisfaga las dos condiciones y sea rotatorio
( )
4 / 1
/ 2
o
o r r
F
n
=
. No siempre es posible encontrar un diseo que cumpla
con exactitud con
( )
) 1 (

1

=
N N
Y
N
Y
S
i i , pero en la prctica, los valores del
nmero de observaciones del diseo se pueden determinar de forma
que se obtengan diseos con bloqueos casi ortogonales y rotatorios.
Box y Draper (1987) ofrecen las proporciones relativas de r
F
y r

ne-
cesarias para los diseos rotatorios y bloques ortogonales cuando
p

=p
F
.

Para el diseo rotatorio central compuesto, la fraccin de observacio-
nes centrales en cada bloque es p

=p
F=1/2
y 2 = o .

Al evaluar la condicin de rotabilidad y ortogonalidad se tiene:

2
2 / 1 1
2 / 1 1
2
1
1
2
=
(

+
+
=
(

+
+
=
F
p
p
n
o
o


Y 2 = o como lo requiere la rotabilidad.

ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

351

Los diseos centrales compuestos rotatorios enumerados en la tabla
7.110 se pueden colocar en diseos de bloques incompletos tiles para
obtener diseos centrales compuestos casi ortogonales y rotatorios. El
factorial 2
n
o el factorial fraccionario 2
n-p
se coloca en uno o ms blo-
ques incompletos y las combinaciones de tratamiento axiales se colo-
can en un bloque separado. En la tabla 7.108 se muestran el nmero
de bloques y el nmero de puntos centrales sugeridos en cada bloque
para el factorial 2
n
o el factorial fraccionario.

Tabla 7.110 Diseo de bloques incompletos para diseos centrales compuestos
Nmero factores 2 3 4 5 5 6 6
Fraccionado 2
n
1 1 1 1 1
NF
mF
4
2
8
2
16
2
32
4
16
2
64
2
32
2
Nmero bloques 1 2 2 4 1 8 2
a
N
m
1,414
4
2
1,682
6
2
2,00
8
1
2,378
10
1
2,00
10
4
2,828
12
1
2,378
12
4

Reduccin del nmero de puntos de diseo

El costo, la dificultad y el tiempo con cierto tipo de experimentos pue-
den obligar a reducir el tamao del experimento, pero tal reduccin
est limitada por el modelo estadstico que estima la superficie de res-
puesta. La ecuacin de la superficie de respuesta de segundo orden
para n factores tiene un trmino constante, n trminos lineales, n tr-
minos cuadrticos y n(n-1)/2 trminos de interaccin, con un total de
(n+1)(n+2)/2 trminos. As, el nmero mnimo de puntos de un diseo
para estimar la superficie de respuesta de segundo orden es
(n+1)(n+2)/2.

La mayora de los diseos se basan en factoriales fraccionarios 2
n-p

incrementados con puntos de diseo para estimar los modelos de su-
perficie de respuesta de segundo orden. En muchos casos los diseos se
saturan con puntos de diseo con pocas o ninguna rplica y se requie-
re una estimacin independiente del error experimental para probar
la eficacia del modelo de la superficie de respuesta, a menos que el
diseo tenga rplicas. Adems, los diseos saturados no permiten
probar la falta de ajuste del modelo hipottico de la superficie de res-
puesta de segundo orden.

Evaluacin de los diseos de superficie de respuesta

Myers et al. (1992) usaron la prediccin de la varianza de la ecuacin
de la superficie de respuesta de segundo orden para evaluar muchos

Palacios C. Severo


352

de los diseos conocidos de esta superficie, considerando que un diseo
era superior si la varianza de los valores pronosticados era menor que
la de los otros diseos.

Los diseos centrales compuestos fueron superiores en general para
superficies esfricas cubiertas por puntos de diseo. Cuando los dise-
os se restringieron a las regiones cuboidales (a=1), el diseo de cubo
con cara centrada formado por el diseo central compuesto, en gene-
ral, era superior que el diseo de Box-Behnken en la regin cuboidal.

X. SUPERFICIE DE RESPUESTA CUADRTICA

Cuando se ha identificado la regin de respuesta ptima mediante el
mtodo de la pendiente ascendente o algn otro mtodo de experimen-
tacin, suele ser necesario determinar la superficie de respuesta en esa
regin de los factores. Con los diseos descritos en la seccin anterior,
se pueden realizar experimentos y obtener datos para estimar una
aproximacin cuadrtica de la superficie de respuesta.

La ecuacin de respuesta estimada permitir al investigador localizar
un punto de respuesta estacionario que quiz sea un mximo, un m-
nimo o un punto de deflexin en la superficie. Un examen de las curvas
de nivel indicar qu tan sensible es la variable de respuesta a cada
factor y el grado en que los factores afectan a las variables de respues-
ta.

Ejemplo 7.94
Una compaa usara una nueva herramienta de corte que ofrece un
proveedor, ste asegura que la nueva herramienta reducir los costos
de produccin porque durar ms que el modelo anterior y el costo de
reemplazo de la herramienta se reducir. La vida de una herramienta
de corte de metales depende de varias condiciones de operacin como
la velocidad del torno y la profundidad de corte.

Tabla 7.111 Duracin de una herramienta, en funcin de la velocidad del torno y la
profundidad de corte como factores de tratamiento, en un diseo central compuesto
Codificados Originales Vida de he-
rramienta X1 X2 Velocidad Profundidad
+
+
-
-
2

2 +

0
+
-
+
-
0
0
2

600
600
200
200
683
117
400
0,100
0,050
0,100
0,050
0,075
0,075
0,110
154
132
166
83
156
144
166
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

353

0
0
0
0
0
0
0
2 +

0
0
0
0
0
0
400
400
400
400
400
400
400
0,040
0,075
0,075
0,075
0,075
0,075
0,075
91
167
175
170
176
156
170

El ingeniero de planta haba determinado mediante estudios anterio-
res que la vida mxima de la herramienta se lograba, para la herra-
mienta actual, con una velocidad de 400 y una profundidad de corte
de 0,075. El ingeniero, que deseaba determinar la situacin ptima
para la nueva herramienta, us un diseo central compuesto en un
experimento para determinar la vida de la nueva herramienta al va-
riar las velocidades del tomo y las profundidades de corte dentro de la
regin de condiciones de operacin ptimas urgentes para la vida
mxima de la herramienta. Los datos del experimento se muestran en
la tabla 7.111.

