I

n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

1
Tipo de Diseo de Experimentos
Experimentacin
posible
No es posible
experimentar
Diseos
Activos
Diseos
Pasivos
No se tiene
Informacin
Histrica
Se tiene
Informacin
Histrica
Caracterizacin Data Minning
Factores
Independientes
Factores
Interdependientes
Diseos
Factoriales
Con
Restricciones
Sin
Restricciones
Dependencia
Parcial
(B depende
de A, pero
A no depende
de B)
Diseos
D-Optimal
Diseos
Ortogonales
Diseos
Anidados
Diseos de
Mezclas
a b
Interdependencia
de algunos
Todos los
factores
Unidad V:DISEOS FACTORIALES 2
k






I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

2
Diseos
Ortogonales
a
De filtraje
De Caracterizacin
Diseos
Factorial
Completo
(2
k
)
De Optimizacin
<5
Factores
4-15
Factores
> 15
Factores
D
i
s
e

o
s

P
l
a
c
k
e
t
t
-
B
u
r
m
a
n

D
i
s
e

o
s

T
a
g
u
c
h
i

Diseos
Factorial
Fraccionado
(2
k-p
)
E
j
e
c
u
c
i

n

I
n
i
n
t
e
r
r
u
m
p
i
d
a

E
j
e
c
u
c
i

n


e
n

p
a
r
t
e
s

2
k

n
o

B
l
o
q
u
e
a
d
o

2
k


B
l
o
q
u
e
a
d
o

E
j
e
c
u
c
i

n

I
n
i
n
t
e
r
r
u
m
p
i
d
a

E
j
e
c
u
c
i

n


e
n

p
a
r
t
e
s

2
k
-
p

n
o

B
l
o
q
u
e
a
d
o

2
k
-
p


B
l
o
q
u
e
a
d
o

d
Diseos de
Superficie de
Respuesta
Diseos
con
Punto
Central
Diseos a 2 niveles Factores
con ms de
2 niveles
<4
Factores
> 4
Factores
D
i
s
e

o
s

F
a
c
t
o
r
i
a
l

c
o
m
p
l
e
t
o

g





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

3
Diseos de
caracterizacin
g
Diseos Factorial
Completo
Con punto central
<5
Factores
4-15
Factores
> 15
Factores
D
i
s
e

o
s

P
l
a
c
k
e
t
t
-
B
u
r
m
a
n

C
o
n

p
u
n
t
o

c
e
n
t
r
a
l

T
o
d
o
s

l
o
s

f
a
c
t
o
r
e
s

C
o
n

2

n
i
v
e
l
e
s

Diseos Factorial
Fraccionado
Con punto central
E
j
e
c
u
c
i

n

I
n
i
n
t
e
r
r
u
m
p
i
d
a

E
j
e
c
u
c
i

n


e
n

p
a
r
t
e
s

2
k

c
o
n

p
u
n
t
o

C
e
n
t
r
a
l

n
o

B
l
o
q
u
e
a
d
o

2
k

c
o
n

p
u
n
t
o

C
e
n
t
r
a
l


B
l
o
q
u
e
a
d
o

2
k
-
p

c
o
n

p
u
n
t
o

C
e
n
t
r
a
l

n
o

B
l
o
q
u
e
a
d
o

2
k
-
p

c
o
n

p
u
n
t
o

C
e
n
t
r
a
l


B
l
o
q
u
e
a
d
o

E
j
e
c
u
c
i

n

I
n
i
n
t
e
r
r
u
m
p
i
d
a

E
j
e
c
u
c
i

n


e
n

p
a
r
t
e
s






I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

4
Diseos de
Superficie de Respuesta
d
Todos los factores
son continuos
Hay factores
discretos
Diseo Central
Compuesto
Diseo axial
(CCD)
E
j
e
c
u
c
i

n

I
n
-
i
n
t
e
r
r
u
m
p
i
d
a

E
j
e
c
u
c
i

n


e
n

p
a
r
t
e
s

C
C
D

n
o

B
l
o
q
u
e
a
d
o

C
C
D


B
l
o
q
u
e
a
d
o

2
Factores
> 2
Factores
Diseo Central Factorial
Diseo Centrado en las caras
(CCF)
D
i
s
e

o


B
o
x
-
B
e
h
n
k
e
n

E
j
e
c
u
c
i

n

I
n
-
i
n
t
e
r
r
u
m
p
i
d
a

E
j
e
c
u
c
i

n


e
n

p
a
r
t
e
s

C
C
F

n
o

B
l
o
q
u
e
a
d
o

C
C
F


B
l
o
q
u
e
a
d
o






I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

5
Diseos de
Mezclas
Con
Restricciones
Sin Restricciones
Diseos
Vrtices
Extremos
Diseos Simplex
b
De filtraje De Caracterizacin De Optimizacin
Diseos
Simplex-Lattice
Diseos Simplex-Lattice
Aumentado
Diseos Simplex
Centroide
D
i
s
e

