1

DISEO DE EXPERIMENTOS: DISEOS CON DOS O MS FACTORES

En la seccin anterior se investig la diferencia entre k tratamientos (o niveles) de un solo factor, (ej.
resistencia de una viga). Ahora por ejemplo, un ingeniero est interesado en los efectos de la temperatura y el
tiempo del ciclo en la brillantez del teido de telas producidas en una fbrica de tejidos. Podra estudiar el
proceso, a dos niveles de temperatura, (350 y 400 oF); y dos niveles de tiempo de ciclo (40 y 50). La
experimentacin en este caso debe incluir 4 combinaciones de factores de nivel. Para este propsito, y en los que
intervienen dos o ms factores, los diseos factoriales son los ms eficientes.
Al inicio de un trabajo de optimizacin, cuando todava no se tiene un buen conocimiento del
comportamiento del proceso a optimizar, generalmente la lista de factores o variables que pueden influir en el
proceso son muchas. El objetivo principal en una primera etapa de optimizacin es la de identificar aquellas
variables que tengan gran influencia en el proceso. Para esta fase, los diseos factoriales son los ms
recomendados.
1. Diseo factorial 2k
Un diseo factorial es aquel en el que se investigan todas las posibles combinaciones de los niveles de los
factores en cada ensayo completo o rplica del experimento. Los niveles representan los valores que pueden
tomar las variables o factores. Si consideramos por ejemplo 2 niveles, el diseo se denomina diseo factorial a
dos niveles o diseo factorial 2k. El nmero total de experimentos a llevarse a cabo viene definido por la
relacin:
N= 2k
donde:
k = nmero de variables;
N = nmero total de experimentos.
Con el siguiente ejemplo se ilustra adecuadamente el desarrollo de un diseo factorial.
2. Ejemplo a evaluar mediante Diseo Factorial
Una empresa confecciona productos metlicos niquelados. Sus compradores no estn completamente
satisfechos con las caractersticas del niquelado en las piezas metlicas. En la empresa se constituye un equipo de
evaluacin que identifica el problema como incapacidad de lograr la capa de nquel con el espesor adecuado,
siendo esta dificultad el resultado de las condiciones del proceso productivo.
Se desarrollan en la empresa estudios de experimentacin para incrementar la calidad del producto
niquelado. En las evaluaciones preliminares, qued plenamente comprobado que el espesor de la capa de nquel
es la causa de los reclamos de los compradores. El espesor de la capa de nquel se evala utilizando un
profilmetro, instrumento que proporciona mediciones exactas y estables del espesor de la capa de nquel.
2.1 Seleccin de factores
A pesar de que son muchos los factores que intervienen en el proceso de niquelado, tales como temperatura
de la solucin, tiempo de recubrimiento, pH, contenido de fsforo, contenido de nquel en solucin, voltaje,
densidad de corriente, etc.; para los propsitos de este ejemplo, se selecciona las variables de tiempo y
temperatura del bao para la evaluacin experimental. Esto hecho no invalida la posibilidad de utilizar la
cantidad de variables que se estime necesario. Por lo tanto, las otras variables del proceso se mantendrn
constantes durante la experimentacin.
Tanto la temperatura como el tiempo de inmersin en el bao son variables cuantificables, cuyos valores se
fijan a dos niveles segn lo siguiente:

Factor
Temperatura, oC
Tiempo, seg.

Nivel (-)
16

Nivel (+)
32

12

Adicionalmente, por experiencias y conocimiento del proceso, se espera que ocurra una fuerte interaccin
entre estas dos variables; esto es, que las variaciones ocurridas en una de las variables influyan en la otra y estos
efectos interactuados se reflejen en el espesor del nquel.

2.2 Tratamiento de datos.

Con dos factores fijados a dos niveles, ( + y -), se decide utilizar un diseo factorial completo, en donde N
k
= 2 = 22 = 4 experimentos. Los valores de las variables a experimentar se codifican con valores +1 y -1, como
se indica en la Tabla 9.1.
Tabla 9.1: Matriz de diseo con valores actuales y codificados para pruebas de niquelado.
Valores actuales
Valores codificados
Prueba
A
B
A
B
#
o
Tiempo,
seg.
Temp. C
1
2
3
4

16
16
32
32

4
12
4
12

-1
-1
+1
+1

-1
+1
-1
+1

La seccin de la Tabla con valores actuales sirve de gua para conducir los experimentos, y la seccin con los
valores codificados para los propsitos de clculos y evaluacin de datos.
En general, los experimentos deben ejecutarse lo ms aleatoriamente posible, sin seguir necesariamente el
orden en el que la Tabla de diseo dicta. En este caso particular, la temperatura es una variable que no facilita la
aleatorizacin, pues es difcil modificarla rpidamente a los valores en que se necesita experimentar. En este
caso, debe tomarse medidas para evitar inducir variabilidad diferente a cada prueba.
Con los recursos que se dispone, se decide efectuar 5 pruebas con cada una de las 4 combinaciones,
midiendo el espesor de la capa de nquel como la variable respuesta. En lo posible, estas repeticiones se efectan
aleatoriamente; es decir, no repitiendo la misma combinacin 5 veces continuadas. Los resultados obtenidos por
la experimentacin se resumen en la Tabla 2.
Tabla 2: Datos de evaluacin del proceso de niquelado.
Prueba
#
1
2
3
4

16
16
32
32

(-1)
(-1)
(+1)
(+1)

Espesor,
micropulg.

B Tiempo
Seg.

A Temp.
oC

4
12
4
12

(-1)
(+1)
(-1)
(+1)

116.1
116.5
106.7
123.2

116.9
115.5
107.5
125.1

112.6
119.2
105.2
124.5

118.7
114.7
107.1
124.0

Promedio
114.9
118.3
106.5
124.7

115.8
116.8
106.7
124.3

De la observaciones de los resultados resulta evidente que la mejor combinacin de variables corresponde a
32 oC y 12 seg. la que proporciona el mejor espesor de nquel. Sin embargo, una "eleccin a ganador" por simple
inspeccin de los resultados es una actitud altamente negativa. Ello no permite evaluar cual de las variables tiene
mayor efecto y trunca, tanto posibles sub-optimizaciones, como predecir la respuesta de valores no
experimentados con las variables.
El procedimiento de evaluacin se continua determinando el promedio de los valores altos y el promedio de
los valores bajos para cada variable. Luego se calcula el efecto , que representa la diferencia entre los valores
altos y bajos:
Promedio

A Temp.
oC

116.3
115.5
-0.8
Promedio general = 115.93
(-)
(+)

B Tiempo
Seg.
111.3
120.6
+9.3

Promedio de espesor para valores bajos

Promedio de espesor para valores altos
Efecto

De esos clculos se observa el efecto del factor temperatura equivalente a -0.8 micropulgadas. Esto
significa que el aumento la temperatura de 16 a 32 oC ocasiona una disminucin en el espesor en 0.8
micropulgadas. Similarmente, el factor efecto tiempo es de +9.3; es decir, el aumento de tiempo de residencia
dentro del bao de 4 a 12 seg. ocasiona un aumento en el espesor en 9.3 micropulgadas. Comparando efectos, el
factor tiempo resulta ser aproximadamente 12 veces ms importante que el factor temperatura en el espesor de la
capa de nquel.

3
A continuacin se elabora grficos con los valores promedios obtenidos, como se observa en las Figuras 1.
En estas se debe destacar el hecho de la interaccin que existe entre los dos factores en estudio. Esto se evidencia
por el hecho que en ambos grficos no existe paralelismo entre las rectas trazadas.