Ecuacin de superficie de respuesta estimada

El modelo de la superficie de respuesta de segundo orden se ajusta a
los datos mediante los procedimientos de regresin de mnimos cua-
drados.

La ecuacin se puede estimar con un programa de computadora para
anlisis de regresin. La ecuacin de la superficie de respuesta de se-
gundo orden estimado para los datos de la vida de la herramienta de
la tabla 7.111 es:

2 1
2
2
2
1 2 1
25 , 15 625 , 21 875 , 10 385 , 26 747 , 6 169 X X X X X X Y + + =


Sumas de cuadrados para el anlisis de regresin

La suma de cuadrados en el anlisis de varianza para el modelo de
regresin se muestra en la tabla 7.112. Las sumas de cuadrados para
el modelo de segundo orden completo son:

( )
946 , 10
2 1
2
2
2
1
2 1
, , , ,
=
X X X X X X R
SC


Se hace una particin de la suma de cuadrados de regresin en reduc-
ciones para el modelo lineal y las componentes cuadrticas del mode-

Palacios C. Severo


354

lo, con el principio de particiones de sumas de cuadrados del modelo
reducido y el modelo completo.

La particin para las componentes lineales del modelo, X
1
y X
2
, o:

( )
933 , 5
2 1
,
=
X X R
SC


Tabla 7.112 ANAVA para modelo se superficie respuesta cuadrtico
Fuente SC Gl CM Fo(99%)
Regresin
Lineal
Cuadrtico
Error
Falta de ajuste
Error puro
10946
5933
5013
371
111
260
5
2
3
8
3
5
2189,2
2966,5
1671,0
46,4
37,0
52,0
>
>
>
47,18
63,93
36,01
Total 11317 13 R = 96,7217%

Es la suma de cuadrados de la regresin para el modelo reducido de
primer orden
c + + + =
2 2 1 1
X A X A A Y
o
. La particin para las componen-
tes cuadrticas es la diferencia entre la suma de cuadrados de regre-
sin para el modelo completo y el modelo reducido, es decir:

5013 5933 10946
) (
2 1 2 1
2
2
2
1
= =
X X X X X X R
SC


Se hace una particin de la suma de cuadrados para el error, SC
E
=
371 en dos partes. La suma de cuadrados para el error puro, SC
E(error
puro)
= 260, con 5 grados de libertad se calcula a partir de las seis rpli-
cas observadas en el centro del diseo con coordenadas de factor (V,
D)=( 400; 0,075). Las suma de cuadrados para el error con los 3 gra-
dos de libertad restantes, SC
E(falta de ajuste)
= 111, se pueden atribuir al
error en la especificacin del modelo de superficie de respuesta. Como
los seis puntos centrales del diseo proporcionan una estimacin del
error experimental puro, la suma de cuadrados designada como falta
de ajuste se puede usar para probar la significanca de la falta de
ajuste en el modelo cuadrtico.

Pruebas de hiptesis para el modelo de segundo orden

Las hiptesis de inters en el anlisis son:

Significanca del modelo completo de segundo orden:

0 :
12 22 11 2 1
= = = = = A A A A A H
o

ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

355

1 , 42
52
2 , 2189
= =
o
F


H
o
se rechaza, ya que F
o
> F
(95%)
= 5,05

Significanca de las componentes lineales para el modelo:

0 :
2 1
= = A A H
o


04 , 57
52
56 , 2966
= =
o
F


H
o
se rechaza, ya que F
o
> F
(95%)
= 5,0579

Significanca de las desviaciones cuadrticas del modelo lineal:

0 :
12 22 11
= = = A A A H
o


1 , 32
52
1671
= =
o
F


H
o
se rechaza, ya que F
o
> F
(95%)
= 5,41

Significanca de la falta de ajuste al modelo cuadrtico:

71 , 0
52
37
= =
o
F


H
o
se rechaza, ya que F
o
> F
(95%)
= 5,41

El modelo de regresin cuadrtica completo es significativo y la falta
de ajuste al modelo cuadrtico no lo es; entonces se puede concluir que
el modelo de segundo orden es una aproximacin adecuada a la super-
ficie de respuesta real. Una grfica de curvas de nivel del modelo de
superficie de respuesta cuadrtico descrito en la grafica de curvas de
nivel muestra una superficie mxima con la mxima duracin de la
herramienta en el centro de las curvas.

Las coordenadas de la grfica de las curvas de nivel se despliegan
para los valores codificados de los dos factores. La orientacin de los
contornos indica cierta interaccin entre la velocidad del torno X
1
y la
profundidad de corte X
2
; por ejemplo, la vida de una herramienta de

Palacios C. Severo


356

corte de 150 se puede mantener para velocidades mayores, si se in-
crementa X
1
y se disminuye la profundidad de corte, X
2
.

-1,50 -0,75 0,0 0,75 1,50
1,50
0,75
0,00
-0,75
-1,50
X1
X2
Z1
Z2

Grfica de curvas de nivel de la superficie de respuesta para la ecuacin de respuesta en
el experimento de la vida de la herramienta.

Las curvas tambin indican la sensibilidad relativa de la vida de la
herramienta a los niveles de los factores codificados X
1
y X
2
. Las cur-
vas de la vida de la herramienta aumentan con mayor rapidez cerca
del mximo sobre el eje de profundidades codificadas X
2
que sobre el
eje de las velocidades codificadas X
1
.

XI. EXPLORACIN DE SUPERFICIES DE RESPUESTA

La ecuacin cuadrtica significativa y la grfica de curvas de nivel de
la ecuacin proporcionan un panorama general de la relacin entre la
vida de la herramienta y los dos factores del diseo, velocidad del
torno y profundidad de corte.

Las estimaciones de las coordenadas del punto estacionario en la su-
perficie y una estimacin de la respuesta en ese punto proporcionan
una definicin ms especfica de la superficie de respuesta. En ocasio-
nes, es til conocer la direccin y cantidad de cambio hecho en uno o
varios niveles de los factores para lograr el cambio mximo en la res-
puesta.

