Libro Disenos Factoriales Aplicado A Procesamiento de Minerales PDF

DISEÑOS
EXPERIMENTALES
APLICADO A
PROCESAMIENTO DE
MINERALES
Diseños Factoriales
La siguiente guía es la publicación de la primera parte, de

un conjunto de resúmenes de datos reales, que se aplican
en procesamiento de minerales en base a la estadística.
Alvaro Paitan Q.
13/12/2011
PERU
Alvaro PAITAN Q. Primera Parte: 1
INTRODUCCION
Las actividades de planear y realizar una investigación tienen implicaciones de estadística,

es por ello que a la estadística se le considera como la base fundamental que relaciona
una estructura sistematizada de los factores que intervienen en un proceso para obtener
un resultado.
alvaropaitan@hotmail.com 2
PERU
DISEÑOS FACTORIALES
¿Que son los Diseños Factoriales?
Los diseños factoriales permiten el estudio de las simulaciones de varios efectos del factor
sobre el proceso conocido como respuesta. Para dicho estudio es necesario variar los
niveles de los factores que intervienen.
El diseño factorial se aplica:
 Para determinar los efectos de los factores en estudio, para la función respuesta.
 Eficiente en términos del tiempo y costo, porque disminuye el numero de
tratamiento o pruebas.
 Permite el estudio de interacciones entre los factores.
¿Cuándo usar los diseños factoriales?
Se usa para:
 Obtener eficiencia en las estimaciones de los efectos de cada factor de la
respuesta.
 Estimar los efectos de interacciones entre dos o más factores en la respuesta.
 Probar la curvatura en la respuesta incluyendo el centro de los puntos de réplica
en el diseño.
 Determinar la varianza de error experimental.
¿Por qué usar los Diseño Factoriales?
En la mayor parte de los diseños factoriales se usa para contestar preguntas como:
¿Cuáles son la preparación de las variables más influyentes en la respuesta?
¿Cuáles son los factores que optimizaran la respuesta?
PRINCIPIOS PARA EL DISEÑO EXPERIMENTACION EN LA INVESTIGACION
Para una buena investigación un investigador debe conocer los problemas de manera
sistematizada con la finalidad de responder a las preguntas que se genera durante el
análisis del problema.
La buena planeación ayuda al investigador organizar las tareas necesarias para llevar al
desarrollo una investigación. Un investigador debe tomar decisiones críticas, en base a la
observación de los factores para buscar los mejores resultados de un proceso.
Al iniciar una investigación es necesario una lista de verificaciones de aspectos concretos

entre ellos tenemos:
• Planteamiento del problema
PERU
• Formulación del problema

• Objetivos trazados
• Justificación
• Limitaciones
• Antecedentes del estudio
• El marco teórico
• Hipótesis del tema en estudio
• Variables de la investigación
• Métodos
• Población y muestra
• Diseño
• Procedimiento e instrumentos de recolección de datos
• Procedimientos de análisis.
Entre estas etapas es necesario conocer también:

 Los factores que influyen y cuáles de ellos varían y cuales permanecen
constantes.
 Número de repeticiones del experimento básico a realizar.
 Los recursos y materiales disponibles.
Cuáles son las preguntas sencillas para enfocar las actividades de una investigación.
Las preguntas que centran nuestra atención a través del proceso de diseño incluyen:
''¿Cuál es mi objetivo?", ''¿Qué quiero saber?" y "¿Por qué quiero saberlo?".
Las preguntas de seguimiento productivo para cada actividad en el proceso, tales como:
"¿Cómo voy a realizar esta tarea?" y ''¿Por que hago esta tarea?", dirigen la atención a
definir el papel de cada actividad en el estudio de investigación.
Con lo que respecta a la investigación en procesamiento de minerales el investigador debe

conocer las características del mineral a detalle, porque mediante el cual definirá los
mejores procesos mediante los factores.
PERU
APLICACIÓN DE LOS DISEÑOS FACTORIALES EN EL PROCESAMIENTO DE

MINERALES
Los diseños experimentales que se usaron en distintas empresas desde el siglo 19 permitió
en las industrias identificar y controlar a los factores que más correlación tenía con la
producción (función respuesta), lográndose aumentar la producción con el mínimo costo.
Es importante en la actualidad enfocar los Diseños experimentales en el procesamiento de
minerales de la metalurgia extractiva, con la finalidad de mejorar la producción en todos
los aspectos.
En procesamiento de minerales uno de los factores importantes que se bebe estudiar es la

influencia de estos con la función respuesta, en este caso la recuperación del concentrado
de mineral y las leyes de las mismas, la mayoría de los factores que se bebe estudiar es
como ejemplo, los colectores, depresores, activadores, tiempo de acondicionamiento,
condiciones de la pulpa, granulometría del mineral y otros.
Para un estudio sistematizado de un problema en procesamiento de minerales es