o


S
i
m
p
l
e
x
-
L
a
t
t
i
c
e

S
i
n

f
a
c
t
o
r
e
s


d
e

P
r
o
c
e
s
o

T
o
d
o
s

l
o
s


f
a
c
t
o
r
e
s

s
o
n

d
e
p
e
n
d
i
e
n
t
e
s

A
l
g
u
n
o
s


f
a
c
t
o
r
e
s

s
o
n

I
n
d
e
p
e
n
d
i
e
n
t
e
s

S
i
m
p
l
e
x
-
L
a
t
t
i
c
e

+

F
a
c
t
o
r
i
a
l

2
k

S
i
m
p
l
e
x
-
L
a
t
t
i
c
e

+

F
a
c
t
o
r
i
a
l

2
k
-
p

<5
F.I.*
>3
F.I.*
D
i
s
e

o

V

r
t
i
c
e
s

E
x
t
r
e
m
o
s

S
i
n

f
a
c
t
o
r
e
s


d
e

P
r
o
c
e
s
o

T
o
d
o
s

l
o
s


f
a
c
t
o
r
e
s

s
o
n

d
e
p
e
n
d
i
e
n
t
e
s

A
l
g
u
n
o
s


f
a
c
t
o
r
e
s

s
o
n

I
n
d
e
p
e
n
d
i
e
n
t
e
s

V

r
t
i
c
e
s

E
x
t
r
e
m
o
s

+

F
a
c
t
o
r
i
a
l

2
k

V

r
t
i
c
e
s

E
x
t
r
e
m
o
s

+

F
a
c
t
o
r
i
a
l

2
k
-
p

<5
F.I.*
>3
F.I.*
S
i
m
p
l
e
x
-
L
a
t
t
i
c
e

A
u
m
e
n
t
a
d
o

S
i
n

f
a
c
t
o
r
e
s


d
e

P
r
o
c
e
s
o

T
o
d
o
s

l
o
s


f
a
c
t
o
r
e
s

s
o
n

d
e
p
e
n
d
i
e
n
t
e
s

A
l
g
u
n
o
s


f
a
c
t
o
r
e
s

s
o
n

I
n
d
e
p
e
n
d
i
e
n
t
e
s

S
.
L
.
*
*

A
u
m
e
n
t
a
d
o


+

F
a
c
t
o
r
i
a
l

2
k

S
.
L
.
*
*

A
u
m
e
n
t
a
d
o

+

F
a
c
t
o
r
i
a
l

2
k
-
p

<5
F.I.*
>3
F.I.*
D
i
s
e

o

S
i
m
p
l
e
x
-
C
e
n
t
r
o
i
d
e

S
i
n

f
a
c
t
o
r
e
s


d
e

P
r
o
c
e
s
o

T
o
d
o
s

l
o
s


f
a
c
t
o
r
e
s

s
o
n

d
e
p
e
n
d
i
e
n
t
e
s

A
l
g
u
n
o
s


f
a
c
t
o
r
e
s

s
o
n

I
n
d
e
p
e
n
d
i
e
n
t
e
s

S
i
m
p
l
e
x
-
C
e
n
t
r
o
i
d
e

+

F
a
c
t
o
r
i
a
l

2
k

S
i
m
p
l
e
x
-
C
e
n
t
r
o
i
d
e

+

F
a
c
t
o
r
i
a
l

2
k
-
p

<5
F.I.*
>3
F.I.*





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

6
Unidad V:DISEOS FACTORIALES 2
k

Al estudiar la mejora de procesos industriales es usual
encontrar que muchos factores pueden influir en la variable
respuesta. En estos casos la utilizacin de experimentos
completos tiene el inconveniente de necesitar un nmero
elevado de observaciones y puede ser una estrategia
ineficaz, pues por lo general, muchos de los factores en
estudio no son influyentes y mucha informacin recogida no
es relevante.





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

7
Unidad V:DISEOS FACTORIALES 2
k

En este caso puede ser mejor utilizar una tcnica
secuencial donde se comienza por evaluar todos los
factores para cribarlos y segn los resultados que se
obtienen se eligen los factores influyentes para estudiar en
detalle en una segunda etapa.





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

8
Unidad V:DISEOS FACTORIALES 2
k

Para estudiar la influencia de dos o ms factores, es
conveniente recurrir a mtodos multifactoriales que sirven
para cribar o tamizar el proceso, esto es, determinar cuales
de los factores incluidos en el diseo, son relevantes para el
proceso. Los diseos factoriales pueden ser: diseo factorial
completo, factorial fraccionado, diseo de Plckett y
Burmann, y la modificacin a diseos factoriales con replicas
en el punto central.





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

9
Unidad V:DISEOS FACTORIALES a dos
niveles. 2
k

El objetivo principal de una primera etapa de
optimizacin es la identificar aquellas variables que
tengan gran influencia en el proceso. Para esta fase, los
diseos de seleccin o screening son los ms
recomendados.

Este tipo de diseos proveen la manera de reducir el
tiempo y el costo experimental.

Son apropiados cuando algunas de las variables tienen
sus efectos principales o interacciones poco
significativas.





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

10
Diseos factoriales a dos niveles
Estos diseos se planean de forma que se varan
simultneamente varios factores pero sin que cambien
siempre en la misma direccin, para evitar experimentos
redundantes. Esto permite obtener la informacin con el
mnimo nmero de experimentos (y por tanto, con el menor
coste) y con la menor incertidumbre posible (porque los
errores aleatorios de las respuestas se promedian).





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

11
Diseos factoriales a dos niveles
El diseo factorial mas usado es aquel que tiene k factores,
cada uno con dos niveles. Estos niveles pueden ser
cuantitativos como sera el caso de dos valores de
temperatura presin o tiempo. Tambin pueden ser
cualitativos como sera el caso de dos mquinas, dos
operadores, los niveles "superior" e "inferior" de un factor, o
quizs, la ausencia o presencia de un factor.





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

12
Diseos factoriales a dos niveles
Estos diseos se conocen como factorial 2
k
.
Los diseos factoriales 2
k
, son diseos en los que se trabaja
con k factores, todos ellos con dos niveles; mximo (+) y
mnimo (-).





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

13
Diseos factorial completo 2K
A
B
BAJO
ALTO
ALTO
BAJO
A B
1 - -
2 + -
3 - +
4 + +
Representacin
Grfica
Representacin
Tabular
ALTO
ALTO
ALTO BAJO
BAJO
BAJO
B
A
C
Factor

Prueba A B C

1 - - -
2 + - -
3 - + -
4 + + -
5 - - +
6 + - +
7 - + +
8 + + +





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

14
Experimentos de Factoriales Completos- todas
las combinaciones
Todas las combinaciones
Temperatura Tiempo
Corrida 1: 350 1min.
Corrida 2: 350 2min.
Corrida 3: 400 1min.
Corrida 4: 400 2min.
Factores
Niveles
Bajo Alto
Temperatura 350

400
Tiempo 1min. 2min.





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

15
Nmero de Niveles
En Tres Niveles hay la necesidad de ejecutar ms
pruebas, sin embargo, nos permite buscar la curvatura,
es decir, los efectos cuadrticos.
En Dos Niveles nos permite considerar nicamente
los efectos lineales.
1 2
y
2 Niveles
1 2 3
y
3 Niveles





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

16
Diseos de Dos Niveles
Una estrategia que frecuentemente se emplea es
la de considerar un gran nmero de factores,
cada uno dispuesto en dos niveles para identificar
los factores que son significativos.





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

17
Determinacin del Nmero de
Combinaciones de Prueba
El nmero de combinaciones de prueba
para un factorial completo con factores k,
cada uno en dos niveles es:
k
2 n =
Por lo tanto, a estos diseos se les conoce como diseos .
k
2





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

18
Codificacin de los
Niveles de los Factores
Los niveles de los factores para los diseos 2
k
se codifican como: Nivel bajo = -1 Nivel alto = +1
Minitab puede manejar
diseos hasta .
7
2
Diseo :
2
2
Corrida
A B
1 -1 -1
2 +1 -1
3 -1 +1
4 +1 +1
Diseo :
3
2
Corrida
A B C
1 -1 -1 -1
2 +1 -1 -1
3 -1 +1 -1
4 +1 +1 -1
5 -1 -1 +1
6 +1 -1 +1
7 -1 +1 +1
8 +1 +1 +1





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

Matrices tpicas para diseos factoriales
19





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3


El nmero total de experimentos en este diseo esta
dado por:
N = 2
K
(ec. 1)
Donde: N, es el nmero total de experimentos, K, es el
nmero de factores o variables, y el 2 de la base indica
que cada factor toma slo dos valores
De la ec. 1 se observa que el nmero de ensayos crece
exponencialmente con el nmero de factores.
La Tabla anterior muestra las matrices de experimentos
2
2
para 2, 3 y 4 factores. Cada fila es un experimento y
cada columna es un factor estudiado
20





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

21
DOMINIO EXPERIMENTAL COMBINADO PARA DOS Y TRES
FACTORES EXPRESADO EN UNIDADES CODIFICADAS





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

22
Tipos de diseos factoriales
Diseo factorial 2
k
con replica total
Diseo factorial 2
k
con replica en el punto
central del diseo.
Confundido en el diseo factorial 2
k.

