ACTIVIDAD Nº 7

OBJETIVO. –

 Realizar análisis factoriales 2K-P con un análisis de biomasa, analizando nutrientes para el
cultivo de eucalipto hemicelulosico, lo cual nos permitirá mediante este análisis, determinar
cuáles son los nutrientes mas efectivos.
 Abordar más a fondo el concepto de ANOVA y la generación de modelos que se adapten a un
análisis de cualquier tipo, usando el programa SPSS.
FUNDAMENTO TEÓRICO. –
En estadística, un experimento factorial completo es un experimento cuyo diseño consta de dos o más
factores, cada uno de los cuales, con distintos valores o niveles, cuyas unidades experimentales cubren
todas las posibles combinaciones de esos niveles en todos los factores. Este tipo de experimentos
permiten el estudio del efecto de cada factor sobre la variable respuesta, así como el efecto de las
interacciones entre factores sobre dicha variable.

Por ejemplo, con dos factores y dos niveles en cada factor, un experimento factorial tendría en total
cuatro combinaciones de tratamiento, y se le denominaría diseño factorial de 2×2.

Si el número de combinaciones en un diseño factorial completo es demasiado alto para su

procesamiento, puede optarse por un diseño factorial fraccional, en el que se omitan algunas de las
combinaciones posibles.

Los resultados del ANOVA para dos factores pueden ser extendidos a un caso general en donde: a son
los niveles del factor A, b son los niveles del factor B, c son los factores del nivel C, y así
sucesivamente, los cuales pueden ser arreglados en un experimento factorial, en el cual el número de
réplicas es n.

Está diseñada para generar procesos de calidad. TAGUCHI desarrolló una aproximación al diseño de
experimentos con el objetivo de reducir los costos emanados de la experimentación, esta
aproximación es más práctica que teórica y se interesa más por la productividad y los costos de
producción que en las reglas estadísticas. Los conceptos de estas técnicas están basados en las
relaciones de costos y ahorros.

Diseñar un sistema de manufactura para elaborar un producto requiere de conocimientos técnicos

además de una gran experiencia en el área a la cual pertenece el producto.
Los diseños factoriales son ampliamente utilizados en experimentos en los que intervienen varios
factores para estudiar el efecto conjunto de estos sobre una respuesta. Existen varios casos especiales
del diseño factorial general que resultan importantes porque se usan ampliamente en el trabajo de
investigación, y porque constituyen la base para otros diseños de gran valor práctico.

En los últimos años se ha observado un creciente interés por algunas de las ideas del profesor Genechi
Taguchi acerca del diseño experimental y su aplicación al mejoramiento de la calidad.

El diseño factorial fraccionario 2k-p se usa en experimentos de escrutinio para identificar con rapidez y
de manera eficiente el subconjunto de factores que son activos, y para obtener alguna información
sobre la interacción. La propiedad de proyección de estos diseños hace posible en muchos casos
examinar los factores activos con más detalle. La combinación secuencial de estos diseños a través del
plegamiento es una forma muy eficaz de obtener información extra acerca de las interacciones, la cual
puede identificarse en un experimento inicial como potencialmente importante.

Diseño Factorial General 2k

Los diseños factoriales son ampliamente utilizados en experimentos en los que intervienen varios
factores para estudiar el efecto conjunto de estos sobre una respuesta. Existen varios casos especiales
del diseño factorial general que resultan importantes porque se usan ampliamente en el trabajo de
investigación, y porque constituyen la base para otros diseños de gran valor práctico.

El más importante de estos casos especiales ocurre cuando se tienen k factores, cada uno con dos
niveles. Estos niveles pueden ser cuantitativos como sería el caso de dos valores de temperatura
presión o tiempo. También pueden ser cualitativos como sería el caso de dos máquinas, dos
operadores, los niveles "superior" e "inferior" de un factor, o quizás, la ausencia o presencia de un
factor.
Una réplica completa de tal diseño requiere que se recopilen 2 x 2 x .... x 2 = 2k observaciones y se
conoce como diseño general 2k.

El segundo caso especial es el de k factores con tres niveles cada uno, conocido como diseño factorial
3k.
Se supone que:
a) los factores son fijos
b) los diseños son completamente aleatorios
c) se satisface la suposición usual de normalidad

El diseño 2k es particularmente útil en las primeras fases del trabajo experimental, cuando es probable
que haya muchos factores por investigar.
Conlleva el menor número de corridas con las cuales pueden estudiarse k factores en un diseño
factorial completo. Debido a que sólo hay dos niveles para cada factor, debe suponerse que la
respuesta es aproximadamente lineal en el intervalo de los niveles elegidos de los factores.

EJERCICIOS.-
USO DEL DISEÑO FACTORIAL FRACCIONAL PARA LA SELECCIÓN DE NUTRIENTES
PARA CULTIVAR “Paecilomyces variotii” EN EUCALIPTO HEMICELULOSICO
HIDROLIZADO
Fracción de hemicelulosa de eucalipto fue hidrolizado por tratamiento de chips de madera de
eucalipto con ácido sulfúrico. El hidrolizado fue usado como sustrato para el crecimiento de
Paecilomyces variotii IOC-3764 cultivado por 72 o 96 horas. La influencia del inhibidor, nutrientes y
tiempo de fermentación fue evaluada por un diseño fraccional de 28-4 y, subsecuentemente, 25-1. El
efecto del inhibidor (Ácido acético y furfural), nutrientes (rice bran, urea, potassium nitrate,
ammonium sulfate, magnesium sulfate and sodium phosphate) y tiempo de fermentado time fueron
investigados. El mas alto rendimiento (10.59 g/L de biomasa) fue obtenido cuando el microorganismo
fue cultivado por 72 horas en un medio compuesto por 30 g/L de rice bran, 9.4 g/L ammonium
sulfate (2 g/L nitrogen) and 2 g/L sodium phosphate.
SOLUCION:
Registramos las variables para nuestro análisis en SPSS:
Iniciamos con el analisis del modelo lineal univariante, obteniendo asi:
RESULTADOS DE EFECTOS PRINCIPALES.-