importante conocer los problemas en base a la identificación de las variables
independientes y dependientes (Función respuesta).
Por ello es de suma importancia la estadística en la Ingeniería Metalúrgica y en todas las

otras Ingenierías.
1.- PRUEBAS METALURGICAS CON DISEÑO FACTORIAL.
En metalurgia, especialmente en flotación de minerales, el proceso es complejo, del tipo

caja negra (black box). La relación del criterio de optimización a las variables
independientes del proceso (función respuesta), puede ser descrita con el siguiente
modelo matemático.
Sea la ecuación de la función respuesta:
Y =  ( x , u, z) ……(1.1)
Donde:
Y: Función respuesta.
x : Variable controlable
u : Variable no controlable
z : Variable desconocida
Las variables no controlables pueden medirse pero no controlar, y las variables

desconocidas no pueden medirse ni controlarse y se encuentra dentro de las variables
aleatorias; estas son incluidas dentro de la función respuesta como se puede ver en la
ecuación (1.1)
PERU
Para disminuir la influencia de las variables no controlables y las desconocidas en la

función respuesta es necesario que las variables controladas tomen un rango o parámetro
de operación esto se representa mediante la ecuación.
Y = (x1, x 2 ,..., x n ) +  ……….(1.2)

Donde:
e : Variable aleatoria (variable no controlada y desconocida).
Xn : Variables controladas o estudiadas.
En el diseño factorial 2K se estudian en la mayor parte de los casos los efectos de los
factores y las “n” interacciones de las mismas.
N=2K indica el numero de tratamientos que deben hacerse con los “K” factores y “n”
interacciones.
En la notación 2K los niveles superior e inferior están indicados por los signos (+) y (-) ó
(+1) y (-1) respectivamente.
Investigar con diseño experimental es determinar los experimentos que conviene usar
para poder hacer un mejor estudio de las variables, al mismo tiempo determinar la
influencia de cada una sobre la función respuesta.
Es por ello importante para que una función respuesta se la mejor (optima) en
procesamiento de minerales identificar y seleccionar las variables que más influyen para
ello existe los diseños experimentales completos, fraccionados y de Planckett Burman que
permite estudiar hasta 20 variables o factores.
PRIMERA ETAPA DE SELECCIÓN DE VARIABLES.
Es una de las etapas más importantes en la cual se debe definir las variables o factores a
estudiar, estoy convencido de que en esta etapa el factor humano es importante, porque
mediante el cual los rangos serán elegidos adecuadamente (con lógica), de no ser así el
diseño aplicarse será poco confiable por no decirlo nulo.
Si tomamos un ejemplo simple de realizar una flotación de zinc y en planta o
históricamente se determino que el colector xantato se usa un promedio de 30g/TM, seria
en vano escoger parámetros de 10g/TM y 60g/TM para las variables de investigación,
debido a que estos datos están lejos del dato promedio.
Para la selección de las variables es necesario usar todo los conocimientos en un proceso
metalúrgico así como un diagnostico de todos los antecedentes de la operación, ya que
será de mucha importancia para la identificación las posibles variables las cuales se
someterán a pruebas de diseño factorial.
Como ya mencionamos la codificación de las variables están en rango inferior con (-1) y el
rango máximo con (+1) tomando como promedio cero (0).
PERU
¿Qué son las variables codificadas?
Las variables codificadas son los datos que debe tomas las variables en rangos de una
unidad sea (-1) ó (+1) con la finalidad de simplificar la interpretación de la correlación con
el factor respuesta o factor observado, en la mayoría de los casos se toma este dato para
tener referencia de una figura geometría en el plano cartesiana o en el espacio con centro
en las orígenes (0).
¿Qué son las variables reales?
Son las variables que toman datos reales del factor o variable sometido a prueba.
CALCULOS PARA MATRIZ A ESCALA CODIFICADA

Una de las formas más adecuadas, para pasar de la escala codifica sea X , a la escala real Z,
es utilizando las ecuaciones siguientes:
Z j = Z jo + X j .∆Z j …………(1.3)
Donde:
Zºj : Centro del diseño
∆Zj : Radio del diseño
Xj : Escala codificada
Zimax + Zimin
Z jo = ………….(1.4)
2
Zimax − Zimin
∆Z j = ...............(1.5)
2
Para la selección de variables existen las plantillas codificadas y dependen del número de
variables o factores.
DISEÑOS FACTORIALES COMPLETOS
En un experimento de Diseño factorial, las respuestas son medidas como una combinación
de niveles de los factores experimental. La combinación de niveles de factores representa
las condiciones de las cuales las respuestas serán medidas. Una condición experimental es
una Corrida o prueba y la medida de la respuesta es una observación. Las pruebas enteras
son el diseño.
La aplicación de un diseño factorial completo en procesamiento de minerales es