Es posible determinar de manera ms especfica la sensibilidad de la
respuesta a los factores del diseo con la forma cannica de la ecua-
cin de respuesta. Localizar las coordenadas del punto estacionario y
derivar la forma cannica de la ecuacin de respuesta requieren cierto
conocimiento de clculo y lgebra matricial.
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

357

Sin embargo, los resultados de los clculos se entienden cuando se
presentan con la forma grfica de curvas de nivel.

Punto estacionario de la superficie de respuesta

Las coordenadas X
1
y X
2
del punto estacionario se obtienen de las de-
rivadas parciales de la funcin de respuesta estimada respecto a X
1
y
X
2
. La respuesta estimada para la duracin de la herramienta es:

2 1
2
2
2
1 2 1
250 , 15 625 , 21 875 , 10 385 , 26 747 , 6 169 X X X X X X Y + + =


Las derivadas parciales se igualan a 0:

0
1
=
c
c
X
Y


0
2
=
c
c
X
Y


para producir las ecuaciones:

( ) ( )
( ) ( ) 385 , 26 625 , 21 2 250 , 15
747 , 6 250 , 10 875 , 10 2
2 1
2 1
= +
= +
X X
X X


Las soluciones de las ecuaciones para X
1
y X
2
son X
1S
=-0,156 y X
2S
=-
0,665. Estos valores son las coordenadas de la respuesta mxima so-
bre la superficie en el punto estacionario indicado en la Grfica de
curvas de nivel.

La respuesta estimada en el punto estacionario se encuentra al susti-
tuir X
1S
=-0,156 y X
2S
=0,665 en el modelo; la respuesta estimada en el
punto estacionario es.

( ) ( ) ( ) ( )
( )( ) 25 , 177 665 , 0 156 , 0 250 , 15
665 , 0 625 , 21 156 , 0 875 , 10 665 , 0 385 , 26 156 , 0 747 , 6 169
2 2
=
+ + =
S
Y


Dado:

( ) 200 / 400
1
= V X

( ) 025 , 0 / 075 , 0
2
= D X

Palacios C. Severo


358

Los valores de la velocidad del torno (V) y la profundidad de corte (D)
en el punto estacionario son:

( ) 8 , 368 400 200 156 , 0 = + = V


( ) 092 , 0 075 , 0 025 , 0 665 , 0 = + = D


Anlisis cannico para simplificar la ecuacin cuadrtica

La forma cannica de una ecuacin cuadrtica es eficaz para visuali-
zar la superficie y determinar la sensibilidad relativa de las variables
de respuesta a cada factor.

Es difcil visualizar la superficie mediante el examen de los coeficientes
estimados para la forma normal de la ecuacin de respuesta cuadrti-
ca. De la misma manera, es difcil determinar los cambios necesarios
en los niveles de los factores para producir un cambio especfico en la
respuesta.

El anlisis cannico gira los ejes de las variables X
i
a un nuevo sistema
de coordenadas y el centro de este nuevo sistema se coloca en el punto
de respuesta estacionario de la superficie. La forma cannica de la
ecuacin con dos variables es:

2
2 2
2
1 1
Z Z Y Y
S
+ + =


Donde:

Z
1
y Z
2
son las variables de los ejes rotados.

Observe que slo se incluyen los trminos cuadrticos de las variables
cannicas Z
1
y Z
2
en la forma cannica de la ecuacin de respuesta.

La forma cannica para la ecuacin de respuesta de la vida de la he-
rramienta es:

2
2
2
1
92 , 6 58 , 25 25 , 177 Z Z Y =


Donde el centro del nuevo sistema de coordenadas se localiza en X
1
=-
0,156 y X
2
=0,665 en el sistema de coordenadas original mostrado en
la grfica de curvas de nivel. Se determin que la relacin entre los dos
sistemas de coordenadas es:
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

359

5185 , 0 8877 , 0 4603 , 0
2 1 1
+ = X X Z

4446 , 0 4603 , 0 8877 , 0
2 1 2
+ = X X Z

Observe que los ejes cannicos Z
1
y Z
2
estn orientados junto con las
curvas de nivel de la superficie. Los tamaos y signos de las , indican
el tipo de superficie de respuesta cuadrtica que se estim.

Los coeficientes , para la superficie de la vida de la herramienta son

1
=-25,58 y
2
= -6,92, un examen de la superficie en la Grfica de
curvas de nivel revela que cualquier movimiento que se aleja del cen-
tro del sistema de coordenadas Z
1
, Z
2
tiene como resultado una dismi-
nucin en la respuesta. As, cuando todos los coeficientes , son negati-
vos la superficie es mxima, como en el caso de la superficie de la vida
de la herramienta.

Si los coeficientes , son positivos, entonces el resultado de cualquier
movimiento que se aleja del centro del sistema de coordenadas Z
1
, Z
2

es un incremento en la respuesta y la superficie es mnima como se
muestra en la figura 7.2a. Si un coeficiente es positivo y los dems
negativos, digamos
1
> 0 y
2
< 0, entonces cualquier movimiento que
se aleja de (0, 0) a lo largo del eje Z, aumenta la respuesta y si se aleja
por el eje Z, la disminuye. As, la superficie es minimax o con forma de
silla en el punto estacionario. Si una de las
1
= 0, la superficie es una
cresta estacionara porque la respuesta no cambia en los ejes Z
1
.

Las longitudes de los ejes principales de las elipses formadas por las
curvas de nivel son proporcionales a
2 / 1

. Para la superficie de la vida


de la herramienta
20 , 0 58 , 25
2 / 1
=

y
38 , 0 92 , 6
2 / 1
=

, y la superficie ajustada
se atena a lo largo del eje Z, como se ve en la grfica de curvas de
nivel.

Para explicarlo, supongamos que la velocidad del torno y la profundi-
dad de corte para una vida mxima en las coordenadas
156 , 0
1
= X
y
665 , 0 2
1
= X
no eran prcticas. El menor cambio en la duracin de la
herramienta cuando cambian la velocidad del torno y la profundidad
de corte se exhibe en la superficie en la direccin del eje Z
2
cuando Z
1
=
0. Las coordenadas X
1
y X
2
en el eje Z
2
cuando Z
1
= 0 se pueden obte-
ner de la primera ecuaciones cannica. La prdida mnima en la vida
de la herramienta se encuentra en los valores de X
1
y X
2
que satisfacen
0,4603X
1
+ 0,887X
2
- 0,5185 = 0.