Espesor, pulg.

125
T=32oC
t = 12 seg

120

T=16 oC

115
t = 4 seg.

110
105
16

32
Temp. oC

12
Tiempo, seg

Figura 1: Grfico de interaccin para temperatura y tiempo en el proceso de niquelado.

A fin de cuantificar los efectos de interaccin, ya develados con los grficos de la Figura 1, se elabora una
Tabla con las variables codificadas y adicionando una columna de interaccin AB. Esta columna se obtiene
multiplicando los valores codificados correspondientes a los dos factores. Esto se observa en la Tabla 3.
Tabla 3: Matriz codificada con columna de interaccin
Prueba #
A
B
1
-1
-1
2
-1
+1
3
+1
-1
4
+1
+1

AB
+1
-1
-1
+1

Promedio
115.8
116.8
106.7
124.3

Se puede determinar matemticamente el efecto de interaccin entre los dos factores, utilizando la columna
AB y la respuesta obtenida para cada combinacin:
Valores
(-)
(+)

Interaccin AB
116.8 + 106.7
= 11175
.
2
1158
. + 124.3
= 120.05
2

120.05 - 111.75 = 8.3

Promedio de interaccin para valores bajos

Promedio de interaccin para valores altos
Efecto

El alto valor del efecto para la interaccin AB, indica la fuerte interaccin que existe entre esas dos
factores.El siguiente paso es calcular los "medios efectos" para cada columna. Estos "medios efectos" sern
usados en la ecuacin de prediccin a definirse posteriormente.

/2

A (Temp.)
-0.8/2 = -0.4

B (tiempo)
9.3/2 = 4.65

AB
8.3/2 = 4.15

En las Figuras, 2 y 3, se resumen los datos obtenidos hasta el momento.

La variable B (tiempo) y la interaccin AB muestran tener gran influencia en el proceso de niquelado, en
cambio, la variable A (temperatura) no tiene mucha significacin en el proceso.
A continuacin se debe evaluar cuales de los factores e interacciones son importantes. Para ello se dispone
de tres procedimientos:
a) Anlisis grfico;
b) Anlisis de la Varianza, ANAVA;
c) Anlisis de regresin.

Espesor, pulg.

125

120

AB

115

110
105
16
32
Temp. oC

4
12
Tiempo, seg

-1

+1
Interaccin

Figura 2: Promedios para cada efecto.

5

Valor absoulto /2

AB

A
0

Figura 3: Diagrama PARETO para valores /2 o medios efectos.

2.3 Anlisis grfico
Este anlisis se basa en la simple inspeccin de los grficos desarrollados luego del anlisis de datos
efectuados. Mediante este procedimiento se hace el anlisis y seleccin de los factores ms importantes y se
usaran para definir la ecuacin de prediccin. El diagrama de Pareto muestra que factores tienen mayor
importancia; sin embargo, un profundo conocimiento tcnico del proceso en estudio puede ser gravitante para
predecir la importancia de un factor.
La forma general de la ecuacin de prediccin es:

A
A + B B + AB AB + ...
2

2
2

Y = Y +
donde:

Y = la respuesta de prediccin o Y estimado

Y = promedio de los valores de respuesta.

A/2 = medio efecto para el factor A

B/2 = medio efecto para el factor B

AB /2 = medio efecto para el factor AB
Consecuentemente, de la observacin de los resultados grficos se concluye que los factores B (tiempo) e
interaccin A-B (tiempo - temperatura) tienen importancia significativa en el proceso de niquelado. Sin embargo,
el modelo matemtico incluir el factor temperatura a pesar que no muestra incidencia significativa en el proceso.
Esto en razn a que tcnicamente se reconoce que la temperatura es importante en el proceso de niquelado. Con
estas consideraciones, el modelo matemtico queda definido de la siguiente manera:

Y = 115.93 - 0.4 A + 4.65 B + 4.15 AB

2.4 Verificacin del modelo

A continuacin se prueba el modelo con valores ya experimentados. As por ejemplo, si consideramos A =
32 oC y B = 4 seg., entonces el modelo responde:

Y = 115.93 - 0.4 (+1)+ 4.65 (-1) + 4.15 (+1)(-1) = 106.73

Ahora, si A = 32 oC y B = 12 seg.,, entonces:

Y = 115.93 - 0.4 (+1)+ 4.65 (+1) + 4.15 (+1)(+1) = 124.33

Ntese que los valores actuales de las variables son reemplazados en la ecuacin de prediccin con los valores
codificados.
Se observa que la ecuacin de prediccin responde correctamente a combinaciones de valores ya
experimentados. Esto da seguridad para que el modelo pueda ser utilizado para predecir combinaciones no
probadas y/o predecir un valor objetivo.
Supngase ahora que se fija como objetivo el tener una capa de nquel de 120 micropulgadas. Ya que se
dispone de 2 variables y se decide tcnicamente que la temperatura debe fijarse a 32 oC, la ecuacin puede usarse
segn:
120 = 115.93 - 0.4 (+1)+ 4.65 (B) + 4.15 (+1)(B)
B = 0.508
Ya que este valor de B es un valor codificado del tiempo, para obtener el valor real se procede segn lo siguiente:
0.54 seg
-1
4 seg

0
8 seg

+1
12 seg

El tiempo real se obtendr de un simple clculo de interpolacin. Para este valor codificado de B = 0.508
se obtiene un tiempo de 10.04 seg. Por lo tanto, con 10.04 seg. y 32 oC, el niquelado deber tener una capa de
120 micropulgadas de espesor.
Se debe proceder ahora con las pruebas confirmativas para determinar la validez total del modelo obtenido.
Las pruebas de confirmacin se llevarn a cabo con 32 oC de temperatura del bao y 10 seg. de tiempo de
inmersin de la pieza en el bao de nquel.
Con esos valores fijados de los factores, se realizan 5 pruebas de verificacin y se obtienen los siguientes
resultados de micropulgadas de espesor de la capa de nquel:
120.5; 122.7; 117.4; 125.3; 117.0.
p p

115
120
Espesor en micropulgadas

125

Ya que hay una distribucin razonable alrededor de 120, se concluye que el modelo obtenido es vlido.
3 Anlisis de la varianza
El anlisis grfico, no-estadstico, se complementa con el estudio de anlisis de la varianza, lo cual aporta el
criterio objetivo para completar la evaluacin. Este anlisis se desarrolla con un ejemplo.
Se realiza una investigacin sobre el efecto de dos factores en la velocidad de reaccin de un proceso, sean
estas la concentracin de un reactivo (Z1) y la cantidad de un catalizador, (Z2). Los niveles de los factores son
los siguientes:
Factores
Z1: Reactivo (%)
Z2: Catalizador (sacos)

Nivel (-)
15

Nivel (+)
20

Con estos valores se ejecuta un diseo experimental con 22 = 4 experimentos y tres replicas en cada prueba.
La Tabla 9.4 seal el diseo a utilizar.
Tabla 4: Matriz de diseo experimental para 2 factores
N
1
2
3
4

Factores actuales
Z1
Z2
15
20
15
20

1
1
2
2

X1
-1
+1
-1
+1

Factores codificados
X2
X1X2
-1
+1
-1
-1
+1
-1
+1
+1

6
Se realizan los experimentos aleatoriamente con rplicas tambin aleatorizadas, y los resultados se muestran
en la siguiente Tabla.
Tabla 5: Matriz de diseo experimental para 2 factores con 3 rplicas.
N