Diseos de Plackett-Burmann.






I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

23
Diseo Factorial 2
K
con rplica total
Un diseo factorial es aquel en el que se investigan todas las
posibles combinaciones de todos los niveles de los factores de 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 2
k
. El nmero total de
experimentos a llevarse a cabo viene dado por la relacin:
k
N 2 =
Donde:
k= nmero de variables;
N= nmero total de experimentos





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

24
El procedimiento para efecto de calcular el
diseo experimental, se debe seguir con el
siguiente procedimiento:

Estimacin de los efectos
Anlisis de la Varianza
Modelo Matemtico
Superficie de Respuesta

Entonces veamos un ejemplo para entender
mejor
. PROCEDIMIENTO





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

25
Ejemplo 1:
Un Ingeniero esta interesado en estudiar el efecto que tiene
sobre la recuperacin de grasa en el suero de leche dos variables
o factores independientes: La dosificacin de colector y el pH.

Supongamos que la recuperacin de la grasa est dado por la
siguiente ecuacin matemtica que simular los experimentos en
el laboratorio:
( ) | | ( ) 1 () 2 2 5 , 4 1 5 , 0 15 100 (%)
2
2
2
+ + + = ALEATORIO C C pH R





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

26
A. Estimacin de efectos
A pesar de que son muchos los factores que intervienen en el
proceso de desuerado de la leche, tales como el porcentaje de
slidos, la dosificacin del cuajo, la granulometra de los granos de
casena, temperatura, etc., para los propsitos de este ejemplo, se
selecciona las variables de dosificacin de colector y pH para la
evaluacin experimental.

Este 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 dosificacin de colector como el pH son variables
cuantificables, cuyos valores se fijan a dos niveles segn el siguiente
cuadro:
FACTOR Nivel bajo (-1) Nivel alto (+1)
Colector (lib/h) 0,4 0,8
pH 2,5 3,5





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

27
Con dos factores fijados a dos niveles, (-1 y +1), se decide utilizar un
diseo factorial completo, en donde N = 2
k
= 2
2
= 4 experimentos.

Los valores de las variables a experimentar se codifican con valores -1 y
+1, como se indica en la en la siguiente tabla:
Valores codificados Valores actuales
Prueba
#
X
1
X
2
Colector
lib/t
pH
1
2
3
4
En general, los experimentos deben ejecutarse lo ms aleatoriamente
posible, sin seguir necesariamente el orden en que la Tabla de diseo
dicta, en este caso particular ambos factores facilitan la aleatorizacin.





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

28
Con dos factores fijados a dos niveles, (-1 y +1), se decide utilizar un
diseo factorial completo, en donde N = 2
k
= 2
2
= 4 experimentos.

Los valores de las variables a experimentar se codifican con valores -1 y
+1, como se indica en la en la siguiente tabla:
Valores actuales Valores codificados
Prueba
#
Colector
lib/t
pH X
1
X
2

1 0,4 2,5 -1 -1
2 0,8 2,5 +1 -1
3 0,4 3,5 -1 +1
4 0,8 3,5 +1 +1





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

29
Con los recursos que se dispone, se decide efectuar 3 pruebas con
cada una de las 4 combinaciones, determinando la recuperacin de
grasa como la variable respuesta.

En lo posible, estas repeticiones se efectan aleatoriamente; es
decir, no repitiendo la misma combinacin 3 veces continuadas.

Los resultados obtenidos por la experimentacin se resume en la
Tabla.
Prueba
#
Colector
lib/t
pH Recuperacin
%
Promedio
1 0,4 (-1) 2,5 (-1) 75,89 77,68 76,61 76,73
2 0,8 (+1) 2,5 (-1) 94,87 95,55 95,53 95,32
3 0,4 (-1) 3,5 (+1) 15,94 16,37 15,78 16,03
4 0,8 (+1) 3,5 (+1) 54,21 52,99 54,32 53,84





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

30
Siguiendo con 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 A
(curvatura), que representa la diferencia entre los valores altos y
bajos:








(+) = (95,32 + 53,84)/2 = 74,58
(-) = (76,73 + 16,03)/2 = 46,38 (colector)

Promedio Colector
lib/t
PH
(+) 74,58 34,94 Promedio de recuperacin para valores
altos
(-) 46,38 86,02 Promedio de recuperacin para valores
bajos
+28,2 -51,08 Efecto A





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

31
Siguiendo con 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 A
(curvatura), que representa la diferencia entre los valores altos y
bajos:








(+) = (95,32 + 53,84)/2 = 74,58
(-) = (76,73 + 16,03)/2 = 46,38 (colector)

Promedio general = 60,48
Promedio Colector
lib/t
PH
(+) 74,58 34,94 Promedio de recuperacin para valores
altos
(-) 46,38 86,02 Promedio de recuperacin para valores
bajos
+28,2 -51,08 Efecto A





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

32
De esos clculos se observa el efecto del factor colector equivalente
a 28,2 %. Esto significa que el aumento del colector de 0,4 a 08 lib/h
ocasiona un aumento en la recuperacin de 28,2 %.

Similarmente, el factor efecto del pH de 51,08; es decir el aumento
de pH de 2,5 a 3,5 ocasiona una disminucin de la recuperacin de
grasa del suero de leche en 51,08 %.

El factor pH resulta ser 1,8 veces ms importante que el factor
colector en la recuperacin. A continuacin se elabora grficos con
los valores promedios obtenidos
En el caso del colector se observa
que la pendiente es positiva, lo que
significa que a mayor colector
mayor recuperacin, todo lo
contrario con el efecto del pH,
donde la pendiente es negativa
pero mayor.