Palacios C. Severo


360

Los coeficientes de X
1
proporcionan informacin acerca de las relacio-
nes de velocidad del torno y la profundidad de corte con la vida de la
herramienta.

Considerando que los coeficientes para la ecuacin que relacionan Z
2

con X
1
y X
2
, Z
2
= 0,887X
1
0,4603X
2
+ 0,4446. El par de coeficientes
(0,8877; -0,4603) indican una compensacin entre la velocidad del
torno y la profundidad de corte en la vida til, porque en cierto grado,
un incremento en la velocidad del torno se puede compensar con una
disminucin en la profundidad de corte sobre el eje Z
2
.

La ecuacin de respuesta estimada en forma original o en forma ca-
nnica slo es vlida para la zona de los niveles de los factores inclui-
da en el experimento.

Cualquier intento para estimar la vida de la herramienta fuera de los
lmites acotados por las velocidades de 117 a 683 y las profundidades
de 0,04 a 0,1 1 ser engaoso, por lo que es necesario un modelo de
respuesta por completo diferente para determinar la duracin de la
herramienta fuera de la regin de este estudio.

Ejemplo 7.95
Se estudian dos factores a tres niveles, con la finalidad de maximizar
la recuperacin de iones metlicos contaminantes que se encuentran
presentes en un efluente natural a travs de la resina AO, as mismo se
requiere minimizar dicha contaminacin natural.

El tercer nivel (central) sirve para evaluar la varianza del error de las
pruebas desarrolladas experimentalmente. De esa manera tambin
evaluamos el error que cometemos cada uno de nosotros.

Factores
Niveles
- 0 +
Resina Orgnica AO
pH
0.4
2.5
0.6
3
0.8
3.5

En este caso se quiere optimizar el proceso por lo que deber desarro-
llarse los siguientes pasos:

Primero: visualizamos los factores y vemos el comportamiento indivi-
dual de cada uno de ellos, en funcin del tiempo, con la finalidad de
poder establecer la influencia que tienen las variables sobre el proceso
y de esa manera desarrollar el anlisis que nos reafirmara lo aconte-
cido.
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

361

AO
t


La Resina Orgnica AO en funcin del tiempo vara en forma polino-
mial, por lo tanto es un factor cuadrtico.

El pH de cualquier proceso en funcin del tiempo es siempre lineal.

pH
t


Por lo tanto como una funcin cuadrtica tiene mayor influencia sobre
una funcin lineal entonces el proceso es cuadrtico.

Segundo: verificamos s existe o no interaccin en el proceso. S no
existe interaccin entonces dicha prueba ser acumulada en el anlisis
en el error.

Tercero: analizamos la varianza del error mediante las pruebas repe-
tidas los cuales debern ser mayores de 3 y menores de 6 experimen-
tos para cualquier caso. La evaluacin de la varianza del error se
desarrolla aplicando la siguiente relacin:

( )
( ) 1

=

N N
Y
N
Y
S
i
i


Cuarto: visualizamos los valores del vector respuesta, tan solo los
valores del factorial, los puntos (1,3) y (2,4), intercalado, si los valores

Palacios C. Severo


362

son ascendentes el proceso es lineal, pero si los valores son descenden-
tes el proceso el cuadrtico. Lo cual confirmar o rechazar nuestra
hiptesis planteada en primer trmino.

Prueba AO pH Y
1
2
3
4
5A
5B
5C
0.4
0.8
0.4
0.8
0.6
0.6
0.6
2.5
2.5
3.5
3.5
3
3
3
75.93
94.58
30.33
62.34
70.82
71.28
69.71

Nota: al analizar el vector respuesta, solo los valores del factorial,
tendremos en cuenta las siguientes caractersticas con el fin de poder
establecer la linealidad o cuadratura del proceso en estudio.

1
.
.
.
100
100
.
.
.
1
Comportamiento
Ascendente

Lineal
Descendente

Cuadrtico

Como notamos los valores del vector respuesta nos da una idea que el
proceso es cuadrtico, debiendo de confirmar dicho anlisis numri-
camente, ver Anlisis de Linealidad de los Factores.

Calculo de varianza

Para el clculo de varianza deber procesar los valores repetidos del
vector respuesta:

( )
64745 , 0
6
81 , 211
2
71 , 69 28 , 71 82 , 70
=
+ +
= S


( ) ( ) 2949 , 1 2 64745 , 0 1
2 1
= = =
= =
N S SC
N GL
error
error

Interpretacin: notamos que el valor de la varianza del error es pe-
queo 0,64745, (tal como se visualiza en la campana de Gauss el error
debe fluctuar entre 0 a 1 para desarrollar un trabajo ptimo) por lo
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

363

tanto las pruebas del error demuestran que el proceso esta siendo
desarrollado de una manera adecuada.

1
Aceptacin
R
e
c
h
a
z
o
0


La campana Gauss, nos indica que el valor de la varianza del error se
encuentra dentro del rea de aceptacin, si se ubica fuera de esta en-
tonces el error que se comete no es aceptable para poder comparar
valores con los factores.

Al realizar pruebas experimentales factoriales y centrales (error), se
establece la existencia de curvatura o linealidad, debiendo desarrollar
la siguiente ecuacin en valor absoluto a fin de comprobar lo estable-
cido.

C F Y Y


Existen dos casos:

> 1, cuando es mayor de uno es cuadrtico
< 1, cuando es menor de uno es lineal

F Y
Representa el promedio de los valores del vector respuesta del
factorial.
C Y
Representa el promedio de los valores del vector respuesta de las
pruebas centrales.

Como primera fase a fin de determinar cual de las variables son ms
significativas a cierto nivel, desarrollamos primeramente un diseo
factorial simple.

Con el fin de evaluar la variabilidad de los datos se corren pruebas
centrales con la finalidad de evaluar el error cometido y establecer si
existe curvatura o linealidad, y posteriormente debe desarrollarse una

Palacios C. Severo


364

nueva tcnica denominado Diseo Central Compuesto a fin de desa-
rrollar el anlisis estadstico.