1
2
3
4

Factores
X1
-1
+1
-1
+1

X2
-1
-1
+1
+1

Respuestas
X1X2
+1
-1
-1
+1

II

II

28
36
18
31

25
32
19
30

27
32
23
29

Total
respuestas

Yr

80
100
60
90

26.67
33.33
20.00
30.00

Promedio general Y = 27.50

Los promedios de bajo y alto nivel para los factores e interaccin y el efecto se muestran a continuacin:
Promedio

X1
23.335
31.665
8.33

(-)
(+)
Efecto

X2
30
25
-5

X1X2
26.665
28.335
1.67

El anlisis de la varianza se inicia planteando la siguiente ecuacin que representa a la variabilidad total de
los datos en sus partes componentes:
SSTotal = SS Efectos + SS Error
donde
SSTotal = Suma total de cuadrados.
SSEfectos = Suma de cuadrados debida a los tratamientos.
SSError = Suma de cuadrados debida al error.
Para el anlisis de la varianza de un diseo factorial donde con varias rplicas en los puntos del diseo,
la suma total de cuadrados viene definido por:
2

SSTotal = Yijk2
i =1 j =1 k =1

Y2
Nr

donde:
N = nmero de pruebas experimentales;
r = nmero de rplicas en el diseo.
O sea, SSTotal es igual a la suma de cada una de las respuestas elevadas al cuadrado, menos la suma de todas las
respuestas elevada al cuadrado dividida el nmero total de experimentos por el nmero de rplicas efectuadas
En el ejemplo:
2
28 + 25 + 27 + ...+ 30 + 29 )
(
2
2
2
2
2
SSTotal = (28 + 25 + 27 + ...+ 30 + 29 )
4 *3

= 9398

(330)2

12
= 323
La suma de cuadrados de los efectos e interacciones se da por la siguiente relacin:

SS Efecto

X ij Yj
i =1

=
Nr

En el ejemplo:

SS X 1

[(100 + 90) (80 + 60)]

=

SS X 2

[(90 + 60) (80 + 100)]

=

= 208.33

4 *3

4 *3

= 75.00

[(80 + 90) (100 + 60)]

=

SS X 1 X 2

4 *3

= 8.33

SS Efectos = SS X 1 + SS X 2 + SS X1 X 2 = 208.33 + 75.00 + 8.33 = 291.66

De la ecuacin

SSTotal = SS Efectos + SS Error

, se obtiene SSError: de la siguiente forma:

SSError = SSTotal - SSEfecto = 323 - 291.66 = 31.34

A travs del clculo del efecto se observa que la variable X1, (concentracin del reactivo) tiene incidencia
importante en el proceso. La manera precisa y estadstica de medir la importancia de esa variable es por el
Teorema de Cochran, que se resume en la siguiente expresin:

Fo =

MS Efectos
MS Error

donde:
MSEfectos = SSEfectos/glT
MSErrror = SSError/glE
de aqu:
glT = grados de libertad de los efectos e interacciones. Igual a 1 en los diseos factoriales a dos niveles (2-1=1)
glE = grados de libertad de la suma de cuadrados del error. Igual a:
nr

n
i =1

ri

Esto es, la sumatoria de el nmero de rplicas menos 1

Una variable o una interaccin es significativa si se cumple la siguiente condicin:
Fo > F(; gl T , glE )
En el ejemplo:
glT = 2 - 1 = 1
glE = (3-1) + (3-1) + (3-1) + (3-1) = 8
MSEfectos(X1) =

208.33/1 = 208.33

MSEfectos(X2) =

75/1 = 75

MSEfectos(X1X2) = 8.33/1 = 8.33

MSError = 31.34/8 = 3.92
Con todos estos datos se construye la Tabla de Anlisis de la Varianza. Tabla 6
Tabla 6: Anlisis de la Varianza para el ejemplo.
Fuente
SS
X1
X2

g.l.

MS

208.33

208.33

Fo
53.15

75.00

75.00

19.13

X1X2
8.33
1
8.33
2.13
Error
31.34
8
3.92
Total
323.00
Para un nivel de significacin = 0.01; glT = 1; glE = 8 entonces F(0.01; 1, 8) = 11.26

8
La condicin Fo > F(; glT , glE ) se cumple para X1 y X2. Por lo tanto, solo las variables X1 y X2 tienen
incidencia significativa en el proceso. Con esto se formula el modelo matemtico y es como sigue:

Y = 27.50 +

8.33
5
X1 X 2
2
2

Y = 27.5 + 4.165 X 1 2.5 X 2

Ntese que los valores a sustituir para las variables corresponde a los valores codificados +1 y -1
Obtenido este modelo, debe ser verificado experimentalmente para comprobar su validez.
3.1 Anlisis de residuos
Para saber cuan distanciados estn los valores que se predicen con el modelo de los valores experimentales,
se efecta el anlisis de residuos. Este anlisis considera los residuales igual a:

YY
y que se resumen en la Tabla 7.
Tabla 7: Anlisis de residuos para el ejemplo.
Yr
N

X1
-1
+1
-1
+1

1
2
3
4

X2
-1
-1
+1
+1

Y1
28
36
18
31

Y2
25
32
19
30

R = (Yr - Y )
Y3
27
32
23
29

26.67
33.33
20.00
30.00

25.835
34.165
20.835
29.165

RY1
+2.165
+1.835
-2.835
+1.835

Ry2
-0.835
-2.165
-1.835
+0.835

RY3
+1.165
-2.165
+2.165
-0.165

Con estos datos se calcula la suma de cuadrados residual del modelo, SSMR

Nr Y Y

SSM R =
Nr
I

i =1

donde:

Y = Y estimado o respuesta segn el modelo.

Y = Y observado o respuesta experimental
Nr = nmero total de experimentos.
I = nmero de parmetros del modelo matemtico.
Nr-I = grados de libertad del residuo = glR
En el ejemplo:

SSM R =

2
. ) 39.67
(2.165)2 + ( 0.835) 2 + ... + ( 0165
=
= 4.41

( 4) (3) (3)

Para determinar estadsticamente si el modelo matemtico hallado representa adecuadamente a los datos
experimentales, se realiza la prueba F:

Fo =

SSM R 4.41
=
= 1124
.
MS Error 3.92

El modelo es adecuado si:

Fo < F(; gl R , glE )
Si en el ejemplo: = 0.05; gl R = 9; , glE = 8
F(0.05; 9, 8 ) = 3.39

9
Entonces el modelo matemtico es adecuado.
3.2 Decodificacin del modelo a escala natural
En el ejemplo, el modelo codificado obtenido fue:

Y = 27.5 + 4.165 X 1 2.5 X 2

es decir, en este modelo los valores de las variables X1 y X2 se representan por valores (+1) y (-1). Para que en el
modelo se pueda reemplazar los valores reales de las variables, se calcula lo siguiente:
Centro del diseo
(20 + 15)
Z Xo 1 =
= 17.5
2
Radio del Diseo
(20 15)
Z X 1 =
= 2.5
2
Relacin E
Zo
17.5
E X1 = X1 =
=7
Z X 1 2.5

Z Xo 2 =

( 2 + 1)
= 15
.
2

Z X 2 =

EX2 =

(2 1)
= 0.5
2

Z Xo 2 15
.
=
=3
Z X 2 0.5

lo cual se resume en el siguiente cuadro:

X1
Nivel Inferior (-)
Nivel Superior (+)
Centro del diseo, (Zo)
Radio del Diseo ( Z)
Relacin E

15
20
17.5

X2
1
2
1.5

2.5
7

0.5
3

El modelo decodificado se calcula segn:

Y D = ao + a1 X 1 + a2 X 2
y se obtiene:

ao = Y X 1 E X 1 X 2 E X 2
2
2
= 27.5 - (4.165)(7) - (-2.5)(3) = 5.845
X1

2 4.165
a1 =
=
= 1666
.
Z X 1
2.5
X2

2 2.5
a2 =
=
= 5.0
0.5
Z X 2
Con lo que el modelo decodificado se expresa:

Y D = 5845
.
+ 1666
.
Z1 5.0 Z2
En trminos generales:

10
k
k


ao = Y j E j ij Eij ; i j
j =1 2
ij = 1 2

j
ij
k 1
2
2

aj =
Z j ij =1 Z j
ij

2
a ij =
Zi Z j

i j

4. Diseos factoriales fraccionados a dos niveles

Los diseos factoriales completos son buenos en el sentido que proveen estimados para los efectos de todos
los factores, as como los efectos de posibles interacciones. Una desventaja es que estos diseos requieren
mayores cantidades de experimentos cuando ms de cuatro factores se necesitan evaluar. Por ejemplo, no es
inusual necesitar desarrollar un experimento con 10 factores a dos niveles. Un diseo factorial completo
requerira 210 = 1,024 experimentos, lo cual son demasiados para ejecutarse.
Como una alternativa a la posibilidad de tener gran cantidad de variables, se presentan los diseos
factoriales fraccionados, en los que se ejecuta solo una fraccin del total de experimentos que se requieren. Lo
negativo del mtodo es que parte de la informacin sobre interacciones se llega a perder.
Supngase que se tiene tres factores, A, B, y C y se les quiere evaluar mediante un diseo factorial. Para
esto se tiene dos alternativas:
a) Un diseo factorial completo con 8 experimentos;
b) Un diseo factorial fraccionado con 4 experimentos.
Esta dos alternativas se presentan en las Tablas 8 y 9. En esas Tablas, AB, AC, CB y ABC representan la
interaccin entre los tres factores.
Obsrvese que en la Tabla 9 la columna A es igual a la columna BC; B = AC; C = AB. Ya que los valores
de tales columnas son iguales, no es posible determinar si el efecto calculado de la columna A es debido al factor
A o debido a la interaccin BC. Usualmente las interacciones son relativamente pequeas comparadas con los
efectos de los factores, lo que en parte justifica el uso de los diseos fraccionados.
Tabla 8: Diseo factorial completo con tres factores a dos niveles, N =-23 = 8
N
1
2
3
4
5
6
7
8

A
-1
-1
-1
-1
+1
+1
+1
+1

B
-1
-1
+1
+1
-1
-1
+1
+1

C
-1
+1
-1
+1
-1
+1
-1
+1

AB
+1
+1
-1
-1
-1
-1
+1
+1

AC
+1
-1
+1
-1
-1
+1
-1
+1

BC
+1
-1
-1
+1
+1
-1
-1
+1

ABC
-1
+1
+1
-1
+1
-1
-1
+1

Tabla 9: Diseo factorial fraccionado con tres factores a dos niveles, en 4 pruebas.
N
A
B
C= A*B
AB
AC
BC
1
-1
-1
+1
+1
-1
-1
2
-1
+1
-1
-1
+1
-1
3
+1
-1
-1
-1
-1
+1
4
+1
+1
+1
+1
+1
+1

ABC
+1
+1
+1
+1

Consideremos ahora por ejemplo que se tiene cuatro factores A, B, C, y D; a evaluar un diseo
factorial fraccionado con 8 pruebas. Un diseo completo incluira N
= 24 = 16 pruebas. Para elaborar la matriz codificada de diseo, obsrvese la Tabla 9.8 con 23 = 8. Es obvio en
esta Tabla que la columna de interaccin ABC es poco probable de producirse con un efecto significativo; de
modo que para 4 factores la Tabla 9.8 puede reescribirse como se observa en la Tabla 9.10, considerando las
respectivas interacciones.

11

Tabla 10: Diseo factorial fraccionado con cuatro factores a dos niveles, 8 pruebas.
N
A
B
C
D= ABC
AB=CD
AC=BD
1
-1
-1
-1
-1
+1
+1
2
-1
-1
+1
+1
+1
-1
3
-1
+1
-1
+1
-1
+1
4
-1
+1
+1
-1
-1
-1
5
+1
-1
-1
+1
-1
-1
6
+1
-1
+1
-1
-1
+1
7
+1
+1
-1
-1
+1
-1
8
+1
+1
+1
+1
+1
+1

BC=AD
+1
-1
-1
+1
+1
-1
-1
+1

En general, un diseo factorial fraccionado esta definido por: 2k-p donde:

k = nmero de factores a estudiar ;
p = nmero de factores a confundir.
k

5. Diseo factorial 2 con rplica en el punto central del diseo

El diseo factorial 2k asume una relacin lineal entre las variables y la respuesta. De ser cierta la linealidad,
el modelo debe predecir adecuadamente todos los puntos del diseo, inclusive el punto central. Aunque no se
verifique linealidad perfecta, el modelo funcionar bastante bien si la linealidad se cumple de manera
aproximada. De no predecir adecuadamente el modelo, especialmente en el punto central, se afirma que el
modelo no es suficiente para explicar las respuestas en tal regin y es posible asumir la existencia de curvatura.
Se debe realizar pruebas en el punto central del diseo para dar un estimado del efecto de curvatura.
Respuesta

Y1

Y2
-1

+1

Variable A

Figura 4: Modelo lineal fijado a nivel bajo y alto, con probable curvatura en el centro.
5.1 Ejemplo de aplicacin
Un ingeniero qumico se encuentra estudiando el rendimiento de un proceso. Existen dos variables de
inters: tiempo y temperatura de reaccin. Debido a que el ingeniero duda de la suposicin de linealidad, decide
utilizar un diseo 22 , con una sola prueba en cada punto externo del diseo y 5 rplicas en el punto central.
El diseo y los resultados se muestran en la Figura 5.
Temperatura, X2
160; +1
40.0

155;

41.5

40.3
40.5
40.7
40.2
40.6

150; -1

39.3

-1
30

40.9

0
35

Figura 5: Diseo factorial con rplica en el centro del diseo.

+1
40

Tiempo de
reaccion, X1

12

La Tabla 11 muestra los valores actuales y codificados del diseo.

Tabla 9.11: Matriz del diseo factorial con rplicas en el centro y respuestas experimentales.
Prueba
#

Z1

1
2
3
4

Tiempo
30
40
30
40

5
5
5
5
5

35
35
35
35
35

Z2
Temper.
150
150
160
160

X1

X2

X 1X 2

Respuesta
Y

-1
+1
-1
+1

-1
-1
+1
+1

+1
-1
-1
+1

39.3
40.9
40.0
41.5

155
0
0
40.3
155
0
0
40.5
155
0
0
40.7
155
0
0
40.2
155
0
0
40.6
Promedio general (excepta los puntos en el centro) = 40.425
Los promedios de bajo y alto nivel para los factores e interaccin y el efecto se muestran a
continuacin:
Promedio

X1
39.65
41.2
1.55

(-)
(+)
Efecto

X2
40.1
40.75
0.65

X1X2
40.45
40.40
-0.05

Obsrvese que los puntos replicados en el centro no son considerados en el clculo de los efectos; mas bien
sern utilizados para hallar la suma de cuadrados del error.
5.1 Anlisis de la varianza
El anlisis de la varianza difiere algo del efectuado cuando se efectan rplicas en cada punto del diseo.
Implica el clculo de:
SSEfectos
SSError

= Suma de cuadrados debida a los tratamientos.

= Suma de cuadrados debida al error.