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

33
Para cuantificar los efectos de interaccin, 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 .





Se puede determinar matemticamente el efecto de interaccin entre
los dos factores, utilizando la columna AB y la respuesta obtenida
por cada combinacin:
Prueba # A B AB Promedio
1 -1 -1 +1 76,73
2 +1 -1 -1 95,32
3 -1 +1 -1 16,03
4 +1 +1 +1 53,84
Valores Interaccin AB
(+) Promedio de interaccin para valores
altos
(-) Promedio de interaccin para valores
bajos
65,28 55,67 =9,61 Efecto A
28 , 65
2
84 , 53 73 , 76
=
+
67 , 55
2
03 , 16 32 , 95
=
+





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

34
El valor del efecto A para la interaccin AB, indica la interaccin que
existe entre esos dos factores. Esto se puede visualizar en el siguiente
grfico.
El siguiente paso es calcular los " efectos medios " para cada
columna. Estos " efectos medios " sern usados en la ecuacin de
prediccin a definirse posteriormente y tambin en el grfico de
Pareto que se presenta a continuacin.
Cuando la interaccin no existe,
las rectas del grfico son
paralelas.

colector pH C x pH
A / 2 28,02 / 2 = 14,01 -51,08 / 2 =-25,54 9,61 / 2 = 4,805





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

35
Las variables colector, pH, as
como la interaccin colector x
pH muestran tener una gran
influencia en el proceso de
recuperacin .
Sin embargo, a pesar de que va el diagrama de Pareto,
podemos deducir que la variable ms importante es el pH,
no podemos afirmar en base a evidencia estadstica si
realmente estos efectos son significativos, al compararlos
con el error experimental. Esto solamente puede hacerse
mediante el Anlisis de Varianza.





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

36
B. 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.

El anlisis de varianza consiste en dividir la varianza total de las 12
pruebas (en este caso), en componentes debidas al colector, al pH, a
la interaccin y al error experimental y luego comparar dichas
varianzas con la del error.

El anlisis de la varianza se inicia planteando la siguiente ecuacin
que representa a la variabilidad total de los datos en sus partes
componentes:
Error Efectos Total
SS SS SS + =
Donde:
SSTotal = Suma total de cuadrados.
SSEfectos = Suma de cuadrados debida a los tratamientos.
SSError = Suma de cuadrados debida al error





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

37
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:
Nr
Y
Y SS
ijk
r
k j i
Total
2
2
1
2
1
2
1
=

= = =
Donde:
N = nmero de pruebas experimentales.
r = nmero de replicas 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
elevadas al cuadrado dividida por el nmero total de experimentos por
el nmero de rplicas efectuadas.
En el ejemplo:
3 * 4
) 32 , 54 ... 87 , 94 89 , 75 (
) 32 , 54 ... 87 , 94 89 , 75 (
2
2 2 2
+ + +
+ + + =
Total
SS
52 , 10495
12
) 74 , 725 (
06 , 54387
2
= =
Total
SS





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

38
La suma de los cuadrados de los efectos e interacciones se da
por la siguiente relacin:


En el ejemplo:
Nr
Y X
SS
N
i
j ij
Efecto
2
1
(

=

=
92 , 1165 78 , 30 06 , 870 08 , 265
2 1 2 1
= + + = + + =
X X X X Efectos
SS SS SS SS
( ) ( ) | |
08 , 265
3 * 4
03 , 16 73 , 76 84 , 53 32 , 95
2
1
=
+ +
=
X
SS
( ) ( ) | |
06 , 870
3 * 4
32 , 95 73 , 76 84 , 53 03 , 16
2
2
=
+ +
=
X
SS
( ) ( ) | |
78 , 30
3 * 4
03 , 16 32 , 95 84 , 53 73 , 76
2
2 1
=
+ +
=
X X
SS

De la ecuacin
SSTotal = SSEfectos + SSError,

se obtienen SSError: de la siguiente
forma;
SSError = SSTotal - SSEfecto = 10495,52 1165,92 = 9329,6
Modificar a totales urgente





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

39
A travs del clculo del efecto A se observa que la variable X2
,(colector) 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:
Error
Efectos
o
MS
MS
F =
Donde:
MSEfectos = SSEfectos / glT
MSError = 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:

=

r
i
n
i
r
n
1
1
Esto es, la sumatoria de el nmero de rplicas
menos 1.

Una variable o interaccin es significativa si se
cumple la siguiente condicin:
) , ; (
E T o
gl gl a F F )





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

ANVA
40
F de V SS g.l MS Fc Fo[, 1,N(r-1) Ho
Factor A
SS
A
a-1 SS
A
/(a-1) MS
A
/MS
E


Factor B
SS
B
b-1 SS
B
/(b-1) MS
B
/MS
E



...

Interaccin
SS
AB
(a-1)(b-
1)
SS
AB
/(a-1)(b-
1)
MS
AB
/MS
E


Error
SS
E
N(r-1) SS
E
/N(r-1)

Total
SS
To
(N.r)-1






I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

41
Tabla : Anlisis de la Varianza para el ejemplo.






Para un nivel significativo o=0.01; glT = 1; glE = 8

entonces F(0.01;1,8) = 11.26.

La condicin Fo > F(o;glT,glE ) se cumple para el colector, pH y tambin
para la interaccin . Por lo tanto, todos los efectos tienen incidencia
significativa en el proceso.





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

42
Como ahora se utilizan programas de computadora para el
anlisis, como el STATGRAPHICS, por ejemplo, basta analizar
la columna correspondiente al P-value (mxima probabilidad de
cometer error tipo I).

Cuando este valor es < 0,01 se dice que el
efecto es altamente significativo.
Cuando este valor 0,01< p< 0,05, se dice que el
efecto es significativo y
Finalmente cuando 0,05< p <0,1 se dice que el
efecto es probablemente significativo.


De la tabla podemos concluir entonces que todos los efectos
son altamente significativos porque sus respectivos p<0,01.





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

43
C. Modelo Matemtico
En el proceso de recuperacin de grasa, el modelo matemtico incluir
los tres componentes, pues todos tienen incidencia significativa en el
proceso.
Con estas consideraciones, el modelo matemtico queda definido de la
siguiente manera, el cual se obtiene mediante regresin mltiple lineal:
pH x C pH C R 1 , 96 08 , 51 5 , 70 42 , 171 (%) + + =
97 , 99
2
= R
El modelo tiene un coeficiente de correlacin de 99,97, lo que significa
que los resultados de las recuperaciones obtenidas en las diferentes
pruebas quedan explicadas en un 99,97% por la dosificacin de colector
y del pH.
Por lo tanto podemos afirmar que el modelo propuesto es adecuado.





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

44
A continuacin se muestra en una tabla la capacidad de
pronstico del modelo propuesto.






I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

45
D. Superficie Respuesta
La representacin grfica del modelo matemtico propuesto se
denomina superficie respuesta. En esta representacin podemos
observar visualmente los rangos de dosificacin de colector y de pH
adecuados para obtener una determinada recuperacin.