recomendable usar para el estudio desde dos hasta tres factores, esto se debe a que las
pruebas que se realiza son como máximo hasta ocho y son económicamente posibles.
PERU
Plantilla para el factorial 22 este diseño se aplica para estudiar los efectos de las dos
variables A y B así como sus interacciones AB, AA y BB es aplicable en la mayoría en la
etapa de optimización a mas detalle se tocara en la etapa siguiente.
Tabla 1.
Nº pruebas A(X1) B(X2)
1 - -
2 + -
3 - +
4 + +
5 0 0
Plantilla para el factorial 23 este diseño se aplica para identificar los efectos de tres
variables A, B, C y sus interacciones AB, AC, BC y ABC
Tabla 2.
Nº A(X1) B(X2) C(X3)
pruebas
1 - - -
2 + - -
3 - + -
4 + + -
5 - - +
6 + - +
7 - + +
8 + + +
Para realizar una regresión es necesario que la diferencia entre el número de pruebas
menos las variables y menos uno esto sea igual o mayor a uno en todas las plantillas a
diseñar, por ejemplo en la Tabla 2 tenemos 8 pruebas y 3 variables entonces para la
regresión quedan 4 a esto se le conoce como grados de libertad de la regresión. Esto se
debe a que la ecuación lineal que forma es el siguiente:
Y = 0 + 1X1 + 2 X2 + 2 X3 ….. (1.6)
En la ecuación 1.6 se observa que tenemos tres variables y una constante entonces los
grados de libertad será:
GL: 8 – 4 = 4 Para la regresión.
Si queremos hallar la interacción AB, AC, CB y ABC entonces el grado de libertad será:
GL: 8 – 8 = 0 tenemos grados de libertad igual a cero en estos casos no se puede realizar la
regresión, para aumentar los grados de libertad mínimo a uno es necesario aumentar las
replicas en el centro (aprovechando que las replicas en el centro en necesario realizar
como mínimo 2 pruebas para encontrar el error experimental, curvatura de la ecuación y
los cálculos con ANOVA).
PERU
El nuevo cuadro con interacción.

Tabla 3.
Nº A(X1) B(X2) C(X3) AB AC BC ABC Y
Pruebas Respuesta
1 -1 -1 -1 1 1 1 -1 (1)
2 +1 -1 -1 -1 -1 1 1 a
3 -1 +1 -1 -1 1 -1 1 b
4 +1 +1 -1 1 -1 -1 -1 ab
5 -1 -1 +1 1 -1 -1 1 c
6 +1 -1 +1 -1 1 -1 -1 ac
7 -1 +1 +1 -1 -1 1 -1 bc
8 +1 +1 +1 1 1 1 1 abc
9 0 0 0 0 0 0 0
10 0 0 0 0 0 0 0
Los signos de la interacción de las variables se completa multiplicando los signos de las
mismas variables.
Es importante considerar que los cuadros de diseño factorial deben cumplir la
ortogonalidad.
Comprobación ortogonal.
Para evaluar el ortogonal de un diseño, se necesita cambiar la hoja de trabajo a código de

unidad. También se puede entender el diseño fácilmente en código automático como ya
mencionamos.
Las columnas de los cuadros deben ser ortogonales una a la otra, se pude tener las
siguientes condiciones:
• La suma de cada columna es cero.
• La correlación entre cada columna es cero.
Cuando los factores en un diseño son ortogonales, se puede estimar los factores de cada
factor independientemente.
Ventaja de un diseño ortogonal

• Se pueden estimar términos de modelo.
• Debido a que se puede encontrar la contribución independiente de cada efecto, el
análisis es más simple al reducir un modelo, usted puede quitar todos los términos no
significativos simultáneamente.
En la tabla 3 se aumento las replicas en el centro con la finalidad de aumentar los grados
de libertad. En la columna de Y función respuesta (respuesta observada) en cada fila
representa un dato que permite calcular los efectos y la suma de cuadrados así como
determinar el error experimental.
PERU
CALCULO DE EFECTOS DE UN DISEÑO FACTORIAL 23
Los efectos se calculan con la siguiente formula.