SSCurvatura = Suma de cuadrados debida a la curvatura.

La suma de cuadrados de los efectos e interacciones se da por la siguiente relacin:

SS Efecto

X ij Yj

= i =1
Nr

La suma de cuadrados debida al error se calcula con la siguiente expresin:

no

SS Error = Yi o Y
i =1

o 2

donde:
Yi o = rplicas en el punto central del diseo.

no = nmero de rplicas en el centro.

o

Y = promedio de todas las rplicas.

La suma de cuadrados debida a la curvatura se calcula con la siguiente expresin:

SSCurvatura =

N no Y Y

N + no
donde:
Y = promedio de puntos exteriores del diseo.

13
En el ejemplo, la suma de cuadrados debida a los tratamientos es:

[(415. + 40.9) (40.0 + 39.3)]

=

SS X 1

SS X 2 =

= 2.4025

( 4) (1)

[(40.0 + 415. ) (40.9 + 39.3)]

SS X 1 X 2

= 0.4225

( 4)(1)

[(39.3 + 415. ) (40.9 + 40.0)]

=
(4 )(1)

= 0.0025

La suma de cuadrados del error:

o

Y = 40.46

SSError = (40.3-40.46)2 +(40.5-40.46)2 + (40.7-40.46)2+ (40.2-40.46)2 + (40.6-40.46)2 = 0.172

glE = (no 1) = 5-1 = 4;

(grados de libertad del error)

La suma de cuadrados debida a la curvatura:

SSCurvatura =

(4)(5) (40.425 40.46) 2

= 0.00272
4+5

Tabla 12: Anlisis de la Varianza para el ejemplo.

Fuente
SS
g.l.

MS

X1
X2

2.4025

2.4025

Fo
55.87

0.4225

0.4225

9.83

X1X2
Curvatura
Error
Total

0.0025

0.0025

0.058

0.00272
0.172
3.00222

1
4
8

0.00272
0.043

0.0063

Evaluando el estadstico F versus Fo, se tiene:

F(; glT , glE ) = F(0.05; 1, 4) = 7.71
Una variable, una interaccin la curvatura es significativa si se cumple la siguiente condicin:
Fo > F(; gl T , glE )
Como esta condicin se cumple para X1 y X2, el modelo matemtico queda definido:

155
.
0.65
Y = 40.425 +
X1 +
X2
2
2

Y = 40.425 + 0.775 X 1 + 0.325 X 2

5.2 Anlisis de residuos

N

X1

X2

Yr

1
2
3
4

-1
+1
-1
+1

-1
-1
+1
+1

39.3
40.9
40.0
41.5

Y Y

SSM R =
Nr

I
i =1

39.325
40.875
39.975
41.525

Nr

SSM R =

( 0.025)2 + ... + (0.025) 2 = 0.0025

( 4)(1) ( 3)

R = (Yr - Y )
-0.025
0.025
0.025
0.025

14

SSM R 0.0025
=
= 0.06
MS Error 0.043
El modelo es adecuado si:
Fo < F(; glR , glE ). En el ejemplo: = 0.05; gl R = 1; , glE = 4
F(0.05; 1, 4 ) = 7.71. Entonces el modelo matemtico ajusta adecuadamente los datos experimentales.
Fo =

5.3 Ejemplo de aplicacin: efecto de curvatura importante

Al inicio de la etapa de optimizacin de un proceso de flotacin de un mineral sulfurado de cobre, un
investigador elige tres variables que, segn su criterio puede mejorar la recuperacin metlica de cobre. Estas
variables son la dosificacin del colector, pH y porcentaje de slidos segn:
Factor
Z1: Dosificacin de colector
Z2: pH
Z3: % de slidos

Nivel (-)
0.02

Nivel (+)
0.06

10

11

27.5

33.5

El investigador decide realizar un diseo 23 = 8 experimentos con tres rplicas en el centro. La Tabla 9.13
muestra el diseo y sus resultados.
Tabla 9.13: Matriz del diseo factorial con rplicas en el centro y respuestas.
N
Z1
Z2.
Z3
X1
X2
X3 X 1X 2 X1X3 X2X 3
1
2
3
4
5
6
7
8

0.02
0.06
0.02
0.06
0.02
0.06
0.02
0.06

10
10
11
11
10
10
11
11

27.5
27.5
27.5
27.5
33.5
33.5
33.5
33.5

-1
+1
-1
+1
-1
+1
-1
+1

-1
-1
+1
+1
-1
-1
+1
+1

-1
-1
-1
-1
+1
+1
+1
+1

9
9
9

0.04
0.04
0.04

10.5
10.5
10.5

30.5
30.5
30.5

0
0
0

0
0
0

0
0
0

+1
-1
-1
+1
+1
-1
-1
+1

+1
-1
+1
-1
-1
+1
-1
+1

+1
+1
-1
-1
-1
-1
+1
+1

X 1X 2X3
-1
+1
+1
-1
+1
-1
-1
+1

Respuesta
Y
94.0
94.0
94.6
92.2
92.5
92.5
93.2
92.1
92.5
92.4
92.4

Promedio general (excepta puntos en el centro) Y = 93.1375

Con los datos obtenidos se calcula el efecto para cada una de las variables e interacciones, como sigue:
X1
X2
X3
X 1 X2
X1 X3
X 2X 3
X1X 2X 3

-0.87

-0.22

-1.12

Tabla 14: Anlisis de la Varianza para el ejemplo.

Fuente
SS
g.l.

-0.87

MS

0.32

0.37

.0325

Fo
Colector

X1

1.5313

1.5313

459.375

X2

0.1013

0.1013

30.375

X3

2.5313

2.5313

759.375

% slidos

X1 X2

1.5313

1.5313

459.375

Colector-pH

X1 X3

0.2112

0.2112

63.375

Colector-%sl.

X2 X3

0.2813

0.2813

84.375

pH-%Slid.

X1 X2 X3

0.2112

0.2112

63.375

Colector-pH-% sl.

Curvatura
Error
Total

1.0819
0.0067
7.4873

1
2
10

1.0819
0.0033

324.556

F(; glT , glE ) = F(0.01; 1, 2) = 98.5

pH

15

0 .87
1 .12
0 .87
X 1
X 3
X1X 2
2
2
2

Y =93 .1375

Y =93 .1375 0.435 X 1 0 .56 X 3 0 .435 X 1 X 2

Siendo el efecto de la curvatura muy significativo, se concluye que la regin ptima se encuentra en el
centro del diseo. Con estos resultados, el investigador decide aplicar un diseo de escalamiento. Adems, en
razn de la significacin de la interaccin X1X2 es de esperar que el pH tambin tenga significacin en el
proceso, por lo que se le deber incluir en la etapa de escalamiento.
Anlisis de residuos
N

X1

X3

X1 X 2

Yr

1
2
3
4
5
6
7
8

-1
+1
-1
+1
-1
+1
-1
+1

-1
-1
-1
-1
+1
+1
+1
+1

+1
-1
-1
+1
+1
-1
-1
+1

94.0
94.0
94.6
92.2
92.5
92.5
93.2
92.1

Y Y

SSM R =
i = 1 Nr I

93.7
93.7
94.575
92.825
92.575
92.575
93.45
91.70

R = (Yr - Y )
0.3
0.3
0.025
-0.625
-0.075
-0.075
-0.25
-0.4

Nr

SSM R =

Fo =

0.20125
= 0.20125
84

SSM R 0.20125
=
= 60.985
MS Error 0.0033

El modelo es adecuado si: Fo < F(; gl R , glE ). En el ejemplo: = 0.01; glR = 4; , glE = 2
F(0.05; 4, 2 ) = 99.25. Entonces el modelo matemtico ajusta adecuadamente los datos experimentales.
6 Ejemplo de diseo factorial fraccionado
En la investigacin para optimizar un proceso de flotacin de un mineral sulfurado de cobre, se investiga la
influencia de cuatro factores: tiempo de molienda, pH, dosificacin del colector y dosificacin del espumante. En
el siguiente cuadro se muestran los valores a considerar durante el experimento:
Factor
Z1: Tiempo de molienda, min
Z2: pH
Z3: Colector, lb/Ton (Z-200)
Z4: Espumante, lb/ton (Dowfroth 200)