Calculo de efectos e interacciones:

Efectos Interacciones
A = +25,33
B = -38,92
AB = +6,68
Error estndar con 3 GL

Interpretacin de los efectos

Como se quiere maximizar la extraccin de los iones metlicos a travs
de la resina AO, desarrollamos el siguiente anlisis: visualizamos los
signos de los efectos de AO y pH.

El factor AO es positivo, por lo tanto est en su nivel mnimo, por lo
cual deber ser maximizado, es decir que este factor es una variable, y
debern ser optimizado y establecido su rango de trabajo ptimo.

AO
0,4 0,8
pH
Y
2,5 3,5
88
78
68
58
48
Efectos medios para Y

AO
0,4
pH=2,5
Y
112
92
72
52
32
Interaccin para Y
0,8
pH=3,5
pH=2,5
pH=3,5

Efectos significativos de factores principa-
les
Interaccin de factores principales

El factor pH es negativo, por lo tanto est en su mximo, sea esta en
su punto ptimo, dicho factor viene a ser una constante con el valor
mximo de su nivel, si incrementamos dicho factor en el proceso el
vector respuesta decae.

Entonces debemos evaluar con mayor amplitud el factor AO para
establecer el rango ptimo donde debe trabajar con mayor eficiencia.

Interpretacin de la interaccin

Notamos que el signo de la interaccin AB es positivo, esto nos indica
que no existe interaccin en el rango estudiado, por estar minimizan-
do la contaminacin en el efluente natural.
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

365

Anlisis de linealidad de los factores

Seguidamente evaluamos la curvatura del proceso lo cual quedo esta-
blecido a simple vista, cuando analizamos de una manera objetiva los
valores del vector respuesta, por lo que debemos reafirmarlo desarro-
llando los clculos necesarios, aplicando la siguiente relacin, s:

C F Y Y

Es pequeo no existe curvatura
C F Y Y

Es grande existe curvatura
795 , 65 = F Y

6033 , 70 = C Y


La diferencia es 4,8083 siendo este valor grande, por lo tanto existe
curvatura

Lineal
C
u
r
v
a
t
u
r
a
1-2 3-4
5
C
u
r
v
a
t
u
r
a


Anlisis: los puntos factoriales de las pruebas los visualizamos de
frente (1-2, 3-4), el punto central, de las pruebas repetidas, lo vemos de
canto (5) con la finalidad de observar que no siempre se encuentra en
el plano sino que este vara de acuerdo al trabajo desarrollado (obser-
vamos que la curva de Gauss varia de 0 a 1), por lo que el valor de la
diferencia entre los promedios de los puntos factoriales y centrales
deben estar dentro de dicho rango. Visualizando nuestro experimento
verificamos que no se encuentra dentro del rango 0-1 por lo tanto es
un proceso cuadrtico.
Por consiguiente

Los puntos centrales nos sirven para verificar la Linealidad supuesta
de los factores en el experimento. As mismo nos sirve para analizar la
varianza del error experimental desarrollado durante el experimento,
de tal manera de poder conocer cuanto error cometemos al desarro-
llar los trabajos experimentales.

Palacios C. Severo


366

Como existe curvatura en nuestro proceso experimental, entonces
debemos adicionar pruebas con la finalidad de desarrollar un anlisis
espacial. Dicho incremento de pruebas se denomina puntos estrella, la
adicin de dichas pruebas al diseo factorial con pruebas centrales se
le denomina Diseo Compuesto Central.

Ejemplo 7.96
De acuerdo al ejemplo 7.94, complementamos los puntos estrella o
axiales, los cuales estn representados en el cuadro siguiente, segui-
damente analizamos el diseo

Pruebas AO pH Y
7
8
9
10
0,317
0,883
0,6
0,6
3
3
2,293
3.707
50,60
87,34
89,99
34,75

El hecho de haber adicionado pruebas estrella al diseo factorial con
pruebas centrales, el nuevo diseo se denomina compuesto central, un
diseo rotable que nos proporciona mucho ms informacin que un
diseo factorial simple.

El presente caso es con la finalidad de incrementar el rango de los
niveles a ambos lados sin tener que mover los datos originales y a la
vez establecer las condiciones necesarias del proceso a fin de visuali-
zar los efectos, interacciones y cuadraturas en el amplio rango en es-
tudio.

El rango de 0,317157 a 0,882843 de estudio para la resina (AO), nos
amplia el mbito al cual es importante desarrollar el proceso, as
mismo el rango del pH de 2,29289 a 3,70711, como se podr visualizar
en el grafico, se puede establecer que el rango real en el cual estamos
estudiando, ya que en el anlisis inicial del diseo factorial el rango
era muy pequeo y con este nuevo diseo tenemos el rango real de
trabajo.

Del valor total de pruebas del Diseo Compuesto Central vamos a
analizar los efectos principales, interacciones y cuadraturas los cuales
se muestran a continuacin en el cuadro adjunto:

Efectos e
interacciones
Efectos
cuadrticos
A =25,6545
B =-38,990
AB = +6,68
AA = -1,5708
BB = -8,1707
Errores estndar con 5 GL
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

367

Interpretacin de los efectos:

Visualizamos los signos de los efectos de AO y pH:

Notamos que el factor AO es positivo, por lo tanto est en su nivel m-
nimo, el cual deber ser maximizado, es decir que este factor es una
variable, y debern ser optimizado y establecido su rango de trabajo
ptimo.

El factor pH es negativo, por lo tanto est en su mximo, sea esta en
su punto ptimo, dicho factor viene a ser una constante con el valor
mximo de su nivel.


AO
0,4 0,8
Y
97
87
77
67
57
47
Efectos medios para Y
0,8
pH
2,5 3,5

AO
Y
110
90
70
50
30
Interaccin para Y
0,8 0,4
pH=2,5
pH=3,5
pH=2,5
pH=3,5

Efectos de factores principales Interaccin de factores principales

Interpretacin de la interaccin:

Notamos que el signo de la interaccin AB es positivo, esto nos indica
que dicha interaccin esta en su mnimo, por lo tanto hay que maximi-
zarlo, entonces no existe interseccin entre los valores numricos.