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

EJEMPLO
El departamento de control de calidad de una
fbrica enlatados en el rea de recubrimientos
metlicos, encuentra que la capa de nquel de
sus productos no tiene el espesor adecuado.
El equipo, por experiencia conoce que esto
depende de la temperatura y el tiempo de
bao, y desea evaluar los efectos. Siendo los
resultados los siguientes:
46





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

47
Factor Nivel (-) Nivel (+)
Temperatura (C) 16 32
Tiempo (seg) 4 12
Prueba
X1 X2
Espesor Obtenido (micropulgadas)
1 -1 -1 116,1 116,9 112,6 118.7 114,9
2 -1 1 116,5 115,5 119,2 114.4 118,3
3 1 -1 106,7 107,5 105,2 107.1 106,5
4 1 1 123,2 125,1 124,5 124.7 124.3





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

48
Diseo factorial 2
k
con rplica en el
punto central del diseo
El diseo factorial 2
k
con rplicas en todos los puntos asume
que la relacin entre las variables y la respuesta es
representada por un modelo matemtico .

De ser cierta la linealidad, el modelo debe predecir
adecuadamente todos los puntos del diseo, inclusive el punto
central.

Aunque no se verifica linealidad perfecta, el modelo funcionar
bastante bien si la linealidad se cumple de manera aproximada.





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

ANVA
El anlisis de la varianza en este caso implica el clculo de:
SS
Efectos
= Suma de cuadrados debida a los tratamientos.
SS
Error
= Suma de cuadrados debida al error.
SS
Curvatura
= Suma de cuadrados debida a la curvatura.
SS
To
= SSEfectos + SSError + SScurvatura
la sumatoria del cuadrado de curvatura (SScurvatura) se
calcula mediante la relacin:

49





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

50
Donde: N = numero total de pruebas.
n
o
= numero de replicas en el punto central.
= gran promedio de los puntos exteriores.
= promedio de las repeticiones en el centro

Nr
Y X
SS
N
i
j ij
Efecto
2
1
|
.
|

\
|
=

=
La suma de cuadrados de los efectos e interacciones se da por la siguiente
relacin:
que se aplica para cada variable.
( )

=
=
o
n
i
o
o
i Error
Y Y SS
1
2
= rplicas en el punto central del diseo.
n
o
= nmero de rplicas en el centro.
= promedio de las rplicas en el centro.

o
i
Y
o
Y





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

51
Cuadrados g.l MS Fc Ft Ho
SSA 1 SSA/1 MSA/MSE
SSB 1 SSB/1 MSB/MSE
SSEfectos 1 SSEfectos/1 MSEfec/MS
E

SSCurvatura 1 SSCurv/1 MSCurv/MS
E

SSE
no-1
SSE/1
SSTo
N-no
SSTo
Si el efecto de curvatura es significativo, significa que la suposicin de linealidad
no era correcta, y que el modelo debe tomar la forma:
Y = o +
1
X
1
+X
2
2
+ X
1
X
2
2

Y para su deduccin hay que recurrir a un diseo central compuesto y deben
adicionarse nuevos puntos de experimentacin.





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

52
De no predecir adecuadamente el modelo,
especialmente en el punto central, se afirma que el
modelo no es suficiente para explicar la respuesta 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.
Figura : Modelo lineal fijado a nivel bajo y alto, con probable curvatura
en el centro.





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

53
Ejemplo:
Un ingeniero esta interesado en estudiar el efecto que tiene
sobre la recuperacin de casena del suero queso dos
variables o factores independientes: La dosificacin de
fermento y el uso de acidos/bases fuertes (pH).
Supongamos que la recuperacin de la casena est dado
por la siguiente ecuacin matemtica que simular los
experimentos en el laboratorio:
( ) | | ( ) 1 () 2 2 5 , 4 1 5 , 0 15 100 (%)
2
2
2
+ + + = ALEATORIO C C pH R
Tanto la dosificacin de fermento como la variacin del pH son variables
cuantificables, cuyos valores se fijan a dos niveles segn el siguiente
cuadro:
FACTOR Nivel bajo (-1) Nivel alto (+1)
Fermento (lib/t) 0,4 0,8
pH 2,5 3,5





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

54
Debido a que el ingeniero duda de la suposicin de
linealidad, decide utilizar un diseo 2
2
, con una sola prueba
en cada punto externo del diseo y 3 rplicas en el punto
central.
Figura : Diseo factorial con
rplica en el centro del diseo
La tabla siguiente muestra los valores
actuales y codificados del diseo.
64,89
65,52
65,75
Prueba
#
Fermento
lib/t
pH Recuperacin
%
1 0,4 (-1) 2,5 (-1) 71,48
2 0,8 (-1) 2,5 (+1) 88,56
3 0,4 (+1) 3,5 (-1) 24,72
4 0,8 (+1) 3,5 (+1) 57,26
5 0,6 (0) 3,0 (0) 64,89
5 0,6 (0) 3,0 (0) 65,52
5 0,6 (0) 3,0 (0) 65,75
Promedio general (excepta los puntos en el centro) = 60.505
Tabla: Matriz del diseo con rplicas en el centro





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

55
A. Estimacin de Efectos
El procedimiento del clculo de los efectos es el mismo que en el caso
anterior, excepto que no se toma en cuenta los puntos centrales; es
decir, se contina determinando el promedio de los valores altos y el
promedio de los valores bajos para cada variable. Luego se calcula el
efectoA, que representa la diferencia entre los valores altos y bajos:
Promedio Colector
lib/t
PH
(+) 72,91 40,99 Promedio de recuperacin para valores altos
(-) 48,10 80,02 Promedio de recuperacin para valores bajos
+24,81 -39,03 Efecto A
De esos clculos se observa el efecto del factor colector equivalente a
24,81 %. Esto significa que el aumento del fermento de 0,4 a 0,8 lib/t
ocasiona un aumento en la recuperacin de 24,81 %. Similarmente, el
factor efecto del pH es de 39,03; es decir el aumento de pH de 2,5 a 3,5
ocasiona una disminucin de la recuperacin de casena en 39,03 %. El
factor pH resulta ser 1,6 veces ms importante que el factor colector en
la recuperacin de casena.





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

56
A continuacin se elabora grficos con los valores promedios
obtenidos, donde se puede ver la tendencia de los efectos de cada
factor sobre la recuperacin.

En el caso del colector se observa que la pendiente es positiva, lo
que significa que a mayor colector mayor recuperacin, todo lo
contrario con el efecto del pH, donde la pendiente es negativa pero
mayor.