Nivel (-)
5.0

Nivel (0)
6.5

Nivel (+)
8.0

8.5

9.5

10.5

0.1

0.15

0.20

0.2

0.30

0.40

Para las 4 variables (k=4), se puede utilizar un diseo 24-1 = 8 experimentos. El diseo se lleva a cabo con
tres rplicas en el centro. La variable codificada X4 se reemplaza por los valores codificados correspondientes a la
interaccin X1X2X3 ya que esta interaccin tiene muy pocas probabilidades de ser importante.

16

Tabla 14: Matriz del diseo factorial fraccionado con rplicas en el centro y respuestas.
Z4
N
X1 X2 X3 X 4 X1X2 X 1X 3 X1X4
Z1
Z2
Z3
t, min.
pH
Colect, Espum.
lb/ton
lb/ton
1
-1
-1
-1
-1
+1
+1
+1
5
8.5
0.1
0.2
2
+1
-1
-1
+1
-1
-1
+1
8
8.5
0.1
0.4
3
-1
+1
-1
+1
-1
+1
-1
5
10.5
0.1
0.4
4
+1 +1
-1
-1
+1
-1
-1
8
10.5
0.1
0.2
5
-1
-1
+1 +1
+1
-1
-1
5
8.5
0.2
0.4
6
+1
-1
+1
-1
-1
+1
-1
8
8.5
0.2
0.2
7
-1
+1 +1
-1
-1
-1
+1
5
10.5
0.2
0.2
8
+1 +1 +1 +1
+1
+1
+1
8
10.5
0.2
0.4
9
9
9

0
0
0

0
0
0

0
0
0

0
0
0

6.5
6.5
6.5

9.5
9.5
9.5

87.7
90.4
87.5
92.0
84.0
86.4
85.0
88.2

0.15
0.15
0.15

0.3
88.9
0.3
88.7
0.3
88.5
Promedio general (excepta puntos en el centro) Y = 87.65
o

Promedio para pruebas en el centro Y = 88.70

De la Tabla 14 se deduce que X 4 = X1X2X 3 , X1X2 = X3X 4 ; X 1X 3 = X2X4 ; X1X4 = X 2X 3
Con los datos obtenidos se calcula el efecto para cada una de las variables e interacciones, como sigue:
X1
3.2

X2
1.05

X3
-3.5

X4
-0.25

X1 X2

X 1X 3

X1 X4

0.65

-0.1

0.35

Siguiendo el proceso de clculo arriba sealado, es decir calculando:

SS Efecto

X ij Yj
i =1

=
Nr
no

SS Error = Yi o Y
i =1

SSCurvatura =

N no Y Y

o 2

N + no
se construye la Tabla del anlisis de la varianza.

Tabla 15: Anlisis de la Varianza para el ejemplo.

Fuente
SS
g.l.

MS

Fo

X1

20.48

20.48

512.0

Tiempo

X2

2.205

2.205

55.125

pH

X3

24.50

24.50

612.5

Colector

X4

0.125

0.125

3.125

Espumante

X1 X2

0.845

0.845

21.125

X1 X3

0.32

0.32

8.0

X1 X4

0.245

0.245

6.125

Curvatura
Error
Total

2.405
0.08
51.205

1
2
10

2.405
0.04

61.125

F(; glT , glE ) = F(0.01; 1, 2) = 98.5

El modelo matemtico es:

17

Y = 87.65 +

3.2
3.5
X1
X3
2
2

Y = 87.65 + 165
. X 1 175
. X3

Anlisis de residuos

X1

X3

Yr

R = (Yr - Y )

1
2
3
4
5
6
7
8

-1
+1
-1
+1
-1
+1
-1
+1

-1
-1
-1
-1
+1
+1
+1
+1

87.7
90.4
87.5
92.0
84.0
86.4
85.0
88.2

87.8
91.0
87.8
91.0
84.3
87.5
84.3
87.5

-0.1
-0.6
-0.3
1.0
-0.3
-1.1
0.7
0.7

Y Y

SSM R =
i = 1 Nr I

Nr

SSM R =

Fo =

3.74
= 0.748
8 3

SSM R 0.0748
=
= 18.70
MS Error
0.04

El modelo es adecuado si: Fo < F(; glR , glE ).; F(0.05; 5, 2 ) = 19.30. Entonces el modelo matemtico ajusta
adecuadamente los datos experimentales.
7. Diseos de Plackett - Burman
Este diseo desarrollado por Plackett y Burman en 1946 permite estudiar un gran nmero de variables,
reducindolas luego a un grupo pequeo para posterior experimentacin. Es un tipo especial de diseo factorial
fraccionado, donde se puede estudiar k variables en N pruebas experimentales, donde N > k y otorga la
posibilidad de experimentar con N-1 variables. El modelo contempla el uso de las denominadas variables
ficticias (no representan a ninguna variable experimental) y se utilizan para determinar la varianza del error
experimental. Por esta ltima razn, es conveniente introducir en el diseo por lo menos 2 variables ficticias.
Para construir un diseo de P-B, se toma un vector de tamao n determinado y con el se generan los
restantes vectores. Por ejemplo, si n = 8 combinaciones, el vector generador consiste de n-1 = 7 valores que son :
(+ + + - + - -). La matriz de diseo se completa como sigue:
a) Utilizar el vector generador como la primera fila, n1
b) La segunda fila, n2, se llena tomando el primer valor de n1 y colocndolo en el ltimo lugar de la fina n2 y
deslizando luego los dems valores de n1 delante de ese primer valor.
c) La tercera fila, n3, se construye utilizando el ltimo valor de la fila n2 y colocndolo en el ltimo lugar de la
fila n3 y deslizando a partir de ese los restantes valores de n2 .
d) Continuar hasta que todas las (n-1) filas se completen.
e) Completar la fila n con valores negativos (-1)
Los vectores generadores para los diversos diseos P-B son como sigue:
n=8 + + + - + - n = 12 + + - + + + - - - + n =16 + + + + - + - + + - - + - - n = 20 + + - - + + + + - + - + - - - - + + n = 24 + + + + + - + - + + - - + + - - + - + 1

10 11 12 13 14 15 16 17 18 19 20 21 22 23

Obsrvese que los valores de n son mltiplos de 4 y el total de variables a experimentar (inclusive las
variables ficticias) es igual a n-1.