Anlisis de las cuadraturas:

Notamos que el signo de la cuadratura AO y pH son negativos, esto
nos indica que ambas cuadraturas estn en su mximo, entonces estn
en el rango ptimo, con el valor mximo, por lo que viene a ser una
constante en el proceso, adems esto nos indica que existe curvatura,
lo cual lo hemos deducido al desarrollar la diferencia entre los valores
promedios del factorial y la prueba central.

El anlisis de varianza nos confirma lo desarrollado, as mismo el
coeficiente de correlacin establece que el modelo matemtico se ajus-
ta al proceso, la varianza del error (cuadrado medio del error CM)

Palacios C. Severo


368

esta dentro de la curva de Gauss, podemos decir el trabajo esta bien
desarrollado y se puede reconfirmar dicho proceso cuantas veces sea.

Tabla 7.113 Anlisis de varianza
Fuente SC Gl CM Fo Ft(99%)
A
B
AA
AB
BB
Error
1316,31
3040,49
3,4836
44,6224
94,253
1,5546
1
1
1
1
1
5
1316,31
3040,49
3,4836
44,6224
94,253
0,3109
4233,59
9778,97
11,20
143,52
303,14
>
>
<
>
>
16,26
16,26
16,26
16,26
16,26
Total 4498,3 10 R = 99,9654%

El hecho de haber adicionado pruebas estrella al diseo factorial con
pruebas centrales, el nuevo diseo se denomina Compuesto Central,
un diseo rotable que nos proporciona mucho ms informacin que un
diseo factorial simple.

El presente caso es con la finalidad de incrementar el rango de los
niveles a ambos lados sin tener que mover los datos originales y a la
vez establecer las condiciones necesarias del proceso a fin de visuali-
zar los efectos, interacciones y cuadraturas en el amplio rango en es-
tudio.

El rango de 0,317157 a 0,882843 de estudio para la resina, nos amplia
el mbito al cual es importante desarrollar el proceso, as mismo el
rango del pH de 2,29289 a 3,70711, como se podr visualizar en el
grafico, se puede establecer que el rango real es el cual estamos estu-
diando, ya que en el anlisis inicial del diseo factorial el rango era
muy pequeo y con este nuevo diseo tenemos el rango real de traba-
jo.

Modelo matemtico

El primer paso consiste en desarrollar un modelo matemtico, el cual
debemos analizarlo. Debido a la curvatura de la superficie respuesta,
el experimento requiere un modelo cuyo grado sea mayor e igual a 2,
para aproximar la respuesta cuando se encuentre relativamente cer-
cana al ptimo.

AOpH pH AO pH AO Y 4 , 33 3416 , 16 6356 , 19 0191 , 39 5009 , 12 0693 , 55 + + =


Determinacin de condiciones ptimas

Se define las condiciones de operacin ptima, maximizando o mini-
mizando los resultados del mismo. Una condicin inicial es remover
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

369

los niveles de operacin y determinar los resultados ptimos mediante
la aplicacin de tcnicas para determinar los nuevos niveles operacio-
nales (pendiente ascendente o descendente).

Valor ptimo = 8,47071
Factor Bajo Alto ptimo
AO
pH
0,317157
2,29289
0,882843
3,70711
0,317157
3,70711

El problema consiste en eliminar el contaminante del efluente, por lo
que se tiene que minimizar el contenido metlico de dicho efluente y
maximizar la extraccin con la resina, por lo que optimizando el pro-
ceso se puede dejar hasta un 8,47071% del contenido metlico y ade-
ms maximizando la capacidad de adsorcin de la resina se llega has-
ta un 99,8925% de eficiencia, lo cual es loable para la eliminacin de
contaminante metlico del efluente que se quiere reutilizar.

Si en la optimizacin intervienen dos o ms variables independientes,
frecuentemente puede prepararse superficies que muestren la relacin
existente entre las variables.

Uno de los mtodos de amplia aplicacin es la mxima pendiente as-
cendente o descendente.

XII. PUNTO ESTACIONARIO

Si se desea maximizar las respuestas del modelo ajustado, si existe,
sern el conjunto de las X
i
tal que las derivadas parciales sean iguales
a cero. Dicho punto, es decir X
1S
, X
2S
, X
3S
... X
iS
se denomina punto
estacionario

13 2 12 1 11
1
a X a X a
X
Y
+ + =
c
c


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


Desarrollando las derivadas parciales obtenemos la siguiente rela-
cin:
0191 , 39 6832 , 32 4000 , 33
5009 , 12 4000 , 33 2712 , 39
2 1
2 1
= +
+ = +
X X
X X



Palacios C. Severo


370

Desarrollando matricialmente, obtenemos el punto estacionario:

X1 = 5,327
X2 = 6,6377
R(P) = 151,27

Una vez obtenido el punto estacionario (sea la interseccin del nuevo
eje de planos Z
i
) debemos hallar el ngulo de giro de las nuevas coor-
denadas, aplicando la siguiente relacin:

22 11
12
2
A A
A
Tan

= u


Reemplazando valores obtenemos:

" 5 , 12 26 21 = u


R(P)
Z2
Z1
X2
X1
u


Donde

R(P) viene a ser el punto estacionario, as mismo viene a ser el punto
de interseccin del nuevo eje real en el cual est inscrito el mode-
lo matemtico.

XIII. CRITERIO DE FORMAS CUADRTICAS

Se requiere como condicin necesaria y suficiente para que la forma
cuadrtica sea definida positiva es que se cumpla:

0
22 21
12 11
>
a a
a a


Para desarrollar la matriz derivamos por segunda vez la ecuacin
diferencia parcial, obtenindose:
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

371

2712 , 39

1 1
=
c c
c
X X
Y

4 , 33

2 1
+ =
c c
c
X X
Y

4 , 33

1 2
+ =
c c
c
X X
Y

6832 , 39

2 2
=
c c
c
X X
Y


Entonces:

94 , 167
22 21
12 11
>
a a
a a


Anlisis del coeficiente de regresin:

La relacin AO est en su mnimo por lo tanto tiende a ascender, el pH
del medio esta en su mximo por lo tanto tiende a bajar, dicho anlisis
lo desarrollamos con la finalidad de poder establecer los niveles de
ascendencia o descendencia hasta llegar al valor ptimo. Al visualizar
los signos de las cuadraturas notamos que ambos tienen el signo nega-
tivo por lo tanto deducimos que es una elipse o cscara de huevo, y un
elipsoide en el espacio.