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

57
Para cuantificar los efectos de interaccin, se elabora una Tabla con
las variables codificadas 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
Prueba
#
A B AB Promedio
1 -1 -1 +1 71,48
2 +1 -1 -1 88,56
3 -1 +1 -1 24,72
4 +1 +1 +1 57,26
Se puede determinar matemticamente el efecto de interaccin
entre los dos factores, utilizando la columna AB y la respuesta
obtenida por cada combinacin, as tenemos:





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

58
El valor relativamente alto del
efecto A para la interaccin
AB, indica la fuerte interaccin
que existe entre esos dos
factores.
Esto se puede visualizar en el
siguiente grfico. Cuando la
interaccin no existe, las rectas
del grfico son paralelas.
Valores
Interaccin AB
(+) Promedio de interaccin para valores
altos
(-) Promedio de interaccin para valores
bajos
64,37 56,64 =7,73 Efecto A
37 , 64
2
26 , 57 48 , 71
=
+
64 , 56
2
72 , 24 56 , 88
=
+
Figura: Comportamiento de la interaccin
colector x pH sobre la recuperacin





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

59
El siguiente paso es calcular los "efectos medios " para cada
columna.




Estos "efectos medios " sern usados en la ecuacin de prediccin a
definirse posteriormente y tambin en el grfico de Pareto que se
presenta a continuacin.
colector pH C x pH
A / 2 24,81 / 2 = 12,41 -39,03 / 2 =-19,52 7,73 / 2 = 3,87





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

60
B. Anlisis de la varianza
El anlisis de la varianza difiere algo del efectuado cuando se realizan
rplicas en cada punto del diseo. Implica el clculo de:

SS Efectos = Suma de cuadrados debida a los tratamientos.
SS Error = Suma de cuadrados debida al error.
SS Curvatura = Suma de cuadrados debida a la curvatura.

La suma de los cuadrados de los efectos e interacciones se da por la
siguiente relacin:
Nr
Y X
SS
N
i
j ij
Efecto
2
1
|
.
|

\
|
=

=
( )

=
=
O
n
i
i Error
Y Y SS
1
2
0 0
Donde:
= rplicas en el punto central del diseo.
n
o
= nmero de rplicas en el centro.
= promedio de todas las rplicas.
0
i
Y
0
Y
= promedio de puntos
exteriores del diseo.
Y





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

61
En el ejemplo la suma de cuadrados debida a los tratamiento es :
( ) ( ) | |
536 , 615
) 1 )( 4 (
72 . 24 48 . 71 26 . 57 56 . 88
2
=
+ +
=
pH
SS
( ) ( ) | |
34 , 1523
) 1 )( 4 (
56 . 88 48 . 71 26 . 57 72 . 24
2
=
+ +
=
C
SS
( ) ( ) | |
75 , 59
) 1 )( 4 (
72 , 24 56 , 88 26 , 57 48 , 71
2
=
+ +
=
pH C
SS
La suma de cuadrados del error:
= 65,39


G l E =(n
o
-1) = 3 - 1 = 2; (grados de libertad del error)

La suma de cuadrados
debida a la curvatura:
0
Y
( ) ( ) 3964 , 0 39 , 65 75 , 65 39 , 65 52 , 65 ) 39 , 65 89 , 64 (
2 2
2
= + + =
Error
SS
91 , 40
3 4
) 39 , 65 505 , 60 )( 3 )( 4 (
2
=
+

=
Curvatura
SS





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

62
Tabla: Anlisis de varianza para la recuperacin
Como ahora basta analizar la columna correspondiente al P-value
(mxima probabilidad de cometer error tipo I):
Cuando este valor es < 0,01 se dice que el efecto es altamente
significativo.
Cuando este valor 0,01< p< 0,05, se dice que el efecto es
significativo y
Finalmente cuando 0,05< p <0,1 se dice que el efecto es
probablemente significativo.
De la tabla podemos concluir entonces que todos los efectos son
altamente significativos porque sus respectivos p<0,01.





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

63
C. Modelo Matemtico
En el proceso de flotacin, el modelo matemtico incluir los tres
componentes, pues todos tienen incidencia significativa en el proceso.
Con estas consideraciones, el modelo matemtico queda definido de la
siguiente manera, el cual se obtiene mediante regresin mltiple lineal:






El modelo tiene un coeficiente de correlacin de 98,16, lo que significa
que los resultados de las recuperaciones obtenidas en las diferentes
pruebas quedan explicadas en un 98,16% por la dosificacin de
fermento y del pH. Sin embargo como la curvatura es significativa
podemos concluir que el modelo lineal no es tan adecuado para los
datos
pH x C pH C R 65 , 38 22 , 62 93 , 53 04 , 212 (%) + =
16 , 98
2
= R





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

64
A continuacin se muestra en una tabla la capacidad de pronstico del
modelo propuesto.





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

65
D. Superficie Respuesta
La representacin grfica del modelo matemtico propuesto se
denomina superficie respuesta.

En esta representacin podemos observar visualmente los rangos de
dosificacin de fermento y de pH adecuados para obtener una
determinada recuperacin.
fin





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

Ejemplo. 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 2
2
con una sola
prueba en cada punto externo del diseo y 5
rplicas en el punto central, con los siguientes
resultados
66





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

Prueba
#
Z
1

Tiempo
Z
2

Temper.
X
l
X
2
X
l
X
2
Respuesta
Y
1 30 150 -1 -1 +1 39.3
2 40 150 +1 -1 -1 40.9
3 30 160 -1 +1 -1 40.0
4 40 160 +1 +1 +1 41.5
5 35 155 0 0 40.3
5 35 155 0 0 40.5
5 35 155 0 0 40.7
5 35 155 0 0 40.2
5 35 155 0 0 40.6
67





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

68
DISEO FACTORIAL FRACCIONADO 2
k-p

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 desarrollar un experimento con 10 factores a
dos niveles.
Un diseo factorial completo requerira 2
10
= 1024 experimentos,
cantidad de experimentos demasiado grande para ejecutarse.
Como una alternativa a la posibilidad de obtener gran cantidad
de variables, se presentan los diseos factoriales fraccionados,
en los que se ejecutan solo una fraccin del total de
experimentos que se requieren, 1/2, 1/4, 1/8, etc.
Lo negativo del mtodo es que parte de la informacin sobre
interacciones se llega a perder.





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

69

1. Se seleccionan los efectos que sern sacrificados, llamados
contrastes de definicin, luego se construyen los bloques y se
coge cualquiera para el plan experimental. Se sugiere que se
tome el bloque que tiene la condicin experimental 1.
2. Al tomar solamente un bloque, es decir una fraccin del
diseo completo, los efectos se mezclan entre s y no con los
efectos de bloques. A estos factores cuyos efectos estn
mezclados entre s se denominan alias y no se puede saber ,
salvo bajo ciertas premisas, cuales de ellos tienen influencia
neta sobre la respuesta.
3. Los alias por definicin, son aquellos factores que tienen el
mismo contraste de definicin. As el alias de cualquier factor
es la interaccin generalizada del mismo con el contraste de
definicin. Al conjunto de todos los alias se denomina
estructura alias.