ContrasteA
EfectoA = ……….(1.7)
n2K −1
Donde:
A: Variable
n : Numero de replicas de Y(obs)
K : Numero de variables independientes
Los contrastes de cada variable se calculan de la siguiente forma.
ContrasteA = [ b + ab + ac + abc − (1) − b − c − bc ]
ContrasteB = [b + ab + bc + abc − (1) − a − c − ac ]
ContrasteC = [c + ac + bc + abc − (1) − a − b − ab]
ContrasteAB = [ab − b − a + abc + (1) − bc − ac + c ]
ContrasteAC = [(1) − a + b − ab − c + ac − bc + abc ]
ContrasteBC = [(1) + a − b − ab − c − ac + bc + abc ]
ContrasteABC = [abc − bc − ac + c − ab + b + a − (1)]
La suma de cuadrados de cada variable independiente se calcula con la siguiente formula:

 ContrasteA 
SCA =   …………..(1.8)
 n2K
La media de suma de cuadrados se determina:
SCA
CMA = …………..(1.9)
g.l
Donde:
g.l : Grados de libertad de la variable, en un diseño factorial 2 K es la unidad.
Ejemplo:
En una planta metalúrgica el gerente de operaciones, busca mejorar la producción de
concentrado de zinc, para ello selecciona tres variables más influyentes en el proceso con
la finalidad interpretar los efectos en la producción, y buscar una posible optimización.
Las variables seleccionados X1 (altura de espuma), X2 (Suministro de aire), X3 (agua de
lavado) en rangos de 800:900mm, 25:35Ipm y 8:12lpm y la variable Y representado como
la recuperación del concentrado de Zinc (es importante también relacionar con las leyes
del concentrado, cabeza de mineral y la recuperación conocida como factor metalúrgico)
PERU
El cuadro de diseño factorial 23 con dos pruebas centrales y una columna Xo para obtener
la constante:
n x0 A (x1) B(x2) C(x3) x1x2 x1x3 x2x3 X1X2X3 Yobs

1 1 -1 -1 -1 1 1 1 -1 86,4
2 1 1 -1 -1 -1 -1 1 1 89,5
3 1 -1 1 -1 -1 1 -1 1 86,1
4 1 1 1 -1 1 -1 -1 -1 90,3
5 1 -1 -1 1 1 -1 -1 1 84,5
6 1 1 -1 1 -1 1 -1 -1 85,7
7 1 -1 1 1 -1 -1 1 -1 87,2
8 1 1 1 1 1 1 1 1 90,4
9 1 0 0 0 0 0 0 0 85,9
10 1 0 0 0 0 0 0 0 86,2
Para facilitar el cálculo de efectos se determina por matrices en Excel (se puede calcular
con las formulas de efectos descritos con anterioridad).
N X .Y
[ X ]T .[Y ]
Ej = ∑ ij i
=
i =1
N −r N −r
2 2
[X]T: Transpuesta de la matriz codificada

[Y] : Matriz de la función respuesta.
N : Numero de pruebas.
r : Replicas en el centro.
[X]T [X]T.[Y] Efecto

1 1 1 1 1 1 1 1 1 1 872,2
-1 1 -1 1 -1 1 -1 1 0 0 11,7 2,925
-1 -1 1 1 -1 -1 1 1 0 0 7,9 1,975
-1 -1 -1 -1 1 1 1 1 0 0 -4,5 -1,13
1 -1 -1 1 1 -1 -1 1 0 0 3,1 0,775
1 -1 1 -1 -1 1 -1 1 0 0 -2,9 -0,72
1 1 -1 -1 -1 -1 1 1 0 0 6,9 1,725
-1 1 1 -1 1 -1 -1 1 0 0 0,9 0,225
Analizando los efectos: La variable X1 influye con +2,9 en la recuperación de zinc, en

segundo lugar le sigue X2 con +1,9, estas dos variables influyen directamente debido al
signo positivo y mientras que la variable X3 influye negativamente con -1,13. Pero los
efectos no determinan la confiabilidad del grado de influencia por lo tanto se realiza la
regresión para evaluar con t – student.
PERU
Hallando las constantes con la siguiente ecuación en Excel:
[B] = ([ X ]T .[ X ])−1.([ X ]T .[Y ])

[B] : Constantes de la regresión
-1
INVERSA ([X]T.[X])
0,1 0 0 0 0 0 0 0
0 0,125 0 0 0 0 0 0
0 0 0,125 0 0 0 0 0
0 0 0 0,125 0 0 0 0
0 0 0 0 0,125 0 0 0
0 0 0 0 0 0,125 0 0
0 0 0 0 0 0 0,125 0
0 0 0 0 0 0 0 0,125
Desarrollando obtenemos las constantes de la ecuación.