18
Supngase que se quiere experimentar con 4 variables (k=4), el nmero de pruebas es n = 8 y el total de
variables a considerar es n-1 = 7, segn la Tabla 16. Obsrvese que si son 4 variables reales y 7 el total de
variables a considerar, entonces 3 variables sern ficticias.
Tabla 16: Diseo P-B con 4 variables reales, 3 variables ficticias y 8 pruebas
N
X1
X2
X3
X4
F1
F2
F3
1
2
3
4
5
6
7
8

+
+
+
+
-

+
+
+
+
-

+
+
+
+
-

+
+
+
+
-

+
+
+
+
-

+
+
+
+
-

+
+
+
+
-

Ahora supngase que se desea experimentar con 8 variables. Se escoge un diseo P-B con 12 pruebas y 11
variables. La matriz codificada se da en la Tabla 9.17.
Tabla 17: Diseo P-B con 8 variables reales, 3 variables ficticias y 12 pruebas
N

X1

X2

X3

X4

X5

X6

X7

X8

F1

F2

F3

1
2
3
4
5
6
7
8
9

+
+
+
+
+
+
-

+
+
+
+
+
+
-

+
+
+
+
+
+
-

+
+
+
+
+
+
-

+
+
+
+
+
+
-

+
+
+
+
+
+
-

+
+
+
+
+
+

+
+
+
+
+
+
-

+
+
+
+
+
+
-

+
+
+
+
+
+
-

+
+
+
+
+
+
-

10
11
12

8.1. Ejemplo de diseo P-B

En el estudio de separacin de Molibdeno del concentrado bulk Cu-Mo se parte de las siguientes premisas:
- El NaHS acta como depresor de la chalcopiritra (CuFeS2). Se investiga el efecto del NaHS en trminos de la
estabilidad del HS-, para lo cual se controla el potencial redox de la solucin.
- El nitrgeno acta en la flotacin como agente protector que evita la oxidacin del NaHS. Se evala si el N2
ejerce algn efecto en la eficiencia de separacin.
- Se evala tambin el tiempo de acondicionamiento y el tiempo de flotacin.
Se considera los siguientes tres criterios de optimizacin:
a) Eficiencia de separacin del Molibdeno, Y1.
b) Eficiencia de concentracin, Y2.
c) Consumo de NaHS, Y3
En el siguiente cuadro se muestran los valores a considerar durante el experimento:

19

Factor
Z1: Potencial redox, mV.
Z2: Carbn activado, lb/ton

Nivel (-)
- 400

Z3:Gas
Z4: Tiempo de acondicionamiento, min.

Nivel (+)
-200

Nitrgeno

Oxgeno

10

Z5: Tiempo de flotacin, min.

Tabla 18: Diseo P-B con para flotacin de Molibdeno.

N

X1

X2
+

F1
+

X3
-

X4

X5

F2
-

Z1
-200

Z2
2

-200

-200

-400

-200

-400

-400

-400

Z3
N2
O2

Z4
5

Z5
5

Y1.
19.00

Y2.
1.48

Y3.
2.90

2.30

0.15

6.50

N2
N2

10

10.00

0.65

3.30

10

84.00

22.97

5.80

O2
O2

10

15.10

1.77

7.80

39.80

4.98

15.40

O2
N2

10

74.60

16.53

14.90

45.90

5.13

7.00

8.1.1. Evaluacin para eficiencia de separacin, Y1.

Con los datos obtenidos se calcula el efecto para cada una de las variables para eficiencia de separacin, Y1.

X1

X2

F1

X3

X4

X5

F2

-49.48

17.48

-0.96

-6.70

6.20

19.10

-4.62

Segn este cuadro, el factor ms importante es el potencial redox, (X1 ). El paso de -200 mV. a -400 mV
mejora 49.48 % la recuperacin.
Siguiendo el proceso de clculo se determina:

SS Efecto

X ij Yj
i =1

=
Nr
no

SS Error = ( EF )

i =1

donde:
EF = efecto de las variables ficticias.

SS Error = ( 0.96) 2 + ( 4.62) 2 = 22.27

MS Error =

SS Error
nF

donde:
nF = nmero de variables ficticias.
MS Error =

22.27
= 1114
.
2

Con todos esos clculos que se construye la Tabla del anlisis de la varianza.

20

Tabla 19: Anlisis de la Varianza para el ejemplo de flotacin de Molibdeno.

Fuente
SS
g.l.
MS
Fo
X1

4895.55

4895.55

X2

596.85

596.85

53.58

F1
X3

1.90

1.90

0.17

91.80

91.80

8.26

Gas

X4

78.75

78.75

7.07

Tiempo acondic

X5

735.36

735.36

66.01

42.78

3.84

F2
42.78
1
Error
22.27
2
Total
6435.34
9
F(; glT , glE ) = F(0.05; 1, 2) =18.51

439.45

Potencial redox,
Carbn activado

Tiempo flotac.

11.14

El modelo matemtico es:

Y = 36.34 24.74 X 1 + 8.64 X 2 + 9.59 X 5

Anlisis de residuos

X1

X2

X5

Yr

R = (Yr - Y )

1
2
3
4
5
6
7
8

+
+
+
+
-

+
+
+
+
-

+
+
+
+
-

19.00
2.30
10.00
84.00
15.10
39.80
74.60
45.90

10.65
10.65
12.55
79.31
12.55
42.85
79.31
42.05

8.35
-8.35
-2.55
4.70
2.55
-3.05
-4.70
3.06

Y Y

SSM R =
i = 1 Nr I

Nr

215.24
= 53.81
84
.
SSM R 5381
=
= 4.82
Fo =
.
MS Error 1114

SSM R =

El modelo es adecuado si: Fo < F(; glR , glE ).; F(0.05; 4, 2 ) = 19.25. Entonces el modelo matemtico ajusta
adecuadamente los datos experimentales.
8.1.2. Evaluacin para eficiencia de concentracin del molibdeno, Y2
Tabla 20: Diseo P-B con para flotacin de Molibdeno.
N

X1

F1
+

X3
-

X4

X5

X2
+

1
2
3
4

F2
-

Z1
-200

Z2
2

Z3
N2

Z4
5

Z5
5

Y2.
1.48

-200

0.15

-200

O2
N2

10

0.65

-400

10

22.97

-200

10

1.77

-400

-400

-400

N2
O2
O2
O2
N2

4.98

10

16.53

5.13

21
Con los datos obtenidos se calcula el efecto para cada una de las variables para eficiencia de
concentracin del molibdeno, Y2

X1

X2

F1

X3

X4

X5

F2

-11.54

7.30

-1.44

-1.85

2.04

7.40

1.11

SS Error = ( 144
. ) 2 + ( 111
. ) 2 = 3.32
MS Error =

3.32
= 1.66
2

Con todos esos clculos que se construye la Tabla del anlisis de la varianza.
Tabla 21: Anlisis de la Varianza para el ejemplo de flotacin de Molibdeno.
Fuente
SS
g.l.
MS
Fo
X1

266.34

266.34

160.44

Potencial redox,

X2

106.58

106.58

106.58

Carbn activado

F1
X3

4.18

4.18

2.52

6.84

6.84

4.12

Gas

X4

8.28

8.28

4.99

Tiempo acondic

X5

109.37

109.37

65.88

Tiempo flotac.

2.46

3.32
507.38

2
9

F2
Error
Total

2.46

1.48

1.66

F(; glT , glE ) = F(0.05; 1, 2) =18.51

El modelo matemtico es:

Y = 6.63 5.77 X 1 + 3.65 X 2 + 3.70 X 5

Anlisis de residuos

X1

X2

X5

Yr

R = (Yr - Y )

1
2
3
4
5
6
7
8

+
+
+
+
-

+
+
+
+
-

+
+
+
+
-

1.48
0.15
0.65
22.97
1.77
4.98
16.53
5.13

0.81
0.81
0.91
19.75
0.91
5.05
19.75
5.05

0.67
-0.66
-0.26
3.32
0.26
-0.07
-3.32
0.08

SSM R =

Fo =

2177
.
= 5.44
84

SSM R 5.44
=
= 3.28
MSError 166
.