Si la relacin AO y el pH del medio fuesen cero, la recuperacin del
proceso est en su mnimo (R = 55,0693), por lo tanto hay que desa-
rrollar la pendiente ascendente hasta llegar al ptimo (para el caso de
maximizar la capacidad de adsorcin de la resina, y si fuere el caso de
minimizar la contaminacin se tendr que desarrollar la pendiente
descendente).

Camino de Mximo Ascenso para y
AO pH Y
0,6
0,635
0,67
0,705
0,74
0,775
3,0
2,87
2,74
2,63
2,53
2,44
70,603
77,462
83,199
87,904
91,685
94,659

Visualizamos el grfico espacial que representa a un sector de la elipse
estando la regin ptima de recuperacin en una relacin AO a 0,8 y
un pH de 2,5 lo cual confirma el anlisis establecido, cuando es el caso
de maximizar la capacidad de adsorcin de la resina, si fuere el caso
de eliminar el contaminante metlico se tendr que trabajar con el
valor mnimo de AO y el valor mximo de pH. Se debe de analizar de
acuerdo si se quiere maximizar o minimizar el proceso.


Palacios C. Severo


372

Estimated Response Surface
AO
pH
Y
30.0-38.0
38.0-46.0
46.0-54.0
54.0-62.0
62.0-70.0
70.0-78.0
78.0-86.0
86.0-94.0
94.0-102.0
0.4
0.5
0.6
0.7
0.8
2.5
2.7
2.9
3.1
3.3
3.5
30
50
70
90
110

Contours of Estimated Response Surface
AO
p
H
Y
30.0-38.0
38.0-46.0
46.0-54.0
54.0-62.0
62.0-70.0
70.0-78.0
78.0-86.0
86.0-94.0
94.0-102.0
0.4 0.5 0.6 0.7 0.8
2.5
2.7
2.9
3.1
3.3
3.5

Superficie respuesta estimada en el plano
con punto ptimo
Superficie respuesta estimada en el espa-
cio

Tal como establecimos que la relacin AO tiene que subir y el pH del
medio tiende a bajar con la finalidad de llegar a una alta capacidad de
adsorcin de la resina. En este caso se ha establecido que en un cuarto
paso se llega a una recuperacin de 99,743 variando la relacin AO en
forma ascendente con 0,87 y un pH descendente en 2,25 de esa mane-
ra se obtiene dicha mxima capacidad de la resina.

En el presente grafico en el plano, se puede establecer claramente que
la mxima capacidad de adsorcin de la resina se ubica cuando se
mantiene constate en el mnimo nivel el pH y en el mximo nivel el AO,
pero si se quiere la eliminacin del contaminante metlico se tiene que
trabajar con el mximo nivel del pH y con el mnimo nivel del AO, con
el fin de desarrollar un trabajo acorde al proceso a desarrollar.

El modelo matemtico nos demuestra que inicialmente la contamina-
cin se encuentra sobre 55,0693%, as que el factor de mayor signifi-
canca para eliminar dicho contenido metlico es la resina con una
pendiente negativa de -19,6356, lo cual hace disminuir dicha contami-
nacin hasta un porcentaje adecuado para rehusar dicho producto
acufero.

Ejemplo 7.97
Se desarrolla una investigacin sobre la flotabilidad de un mineral
sulfurado, se desea conoce los niveles ptimos de dos factores tiempo
de acondicionamiento y pH con la finalidad de optimizar la recupera-
cin del mineral

Niveles
Factores - 0 +
A: Tiempo (min)
B: pH
5,0
8,5
6,5
9,5
8,0
10,5
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

373

Para n = 2 factores, se ha de utilizar un diseo central compuesto
equivalente a 2+2*2+5 = 13 pruebas experimentales, con cinco prue-
bas centrales a fin de evaluar el error experimental y el error cometido
por el investigador.

Prueba A B Y
1
2
3
4
5
6
7
8
9
10
11
12
13
5.0
8.0
5.0
8.0
4.37868
8.62132
6.5
6.5
6.5
6.5
6.5
6.5
6.5
8.5
8.5
10.5
10.5
9.5
9.5
8.08579
10.9142
9.5
9.5
9.5
9.5
9.5
75,9
72
78
79,5
78,4
75,6
72
79,9
79,5
85,1
85
79,1
79,8

Efectos e
interacciones
Efectos cua-
drticos
A = -1,59
B = 5,193
AB = 2,70
AA = -4,762
BB = -5,812
Errores estndar con 7 GL

Tabla 7.114 Anlisis de varianza
Fuente SC Gl CM Fo Ft(95%)
A
B
AA
AB
BB
Error
5,055
53,935
39,445
7,29
58,756
38,304
1
1
1
1
1
7
5,055
53,935
39,445
7,29
58,756
5,472
0,92
9,86
7,21
1,33
10,74
<
>
<
<
>
5,59
5,59
5,59
5,59
5,59
Total 191,304 12 R = 80,0199%

Camino de Mximo Ascenso para y
A B Y
6,5
6,46
6,42
6,40
6,39
6,43
6,38
6,23
6,25
9,5
9,59
9,68
9,77
9,86
9,95
10,04
10,13
10,22
81,7
81,92
82,09
82,20
82,26
82,28
82,24
82,14
81,97


Palacios C. Severo


374

Y
5
B=8.5
B=10.5
Grfica de Interaccin para y
71
73
75
77
79
81
83
A
8
B=8.5
B=10.5

Y
5
B=8.5
B=10.5
Grfica de Interaccin para y
71
73
75
77
79
81
83
A
8
B=8.5
B=10.5

Efectos significativos de factores principa-
les
Interaccin de factores principales

AB B A B A Y 9 , 0 906 , 2 058 , 1 965 , 51 678 , 4 953 , 190 + + + =


A
B
Contornos de la Superficie de Respuesta Estimada
5 5.5 6 6.5 7 7.5 8
8.5
8.9
9.3
9.7
10.1
10.5 y
71.0-72.2
72.2-73.4
73.4-74.6
74.6-75.8
75.8-77.0
77.0-78.2
78.2-79.4
79.4-80.6
80.6-81.8
81.8-83.0
83.0-84.2