[B]
87,22 constante
1,4625 X1
0,9875 X2
-0,5625 X3
0,3875 X1X2
-0,3625 X1X3
0,8625 X2X3
0,1125 X1X2X3
La ecuación.
Y= 87,22 + 1,46X1 +0,9875X2 -0,56X3 +0,387X1X2 -0,362X1X3 +0,86X2X3 +0,11X1X2X3
Analizando con t-student, para el análisis es importante realizar una regresión con las
variables para los resultados.
Estadísticas de la regresión
Coeficiente de correlación múltiple 0,954770042
Coeficiente de determinación R^2 0,911585832
R^2 ajustado 0,602136245
Error típico 1,316671941
Observaciones 10
Estadístico
Coeficientes Error típico t Probabilidad
Intercepción 87,22 0,41636823 209,47804 2,2788E-05
Variable X 1 1,4625 0,46551383 3,1416897 0,08812773
Variable X 2 0,9875 0,46551383 2,12131185 0,16795073
Variable X 3 -0,5625 0,46551383 -1,2083421 0,35039974
Variable X1X2 0,3875 0,46551383 0,83241351 0,49274304
Variable X1X3 -0,3625 0,46551383 -0,7787094 0,51765713
Variable X2X3 0,8625 0,46551383 1,85279136 0,20509867
PERU
Variable X1X2X3 0,1125 0,46551383 0,24166844 0,83155634
Es importante observar que el coeficiente de determinación sea en la mayoría de los casos

mayor a 0,9 como se puede ver en los resultados con un valor de 0,91158. Haciendo un
entre paréntesis el análisis clásico de estadística esta siendo remplazado con el análisis de
probabilidades.
En el análisis con t-student se compara el error estadístico t de la regresión con t de la
tabla con n-1 pruebas y 90 a 95% de probabilidad en dos colas.
Para el ejemplo n-1 es 9 con una probabilidad de 90% en tabla es +1,83 y -1,83, para
determinar qué factores influyen el error t debe estar fuera del rango de – y + de 1,83 y
los únicos que salen de estos intervalos son los factores X1, X2 y la interacción X2X3, de
esto se concluye que los factores que más influyen son X1 y X2.
Analizando con ANOVA. Se aplica solamente cuando se realiza pruebas con replicas en el
centro del diseño. La comparación de probabilidades se determina con Fisher con una cola
hacia la derecha.
Factores SC GL CM Fº Ftabl(1,1,95%)
x1 17,111 1 17,11125 380,25 161,45
x2 7,8012 1 7,80125 173,3611 161,45
x3 2,5313 1 2,53125 56,25 161,45
x1x2 1,2013 1 1,20125 26,69444 161,45
x1x3 1,0512 1 1,05125 23,36111 161,45
x2x3 5,9513 1 5,95125 132,25 161,45
x1x2x3 0,1012 1 0,10125 2,25 161,45
ERROR 0,045 1 0,045
TOTAL 35,794 9 3,9770833
La terminología SC, GL y CM ya fueron definidos, para calcular Fº se divide el cuadrado

medio de un factor entre el cuadrado medio del error, por ejemplo en X1 se obtiene
380,25.
Para el análisis de F tabla se obtiene con los grados de libertad del numerador (factor) y
denominador (error) y una probabilidad de 95%, en nuestro caso es 161,45.
Si Fº>Ftabla entonces estos factores si influyen en la función respuesta y si Fº<Ftabla no
interfieren en la función respuesta. En el ejemplo las variables a seleccionar es X1 y X2,
pero para estar convencidos de que la ecuación que se formo por regresión es
representada o no con la función respuesta observada y determinada por la ecuación es
importante calcular el análisis de residuos.
Análisis de residuos. Para el análisis de residuos es importante conocer las replicas en el

centro, y la comparación de Fº con de la Ftabla debe ser menor, esto se debe que los
residuos deben tener un error estandar constante y una media igual a cero de tal forma
que la variación de la ecuación sea mínima y representativa.
PERU
Calculo de Y estimado.
Y = [Y ].[B ] ……….(1.10)
Y observado Y estimado (Yobs-Yest)^2 (Yos-Ypromedio)^2

86,4 86,108 0,08555625 0,6724
89,5 89,208 0,08555625 5,1984
86,1 85,808 0,08555625 1,2544
90,3 90,008 0,08555625 9,4864
84,5 84,208 0,08555625 7,3984
85,7 85,408 0,08555625 2,3104
87,2 86,908 0,08555625 0,0004
90,4 90,108 0,08555625 10,1124
85,9 87,22 1,7424 1,7424
86,2 87,22 1,0404 1,0404
SCT= 39,216; SCE = 2,7828

Donde:
SCT: Suma de (Y obs – Y promedio del observado)^2
SCE: Suma de (Y obs – Y est)^2 en las replicas centrales
Error total =Error Experimental + Error del Modelo
SCT =SCE + SCM