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

70
En general, un diseo factorial fraccionado esta
definido por:
2
k-p
donde:

k = nmero de factores a estudiar;
p = nmero de factores que se mezclarn entre s.






I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

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
(N= 23 = 8)
b) Un diseo factorial fraccionado con 4
experimentos (N = 2(3-1) = 4).
Esta dos alternativas se presentan en las Tablas 1 y 2,
donde AB, AC, BC y ABC representan las
interaccines entre los factores.

71





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

Diseo factorial completo con tres factores a dos niveles, N =23 = 8
N A B C AB AC BC ABC
1 -1 -1 -
2 +1 -1 -
3 -1 +1 -
4 +1 +1 -
5 -1 -1 +
6 +1 -1 +
7 -1 +1 +
8 +1 +1 +
72





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

Diseo factorial completo con tres factores a dos niveles, N =23 = 8
N A B C AB AC BC ABC
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
73





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

Diseo factorial fraccionado con tres factores a dos
niveles, en 4 pruebas.
N A B C=A*B AB AC BC ABC
1 -1 -
2 +1 -
3 -1 +
4 +1 +
74





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

Aclaracin
Obsrvese que en la Tabla 2 la columna B es igual a la
columna BC (Se confunden); A = 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 principal,
debido a la interaccin AC (confusin). Pero como
usualmente las interacciones son relativamente pequeas
comparadas con los efectos de los factores, en parte se
justifica el uso de los diseos fraccionados.
Cualquier estimacin de efectos ser entonces una suma
(algebraica) de los efectos de ambas variables. Siempre que se
realice fraccionamiento de diseos 2
k
se producir confusin
entre efectos. Este es el precio a pagar para poder reducir el
nmero de experimentos a realizar.
75





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

76
Ejemplo:
Se desea realizar una investigacin para maximizar la
extraccin de Vulgaxantina en un proceso de extraccin por
solventes a nivel de laboratorio, considerando los siguientes
factores:
Factor Nivel (-1) Nivel (+1)
Tiempo (h) 0,5 1,5
pH 1,0 2,0
A/O (acuosos / Orgnicos) 1,0 3,0
Agitacin (rpm) 5,0 10,0
Temperatura (
o
C) 5,0 10,0
Flujo (m
3
/h) 1,0 5,0
Supongamos que el laboratorio de pruebas est simulado por la
siguiente ecuacin general, donde k es el nmero de factores.
( ) ( ) 1 () * 2 1
100
1
(%)
2
2
1
5 , 3 , 1
2
+ + =
+
=

aleatorio x x x E
j j
k
j
j





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

77
Desarrollando para k =6 tenemos el siguiente modelo de simulacin:
( ) ( ) ( ) ( ) ( ) ( ) | | 1 () * 2 1 1 ( 1
100
1
(%)
2
2
5 6
2
5
2
2
3 4
2
3
2
2
1 2
2
1
+ + + + + + =

aleatorio x x x x x x x x x E
Para las 6 variables (k = 6), se puede utilizar un diseo 2
6-2
= 16
experimentos.

Como vamos a tomar un cuarto de rplica significa dividir el diseo en
4 bloques, es decir que 2
p
=4, es decir que p =2, en otras palabras hay
dos factores que se sacrificarn.

Adicionalmente a las 16 pruebas habr de aadirse 3 pruebas repetidas
en el centro, para evaluar el error experimental.






I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

78
Antes de realizar el experimento es necesario
observar la estructura alias, la que nos
indicar si los efectos principales se pueden
estimar independientemente o no, porque se
encuentran mezclados con otros efectos.
Contraste Efectos
1
2
3
4
5
6
7
8
9
10
11
12
13
A
B
C
D
E
F
AB+CE
AC+BE
AD+EF
AE+BC+DF
AF+DE
BD+CF
BF+CD
La tabla de la estructura alias, nos indica que
los 6 factores principales pueden estimarse
independientemente, no as las interacciones
de segundo y mayor orden.





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

79
Si seleccionamos 1/8 de rplica la
estructura alias sera la siguiente:








Contraste Efectos
1
2
3
4
5
6
7
A+BD+CE
B+AD+CF
C+AE+BF
D+AB+EF
E+AC+DF
F+BC+DE
AF+BE+CD
En este caso al considerar 1/8 de rplica observamos que todos
los efectos principales se encuentran mezclados con
interacciones de segundo orden, por lo que no podramos realizar
este fraccionamiento.

A continuacin se muestra la matriz diseo correspondiente.






I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

80
t
t pH A/O agitacin T Flujo Extraccin
1
0.5 1 1 5 5 1 6.5
2
1 1 1 5 10 1 99.7
3
0.5 2 1 5 10 5 92.15
4
1 2 1 5 5 5 3.82
5
0.5 1 3 5 10 5 91.4
6
1 1 3 5 5 5 3.86
7
0.5 2 3 5 5 1 6.88
8
1 2 3 5 10 1 99.14
9
0.5 1 1 10 5 5 4.81
10
1 1 1 10 10 5 91.55
11
0.5 2 1 10 10 1 98.97
12
1 2 1 10 5 1 6.05
13
0.5 1 3 10 10 1 98.72
14
1 1 3 10 5 1 5.75
15
0.5 2 3 10 5 5 3.85
16
1 2 3 10 10 5 90.53
17
0.75 1.5 2 7.5 7.5 3 28.69
18
0.75 1.5 2 7.5 7.5 3 29.74
19
0.75 1.5 2 7.5 7.5 3 28.89
Tabla: Matriz del
diseo factorial
fraccionado con
rplica en el
centro y
respuestas
R
e
p
l
i
c
a
s






I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

81
Con los datos obtenidos se calcula el efecto A para cada una de las
variables e interacciones como sigue:




Representando estos efectos medios mediante el diagrama de Pareto,
podemos evidenciar que los efectos ms importantes en este proceso
son la Temperatura y en menor proporcin el flujo.
Efecto t pH A/O agitacin T Flujo
A -0,36 -0,1125 -0,4275 -0,4025 90,08 -4,9675





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

82
Para tener evidencia estadstica de que efectivamente estos efectos son
realmente importantes, se elabora la tabla de anlisis de varianza
(ANOVA), en la cual se compara la varianza de cada efecto contra la
varianza del error calculando las siguientes sumatorias.
Nr
Y X
SS
N
i
j ij
Efecto
2
1
|
.
|

\
|
=

=
( )

=
=
0
1
2
0 0
n
i
i Error
Y Y SS
( )
0
0
0
n N
Y Y Nn
SS
Curvatura
+

=
De la tabla podemos observar que los efectos realmente significativos
son la Temperatura, el flujo y la falta de ajuste, lo que significa que la
curvatura es significativa dentro de la regin investigada, por lo que
existe un valor ptimo que puede determinarse utilizando un modelo
no lineal.