A
B
Y
Superficie de Respuesta Estimada
5
5.5
6
6.5
7
7.5
8
8.5
8.9
9.3
9.7
10.1
10.5
71
73
75
77
79
81
83
y
71.0-72.2
72.2-73.4
73.4-74.6
74.6-75.8
75.8-77.0
77.0-78.2
78.2-79.4
79.4-80.6
80.6-81.8
81.8-83.0
83.0-84.2

Superficie respuesta estimada en el plano
con punto ptimo
Superficie respuesta estimada en el espacio

Valor ptimo = 82,2841
Factor Bajo Alto ptimo
A
B
4,378
8,085
8,621
10,914
6,435
9,936

Ejemplo 7.98
Se desea evaluar un lecho de filtracin, para lo cual se estudian dos
factores, altura de lecho y velocidad de flujo

Factores
Niveles
- +
A: Altura de lecho
B: Velocidad de flujo
20
140
30
220

A B Y
20
30
20
140
140
220
6,22
5,57
9,51
ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

375

30
25
25
25
220
180
180
180
8,15
6,15
6,18
6,12

Efectos Interacciones
A = -1,005
B = 2,935
AB = -0,355
Errores estndar con 3 GL

Tabla 7.115 Anlisis de varianza
Fuente SC Gl CM Fo Ft(95%)
A
B
AB
Error
1.01002
8,61423
0,126025
2,52207
1
1
1
3
1.01002
8,61423
0,126025
0,84068
1,20
10,25
0,15
<
>
<
10,13
10,13
10,13
Total 12,2723 6 R = 79,4492%

AB B A Y 00088 , 0 058 , 0 059 , 0 24 , 1 + + =


Camino de Mximo Ascenso para y
A B Y
25
25,5
26
26,5
27
27,5
28
28,5
29
180
167,73
153,93
137,72
116,82
72,29
66,68
230,66
223,15
6,84
6,34
5,80
5,19
4,43
2,87
2,68
8,19
7,87

Valor ptimo = 82,2841
Factor Bajo Alto ptimo
A
B
20
140
30
220
20
220

20
B
220
Grfica de Efectos Principales para Y
5.3
6.3
7.3
8.3
9.3
Y
A
30 140

20
B=140
B=220
Grfica de Interaccin para Y
5
6
7
8
9
Y
A
30
B=140
B=220

Efectos de factores principales Interaccin de factores principales


Palacios C. Severo


376

Contornos de la Superficie de Respuesta Estimada
20 22 24 26 28 30
A
140
160
180
200
220
B
Y
5.0-5.4
5.4-5.8
5.8-6.2
6.2-6.6
6.6-7.0
7.0-7.4
7.4-7.8
7.8-8.2
8.2-8.6
8.6-9.0
9.0-9.4

Superficie de Respuesta Estimada
20
22
24
26
28
30
A
140
160
180
200
220
B
5
6
7
8
9
Y
Y
5.0-5.4
5.4-5.8
5.8-6.2
6.2-6.6
6.6-7.0
7.0-7.4
7.4-7.8
7.8-8.2
8.2-8.6
8.6-9.0
9.0-9.4

Superficie respuesta estimada en el plano
con punto ptimo
Superficie respuesta estimada en el espa-
cio

Ejemplo 7.99
Se desea estimar el efecto del SO
2
sobre la poblacin cercana a una
fbrica de tostacin de concentrados sulfurosos, con el fin de monito-
rear dicho contaminante se han considerando los siguientes factores:
Tasa de emisividad Q del contaminante a la salida de la chimenea y la
altura de la chimenea.

Factores
Niveles
- +
A: Tasa de emisividad (g/s)
B: Altura (m)
5
30
10
60

A B Y
5
10
5
10
3,96
11,03
7,5
7,5
7,5
7,5
7,5
7,5
7,5
30
30
60
60
45
45
2,37
66,21
45
45
45
45
45
140
180
200
310
130
320
170
300
280
270
265
275
266

Efectos e
interacciones
Efectos Cua-
drticos
A = 104,675
B = 93,4619
AB = 35,000
AA = -57,4506
BB = -47,4500
Errores estndar con 7 GL

ESTADSTICA EXPERIMENTAL
Aplicada a ciencia e ingeniera

377

Tabla 7.116 Anlisis de varianza
Fuente SC Gl CM Fo Ft(95%)
A
B
AA
AB
BB
Error
21913,6
17470,3
5740,03
1225,0
3915,65
2937,24
1
1
1
1
1
7
21913,6
17470,3
5740,03
1225,0
3915,65
419,605
52,22
41,63
13,68
2,92
9,33
>
>
>
<
>
5,59
5,59
5,59
5,59
5,59
Total 52110,9 12 R (%) = 94,3635

AB B A B A Y 466 , 0 105 , 0 596 , 4 1054 , 9 8757 , 68 558 , 340 + + + =


Camino de Mximo Ascenso para Y
A B Y
7,5
8,5
9,5
10,5
11,5
12,5
45,00
50,65
56,99
64,13
72,23
81,78
271,2
304,43
328,08
340,43
338,87
318,71

Valor ptimo = 341,554
Factor Bajo Alto ptimo
A
B
3,964
23,786
11,035
33,213
10,854
66,213

5
B
60
Grfica de Efectos Principales para Y
190
210
230
250
270
290
310
Y
A
10 30

5
B=30
B=60
Grfica de Interaccin para Y
130
170
210
250
290
330
370
Y
A
10
B=30
B=60

Efectos de factores principales Interaccin de factores principales

Contornos de la Superficie de Respuesta Estimada
5 6 7 8 9 10
A
30
35
40
45
50
55
60
B
Y
130.0-154.0
154.0-178.0
178.0-202.0
202.0-226.0
226.0-250.0
250.0-274.0
274.0-298.0
298.0-322.0
322.0-346.0
346.0-370.0
370.0-394.0

Superficie de Respuesta Estimada
5
6
7
8
9
10
A
30
35
40
45
50
55
60
B
130
170
210
250
290
330
370
Y
Y
130.0-154.0
154.0-178.0
178.0-202.0
202.0-226.0
226.0-250.0
250.0-274.0
274.0-298.0
298.0-322.0
322.0