SCM=SCT – SCE = 36,43
GL SSC CM
Error total 2 39,216 19,608
Error
experimental 1 2,7828 2,7828
Error del modelo 1 36,4332 36,4332
Error.mod elo
G.L1
Fº= = 36,43/2,78 = 13,092
Error.mod elo
G.L2
F tabla (GL1, GL2, 95%) = 161,45
Entonces Fº<F tabla; por lo tanto la ecuación calculada es confiable en un 95%.
Analizando con graficas.
Diagrama de Pareto.
PERU
Un diagrama de Pareto muestra cuales factores afectan la incorporación y la relativa

magnitud de cada efecto.
Mirar cuales términos contribuyen a la mayor variable respuesta.
Grafica 1.
Pareto Chart of the Standardized Effects
(response is Y, Alpha = ,05)
12,71
F actor N ame
A A
A
B B
C C
B
BC
Term
AB
AC
ABC
0 5 10 15 20
Standardized Effect
En la grafica 1 observamos que los factores A (X1) y B (X2) son los que intervienen con
mayor efecto a la función respuesta, debemos tomar en cuenta siempre un análisis de
Pareto es importante porque permite identificar los efectos de muchos factores en un
proceso.
La grafica 1 exhibe lo siguiente:

• Los términos desde arriba hacia abajo en orden de importancia decreciente.
• Una línea de referencia
Mientras el diagrama de Pareto muestra una clara visualización de la magnitud de un

efecto, este no provee información acerca de la dirección del efecto. Usar las graficas
normales de efectos para evaluar la dirección.
Grafica de probabilidad normal.
Una grafica de probabilidad normal identifica el signo de cada efecto. Estos términos son
los mismos efectos significativos que se muestran en el diagrama de Pareto.
La identificación de signos se encuentra en la línea de las abscisas.
Grafica 2.
PERU
Normal Probability Plot of the Standardized Effects

(response is Y, Alpha = ,05)
99
Effect Ty pe
Not Significant
95 Significant
90 A F actor N ame
A A
80 B B
B C C
70
Percent
60
50
40
30
20
10
1
-10 -5 0 5 10 15 20
Standardized Effect
La grafica 2 de probabilidad normal, muestra a los efectos más resaltantes y son aquellas
que se encuentran alejados a la línea y estos son A y B, con signos positivos.
Grafica de efectos de las variables seleccionadas.

Es importante que después de la evolución de los factores y la selección respectiva (en
nuestro caso A y B ó X1 y X2) se busque evaluar independientemente de cómo afecta en la
función respuesta en nuestro caso la recuperación del Zinc (es importante considerar un
factor metalúrgico).
Grafica 3
Main Effects Plot (data means) for Y
A B Point Ty pe
C orner
89,0
C enter
88,5
88,0
Mean of Y
87,5
87,0
86,5
86,0
-1 0 1 -1 0 1
En la grafica 3, el factor A y B influyen directamente en la recuperación de Zinc, esto nos

lleva a concluir que sí aumentamos valores hacia la derecha del factor A y B, la
PERU
recuperación aumentará en este caso estamos entrando a la siguiente etapa conocida

como optimización.
Grafica de interacción.
Esta grafica determina si los factores seleccionadas A y B conjuntamente en que grado
pueden influir en la recuperación del concentrado de Zinc.
Grafica 4.
Interaction Plot (data means) for Y
91 A Point Ty pe
-1 Corner
0 Center
90 1 Corner
89
Mean
88
87
86
85
-1 0 1
B
En la grafica 4, si el factor A toma un valor mínimo con referencia a B (línea continua)

entonces la recuperación de Zinc no aumentara, llegando solamente a 86%; Pero si B
(línea punteada) toma valores altos con referencia a B entonces la recuperación de Zinc
aumentará 90%.
PERU
Análisis superficial de respuestas. Aréa a

optimizar
Grafica 5.
Contour Plot of Y vs B; A
1,0
Y
< 87
87 - 88
88 - 89
0,5 89 - 90
> 90
Hold Values
C -1
0,0
B
-0,5
-1,0
-1,0 -0,5 0,0 0,5 1,0
A
DISEÑO FACTORIAL FRACCIONAL
Para la mayoría de los experimentos, la cantidad de recursos disponibles (tiempo, dinero)

es limitada, como el número de factores en 2k se incrementa, el número de corridas para
preparar una réplica completa se incrementa rápidamente. En muchos casos, el diseño
factorial completo comienza a ser muy costoso y difícil de preparar.
Los diseños factorial fraccional usa fracciones de un diseño factorial completo para
obtener información en relación a efectos principales y a bajas ordenes de interacción.
Porque usar diseño factorial fraccional.

Se pueden contestar las siguientes preguntas.
• ¿Cuáles factores tienen un efecto mayor en la respuesta?
• ¿Cuáles factores tienen solo un impacto insignificante en la respuesta?
• ¿Cuáles ordenes de baja interacción son importantes para explicar la variación en
la respuesta?
PERU
Se usa cuando se busca estudiar los efectos de 4, 5 factores a más.
Plantilla fraccionado en mitad para 4 factores.