De la
tabla que
se

obtiene elegimos las variables que tengan un nivel de confianza de 74.2% <0.26 como ser: rb, ur, as,
sp y ft.
Analizamos las variables elegidas con sus respectivas interacciones de a 2 y obtenemos una nueva
prueba:
De la tabla que se obtiene elegimos las variables que tengan un nivel de confianza de 86% <0.14
como ser: rb, ur, as, sp y ft.

DISEÑO FACTORIAL 25-1

Registramos los datos en SPSS:
Analizando el modelo lineal univarinate obtenemos:

t
Realizamos una ANOVA con los efectos principales y las interacciones tomadas de dos, eligiendo la
interacción Ft Sp para poder seleccionar los efectos significativos como se muestra en la siguiente
tabla

Pruebas de efectos inter-sujetos

Variable dependiente: Biomasa
 Tipo III de
suma de Media
Origen cuadrados gl cuadrática F Sig.
Modelo corregido 167,721a 14 11,980 16,484 0,191
Intersección 700,529 1 700,529 963,911 0,020
Rb 32,862 1 32,862 45,217 0,094
Ur 1,422 1 1,422 1,957 0,395
Sp 10,709 1 10,709 14,736 0,162
As 52,817 1 52,817 72,674 0,074
Ft 0,146 1 0,146 0,201 0,732
Rb * Ur 2,536 1 2,536 3,490 0,313
Rb * Sp 0,322 1 0,322 0,443 0,626
Rb * Ft 15,662 1 15,662 21,550 0,135
Rb * As 0,263 1 0,263 0,361 0,655
Ur * Sp 2,273 1 2,273 3,127 0,328
Ur * Ft 29,621 1 29,621 40,758 0,099
Ur * As 10,973 1 10,973 15,098 0,160
Sp * As 5,844 1 5,844 8,042 0,216
Ft * As 2,273 1 2,273 3,127 0,328
Error 0,727 1 0,727
Total 868,977 16
Total corregido 168,448 15
a. R al cuadrado = 0,996 (R al cuadrado ajustada = 0,935)

De la tabla que se obtiene elegimos las variables que tengan un nivel de confianza de 86% <0.14
como ser: Rb, As, RbFt, y UrFt.

Entonces lo que hacemos es computar las variables de interaccion y analizar la ANOVA y obtener los
coeficientos para el modelo de regresión:

ANOVAa
Suma de Media
Modelo cuadrados gl cuadrática F Sig.
1 Regresión 130,961 4 32,740 9,607 0,001b
Residuo 37,487 11 3,408
Total 168,448 15
a. Variable dependiente: Biomasa
b. Predictores: (Constante), UrFt, RbFt, As, Rb

Coeficientesa
Modelo Coeficientes no Coeficientes t Sig. 95,0% intervalo de
estandarizados estandarizados confianza para B
 Límite Límite
B Desv. Error Beta inferior superior
1 (Constante) 6,617 0,462 14,337 0,000 5,601 7,633
Rb 1,433 0,462 0,442 3,105 0,010 0,417 2,449
As 1,817 0,462 0,560 3,937 0,002 0,801 2,833
RbFt -0,989 0,462 -0,305 -2,144 0,055 -2,005 0,026
UrFt -1,361 0,462 -0,419 -2,948 0,013 -2,376 -0,345
a. Variable dependiente: Biomasa

Obteniendo como modelo:

Biomasa=1.433 Rb+ 1.817 As−0.989 RbFt−1.361 UrFt

Con los datos ajustados realizamos la gráfica de biomasas observados y del modelo, como también el
error:

Nº Exp. Biomasa Biomasa Error

Observada Modelo
1 3,37 6,78364 3,41364
2 3,55 6,91273 3,36273
3 3,78 3,71909 -0,06091
4 2,81 4,37091 1,56091
5 5,53 4,25091 -1,27909
6 10,43 10,15091 -0,27909
7 5,35 7,21091 1,86091
8 11,57 12,51091 0,94091
9 2,93 0,14727 -2,78273
10 7,23 6,32 -0,91
11 3,9 2,58455 -1,31545
12 10,83 7,56182 -3,26818
13 11,69 8,28727 -3,40273
14 10,59 8,99818 -1,59182
15 4,92 8,48636 3,56636
16 7,39 7,57455 0,18455
 ANALISIS FACTORIAL DE BIOMASA
14
12
10
8
6
Biomasa

4
2
0
0 2 4 6 8 10 12 14 16 18
-2
-4
-6
Nº experimentos

Observada Modelo Error

CONCLUSIÓN. -
Como podemos observar en los cálculos y resultados obtenidos, se pudo determinar un modelo
mediante el análisis factorial 2 k-p, pudimos analizar las distintas variables independientes con niveles
de confianza determinados, para finalmente poder seleccionar las que tenían una significancia
importantes en nuestro modelo.