El modelo es adecuado si: Fo < F(; glR , glE ).; F(0.05; 4, 2 ) = 19.25. Entonces el modelo matemtico ajusta
adecuadamente los datos experimentales.

22

8.1.3. Evaluacin para consumo de NaHS, Y3

Tabla 22: Diseo P-B con para flotacin de Molibdeno.
N

X1

F1
+

X3
-

X4

X5

X2
+

1
2
3
4

F2
-

Z1
-200

Z2
2

Z3
N2

Z4
5

Z5
5

Y3.
2.90

-200

6.50

-200

O2
N2

10

3.30

-400

10

5.80

-200

10

7.80

-400

-400

-400

N2
O2
O2
O2
N2

15.40

10

14.90

7.00

Con los datos obtenidos se calcula el efecto para cada una de las variables para consumo de NaHS, Y3

X1

X2

F1

X3

X4

X5

F2

5.65

-0.85

2.35

6.40

0.05

0.00

-0.40

SS Error = (2.35) 2 + ( 0.40) 2 = 5.68

MS Error =

5.68
= 2.84
2

Con todos esos clculos que se construye la Tabla del anlisis de la varianza.
Tabla 23: Anlisis de la Varianza para el ejemplo de flotacin de Molibdeno.
Fuente
SS
g.l.
MS
Fo
X1

63.85

63.85

22.47

Potencial redox,

X2

1.45

1.45

0.51

Carbn activado

F1
X3

11.05

11.05

3.89

81.92

81.92

28.83

X4

0.00

0.00

0.00

Tiempo acondic

X5

0.00

0.00

0.00

Tiempo flotac.

F2
Error
Total

0.32

0.32

0.11

5.68
164.26

2.84

Gas

F(; glT , glE ) = F(0.025; 1, 2) =38.51

Con lo cual se concluye que no hay variable significativa a ese nivel de significacin. De todos modos, el gas que
se utiliza, influye en el consumo del NaHS, siendo importante en la reduccin de costos del proceso.
8.1.4. Conclusiones
De las tres evaluaciones se concluye que el potencial redox tiene importante influencia en el proceso, y
que a valores ms negativos (-400 mV) es beneficiosa para la eficiencia de separacin, as como para la
eficiencia de concentracin del molibdeno, influyendo tambin en el consumo del NaHS.
Tambin se concluye que el uso del nitrgeno es beneficioso porque reduce el consumo de NaHS.
9. Operaciones Evolutivas (EVOP) con diseos Factoriales.
Casi nunca es cierto que los procesos industriales sean operados en las mejores condiciones. A menudo el
trabajo a escala reducida en el que se basa el diseo de muchos procesos, slo proporciona una burda
aproximacin a las condiciones ptimas a utilizar en la produccin industrial. La operacin evolutiva (EVOP,
Evolutionary Operation), es una forma continua de operar un proceso productivo de forma que adems de

23
producir, genere informacin sobre como mejorarlo a base de ejecutar diseos factoriales durante la produccin.
Para evitar cambios apreciables en las caractersticas del producto se efectan pequeos cambios en los niveles
de las variables de proceso. Para determinar los efectos de estos cambios, ser pues necesario repetir varias
veces los experimentos elementales y promediar los resultados.
El mtodo EVOP esta ideado para ser llevado a cabo por los operadores del proceso en la planta, mientras
se contina manufacturando producto satisfactorio. Por lo tanto, las circunstancias son muy diferentes a las
laboratorio o planta piloto, donde:
- Hay que dedicar dinero y tiempo para investigar;
- Se puede variar muchos factores simultneamente en experimentos cuidadosamente llevados a cabo por
tcnicos especializados.
- La produccin de material invendible no es problema.
En esta situacin es aconsejable en general estudiar el mximo nmero de factores en cada diseo
manteniendo la relacin (factores estudiados)/(experimentos elementales realizados) tan alta como sea posible.
Si en cierta fase de la investigacin hay que realizar 16 experimentos elementales, en general es mejor
utilizarlos para estudiar cuatro variables en un diseo factorial 24 mejor an, estudiar 5 factores en media
fraccin de un factorial 25 , que estudiar 3 factores en un diseo 23 duplicado.
Como contraste, considerese la situacin en las que se utilizan la operacin evolutiva. En ellas:
a. Como la relacin seal/ruido se debe mantener baja, se necesita generalmente un gran nmero de
experimentos elementales para detectar los efectos de los cambios.
b. Esos experimentos elementales no son mas que operaciones necesarias para la fabricacin, que se hubiesen
hecho de cualquier modo y no representan un aumento de coste apreciable.
c. En la lnea de produccin, las cosas se deben mantener muy simples y normalmente slo es factible variar
dos o tres factores en fase de investigacin.
En estas circunstancias, es razonable utilizar diseos factoriales 22 23 replicados, a menudo aadiendo un
punto central.
A medida que se va disponiendo de los resultados, se van actualizando continuamente las medidas y los
efectos estimados y se presentan en un tabln informativo, que puede ser una pizarra corriente.
En un estudio reportado en la literatura, se plantea como objetivo disminuir el coste por tonelada de cierto
producto de una planta petroqumica. En una fase de la investigacin dos variables consideradas importantes
son:
1. La taza de reflujo de una columna de destilacin;
2. La relacin de flujo de reciclado.
Se esperaba que los cambios de la magnitud planeada introduciran efectos transitorios que desapareceran
en 6 horas. Se dejaron 18 horas ms de operacin en condiciones estacionarias para hacer las mediciones
necesarias.
La respuesta que se evala es el costo medio por tonelada. El diseo empleado fue un factorial de 22 con un
punto central. Los resultados al final de la Fase I se muestran en la Tabla 24 y son medidas obtenidas luego de 5
repeticiones
.
Tabla 24: Experimentacin EVOP de una planta petroqumica. Fase I
Relacin
Reflujo
6.7
6.7
7.1
7.1
6.9

Efectos y
errores tipo

Flujo
Reciclado.
7.5
8.0
7.5
8.0
7.75

Costo por tonelada

92
86
95
91
92

Relacin Reflujo

Flujo Reciclado.

Interaccin

4.0 1.5

5.0 1.5

1.0 1.5

En este momento se consider que haba suficientes pruebas para justificar un cambio a menor relacin de
flujo y mayor reciclado. La fase II se abordo con cinco ciclos ms, que confirma que se consiguen costos ms
bajos, como se observa en la Tabla 9.25.

24

Tabla 25: Experimentacin EVOP de una planta petroqumica. Fase II

Relacin
Reflujo
5.9
5.9
6.7
6.7
6.3

Efectos y
errores tipo

Flujo
Reciclado.
8.0
8.5
8.0
8.5
8.25

Costo por tonelada

83
80
84
81
82

Relacin Reflujo

Flujo Reciclado.

Interaccin

1.0 1.0

3.0 1.0

0.0 1.0

Con los cambios realizados se ensayaron con valores an ms altos para reciclado, lo cual motiv la fase III,
Tabla 26; esta fase concluy despus de 4 ciclos y condujo a la conclusin de que el costo ms bajo se obtiene
con un valor de reflujo cercano a 6.3 y un reciclado de alrededor de 8.5, con un costo por tonelada de 80 libras.
Tabla 26: Experimentacin EVOP de una planta petroqumica. Fase I
Relacin
Reflujo
5.9
5.9
6.7
6.7
6.3

Efectos y
errores tipo

Flujo
Reciclado.
8.25
8.75
8.25
8.75
8.5

Costo por tonelada

84
86
83
85
80

Relacin Reflujo

Flujo Reciclado.

Interaccin

-1.0 1.5

2.0 1.5

0.0 1.5