Tabla 4.
Nº Prueba A B C D
1 -1 -1 -1 -1
2 +1 -1 -1 +1
3 -1 +1 -1 +1
4 +1 +1 -1 -1
5 -1 -1 +1 +1
6 +1 -1 +1 -1
7 -1 +1 +1 -1
8 +1 +1 +1 +1
Plantilla fraccionado en un cuarto para 5 factores.

Tabla 5.
Nº Prueba A B C D E
1 -1 -1 -1 -1 -1
2 +1 -1 -1 +1 -1
3 -1 +1 -1 -1 +1
4 +1 +1 -1 +1 +1
5 -1 -1 +1 +1 +1
6 +1 -1 +1 -1 +1
7 -1 +1 +1 +1 -1
8 +1 +1 +1 -1 -1
DISEÑOS DE PLANCKETT BURMAN.
Una clase de diseños desarrollada por Plackett y Burman

(1946), que requiere un número de unidades experimentales igual a un múltiplo de 4, se
ha utilizado de manera exhaustiva en experimentos exploratorios dentro de la
investigación industrial. Ellos establecen diseños para valores intermedios de N que no
sean una potencia de 2 y para N < 100, excepto 92. En la tabla 7 se encuentra una muestra
de los diseños más prácticos y fáciles de construir encuentra para N = 12, 16, 20, 24 y 32
corridas experimentales; los diseños se pueden generar a partir de los renglones con
signos + y -. En esta tabla, cada renglón de generadores tiene N - 1 coeficientes, que son
los coeficientes + y - necesarios para la primera corrida de los N - 1 factores.
Los coeficientes del factor para la segunda corrida se generan a partir de la primera,
tomando el primer coeficiente de la primera corrida y colocándolo en la última posición de
la segunda corrida y moviendo los coeficientes de la primera una posición a la izquierda;
las corridas sucesivas se generan de la misma manera. Al completar el ciclo de reemplazo
de coeficientes para N - 1 corridas, se agrega una corrida final con coeficientes - para los N
- 1 factores. En la tabla 7 se muestra un diseño para N - 1 = 11 factores en N = 12 corridas.
PERU
Plantilla de Planckett Burman para seis factores
Tabla 6
Nº A B C D E F G
Prueba
1 +1 +1 +1 -1 +1 -1 -1
2 +1 +1 -1 +1 -1 -1 +1
3 +1 -1 +1 -1 -1 +1 +1
4 -1 +1 -1 -1 +1 +1 +1
5 +1 -1 -1 +1 +1 +1 -1
6 -1 -1 +1 +1 +1 -1 +1
7 -1 +1 -1 +1 -1 +1 -1
8 -1 -1 -1 -1 -1 -1 -1
EL arreglo de los (+) y (-) de las tablas de La Planckett Burman es tal que cuando una
variables esta a un nivel dado la mitad son positivos y la otra mitad negativos y el efecto
neto de una variable se calcula como la influencia de las otras variables. Estos efectos es la
diferencia de los promedios de la suma de cantidades positivos y negativos de la función
respuesta y se calcula con la siguiente formula.
suma.de.(+) suma.de.(−)
Efecto = −
Numero(+) Numero(−)
Suma (+): Suma de los valores positivos que se obtiene al multiplicar los signos de la
columna de un factor con la función respuesta Y observada.
Suma (-): Suma de los valores negativos que se obtiene al multiplicar los signos de la
columna de un factor con la función respuesta Y observada.
Numero (+) y (-): Es la cantidad de signos que intervienen en la columna de una variable o
factor.
Determinación de efectos de cada variable se determina con las ecuaciones mencionadas
anteriormente, es importante considerar en una tabla de Planckett Burman una columna
de un factor como constante en este caso para la tabla tomemos la columna D, esto se
debe a que los efectos calculados se divide entre el error del diseño.
Para determinar la significancia del efecto de las variables por el método t student
y se calcula por regresión.
En la mayoría de los casos de debe tomar una significancia mayor al 85% valida la
probabilidad.
Tabla 7.
PERU
Plantilla de 7 a 10 factores.
Tabla 8.
Prueba A B C D E F G H I J K
1 1 1 -1 1 1 1 -1 -1 -1 1 -1
2 1 -1 1 1 1 -1 -1 -1 1 -1 1
3 -1 1 1 1 -1 -1 -1 1 -1 1 1
4 1 1 1 -1 -1 -1 1 -1 1 1 -1
5 1 1 -1 -1 -1 1 -1 1 1 -1 1
6 1 -1 -1 -1 1 -1 1 1 -1 1 1
7 -1 -1 -1 1 -1 1 1 -1 1 1 1
8 -1 -1 1 -1 1 1 -1 1 1 1 -1
9 -1 1 -1 1 1 -1 1 1 1 -1 -1
10 1 -1 1 1 -1 1 1 1 -1 -1 -1
11 -1 1 1 -1 1 1 1 -1 -1 -1 1
12 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
Un método para estimar la varianza del error experimental de diseños factoriales

fraccionadas.
Una prueba de la significancia de estos efectos requiere una estimación de la varianza del
error experimental. Una estrategia general para obtener tal estimación incluye varios
pasos, el primero selecciona aquellos efectos que parecen ser despreciables en la gráfica
de probabilidad normal y une sus sumas de cuadrados para estimar el error experimental.