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

83
De la tabla podemos observar que los efectos realmente
significativos son la Temperatura, el flujo y la falta de ajuste,
lo que significa que la curvatura es significativa dentro de la
regin investigada, por lo que existe un valor ptimo que
puede determinarse utilizando un modelo no lineal.





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

84
El modelo matemtico obtenido por regresin mltiple lineal
es :




Flujo T Agitacin
O
A
pH t E 24 , 1 18 08 , 0 21 , 0 11 , 0 72 , 0 76 , 82 (%) + =
Al representar este
modelo en el espacio,
obtenemos la superficie
respuesta caracterstica
en funcin de los
factores.






I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

85
DISEOS DE PLACKETT-BURMANN
Este diseo desarrollado por Placket y Burmann 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 representa a ninguna variable experimental) y se
utilizan para determinar la varianza del error experimental. Por
esta razn es conveniente introducir en el diseo por lo menos
3 variables ficticias.





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

86
Para construir un diseo 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 contempla como sigue:
1. Utilizar el vector generador como la primera fila, n1 .
2. La segunda fila, n2 , se llena tomando el primer valor de n1
y colocndolo en el ltimo lugar de la fila n2 y deslizando
luego los dems valores de n1 delante de ese primer valor.
3. La tercera fila, n3 ,se construye utilizando el ltimo valor de
la fila n2 y colocando en el ltimo lugar de la fila n3 y
deslizando a partir de ese los restantes valores de n2 .
4. Continuar hasta que todas las (n-1) filas se completen.
5. Completar la fila n con valores negativos (-1).
n=8 + + + - + - -
n=12 + + - + + + - - - + -
n=16 + + + + - + - + + - - + - - -
n=20 + + - - + + + + - + - + - - - - + + -
n=24 + + + + + - + - + + - - + + - - + - + - - - -
Los vectores generados para los
diversos diseos P-B son como sigue:





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

87
Ejemplo 4:
Consideremos que se desea realizar una investigacin para
maximizar la extraccin de bixina en un proceso de extraccin
por solventes a nivel de laboratorio, considerando los
siguientes factores:
Factor Nivel (-1) Nivel (+1)
Tiempo (h) 0,5 1,5
pH 1,0 2,0
A/O 1,0 3,0
Agitacin (rpm) 5,0 10,0
Temperatura (
o
C) 5,0 10,0
Flujo (m
3
/h) 1,0 5,0
Supongamos que el laboratorio de pruebas est simulado por la
siguiente ecuacin general, donde k es el nmero de factores.
( ) ( ) 1 () * 2 1
100
1
(%)
2
2
1
5 , 3 , 1
2
+ + =
+
=

aleatorio x x x E
j j
k
j
j





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

88
Desarrollando para k =6 tenemos el siguiente modelo de
simulacin:



( ) ( ) ( ) ( ) ( ) ( ) | | 1 () * 2 1 1 ( 1
100
1
(%)
2
2
5 6
2
5
2
2
3 4
2
3
2
2
1 2
2
1
+ + + + + + =

aleatorio x x x x x x x x x E
N X
1
X
2
X
3
X
4
X
5
X
6
X
7
X
8
F
1
F
2
F
3

1 + + - + + + - - - + -
2 + - + + + - - - + - +
3 - + + + - - - + - + +
4 + + + - - - + - + + -
5 + + - - - + - + + - +
6 + - - - + - + + - + +
7 - - - + - + + - + + +
8 - - + - + + - + + + -
9 - + - + + - + + + - -
10 + - + + - + + + - - -
11 - + + - + + + - - - +
12 - - - - - - - - - - -
En este caso para reducir
el nmero de pruebas
considerablemente,
utilizamos la matriz de la
tabla, en la que tenemos 5
grados de libertad para
evaluar el error
experimental, por lo que
no necesitamos realizar
ninguna rplica.






I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

89
En este caso el proceso de clculo para
determinar los efectos es el mismo que
los anteriores:
Nr
Y X
SS
N
i
j ij
Efecto
2
1
|
.
|

\
|
=

=
Lo que cambia en el diseo P-B
es la estimacin de la varianza
del error, la cual se determina en
funcin de las variables
ficticias, de la siguiente manera
( )

=
=
0
1
2
n
i
Error
EF SS
EF = efecto de las variables ficticias.
nF
SS
MS
Error
Error
=
nF = nmero de variables ficticias.





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

90
Para el ejemplo que estamos desarrollando la matriz diseo
correspondiente al diseo de Placket-Burmann sera la
siguiente:
t pH A/O agitacin T Flujo Extraccion
1.5 1 3 5 5 1 6.32
1.5 2 1 10 5 1 5.75
0.5 2 3 5 10 1 98.37
1.5 1 3 10 5 5 4.16
1.5 2 1 10 10 1 99.99
1.5 2 3 5 10 5 92.11
0.5 2 3 10 5 5 4.26
0.5 1 3 10 10 1 99.12
0.5 1 1 10 10 5 91.81
1.5 1 1 5 10 5 92.00
0.5 2 1 5 5 5 4.90
0.5 1 1 5 5 1 7.07
Matriz para el diseo de Placket-Burmann





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

91
Con los datos obtenidos se calcula el efecto A para cada una
de las variables e interacciones como sigue:

Efecto t pH A/O agitacin T Flujo
A -0,87 -0,82 -0,47 -0,72 90,16 -4,56
Representando estos
efectos medios mediante
el diagrama de Pareto,
podemos evidenciar que
los efectos ms
importantes en este
proceso son la
Temperatura y en menor
proporcin el flujo, muy
similar a la utilizacin del
diseo fraccionado, pero
con menos pruebas.





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

92
Para tener evidencia estadstica de que efectivamente estos
efectos son realmente importantes, se elabora la tabla de
anlisis de varianza (ANOVA), en la cual se compara la
varianza de cada efecto contra la varianza del error, utilizando
las frmulas dadas anteriormente.
De la tabla podemos observar que los efectos realmente
significativos son la Temperatura y el flujo, resultados
idnticos a los obtenidos utilizando un diseo factorial
fraccionado con mayor nmero de pruebas y repeticiones en
el centro





I
n
g
.

A
N
T
O
N
I
O

E
.

D
U
R
A
N
D

G
A
M
E
Z
.











M

t
o
d
o
s

E
s
t
a
d

s
t
i
c
o
s

p
a
r
a

l
a

I
n
v
e
s
t
i
g
a
c
i

n

U
N
S
A


2
0
1
3

93
El modelo matemtico obtenido por regresin mltiple lineal
es :




Flujo T agitacin
O
A
pH t E 14 , 1 03 , 18 14 , 0 24 , 0 82 , 0 87 , 0 23 , 83 (%) + + + + =
Al representar este modelo en el espacio, obtenemos la
superficie respuesta caracterstica en funcin de los factores.