Libro Disenos Factoriales Aplicado A Procesamiento de Minerales PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Libro Disenos Factoriales Aplicado A Procesamiento de Minerales PDF

Cargado por

Copyright:

Formatos disponibles

DISEÑOS

La siguiente guía es la publicación de la primera parte, de

Las actividades de planear y realizar una investigación tienen implicaciones de estadística,

¿Que son los Diseños Factoriales?

¿Cuándo usar los diseños factoriales?

¿Por qué usar los Diseño Factoriales?

PRINCIPIOS PARA EL DISEÑO EXPERIMENTACION EN LA INVESTIGACION

Al iniciar una investigación es necesario una lista de verificaciones de aspectos concretos

• Formulación del problema

Entre estas etapas es necesario conocer también:

Con lo que respecta a la investigación en procesamiento de minerales el investigador debe

APLICACIÓN DE LOS DISEÑOS FACTORIALES EN EL PROCESAMIENTO DE

En procesamiento de minerales uno de los factores importantes que se bebe estudiar es la

Para un estudio sistematizado de un problema en procesamiento de minerales es

Por ello es de suma importancia la estadística en la Ingeniería Metalúrgica y en todas las

1.- PRUEBAS METALURGICAS CON DISEÑO FACTORIAL.

En metalurgia, especialmente en flotación de minerales, el proceso es complejo, del tipo

Sea la ecuación de la función respuesta:

Las variables no controlables pueden medirse pero no controlar, y las variables

Para disminuir la influencia de las variables no controlables y las desconocidas en la

Y = (x1, x 2 ,..., x n ) +  ……….(1.2)

PRIMERA ETAPA DE SELECCIÓN DE VARIABLES.

¿Qué son las variables codificadas?

¿Qué son las variables reales?

CALCULOS PARA MATRIZ A ESCALA CODIFICADA

DISEÑOS FACTORIALES COMPLETOS

La aplicación de un diseño factorial completo en procesamiento de minerales es

Y = 0 + 1X1 + 2 X2 + 2 X3 ….. (1.6)

El nuevo cuadro con interacción.

Para evaluar el ortogonal de un diseño, se necesita cambiar la hoja de trabajo a código de

Ventaja de un diseño ortogonal

CALCULO DE EFECTOS DE UN DISEÑO FACTORIAL 23

Los efectos se calculan con la siguiente formula.

La suma de cuadrados de cada variable independiente se calcula con la siguiente formula:

n x0 A (x1) B(x2) C(x3) x1x2 x1x3 x2x3 X1X2X3 Yobs

[X]T: Transpuesta de la matriz codificada

[X]T [X]T.[Y] Efecto

Analizando los efectos: La variable X1 influye con +2,9 en la recuperación de zinc, en

Hallando las constantes con la siguiente ecuación en Excel:

[B] = ([ X ]T .[ X ])−1.([ X ]T .[Y ])

Desarrollando obtenemos las constantes de la ecuación.

Variable X1X2X3 0,1125 0,46551383 0,24166844 0,83155634

Es importante observar que el coeficiente de determinación sea en la mayoría de los casos

La terminología SC, GL y CM ya fueron definidos, para calcular Fº se divide el cuadrado

Análisis de residuos. Para el análisis de residuos es importante conocer las replicas en el

Y observado Y estimado (Yobs-Yest)^2 (Yos-Ypromedio)^2

SCT= 39,216; SCE = 2,7828

Error total =Error Experimental + Error del Modelo

SCT =SCE + SCM

Analizando con graficas.

Un diagrama de Pareto muestra cuales factores afectan la incorporación y la relativa

La grafica 1 exhibe lo siguiente:

Mientras el diagrama de Pareto muestra una clara visualización de la magnitud de un

Grafica de probabilidad normal.

Normal Probability Plot of the Standardized Effects

Grafica de efectos de las variables seleccionadas.

En la grafica 3, el factor A y B influyen directamente en la recuperación de Zinc, esto nos

recuperación aumentará en este caso estamos entrando a la siguiente etapa conocida

En la grafica 4, si el factor A toma un valor mínimo con referencia a B (línea continua)

Análisis superficial de respuestas. Aréa a

DISEÑO FACTORIAL FRACCIONAL

Para la mayoría de los experimentos, la cantidad de recursos disponibles (tiempo, dinero)

Porque usar diseño factorial fraccional.