INGENIERÍA MECÁNICA I AÑO LECTIVO 2020

PROFESORA 1º1ª - 2ª: Mónica Lucioli

JEFE DE TP 1º1ª: Gustavo Tanzi
JEFE DE TP 1º2ª: Luciano Arbore
TUTORA EN C. C.: Gimena Crena

UNIDAD 1

OBTENCIÓN DEL
CONOCIMIENTO CIENTÍFICO
CONTENIDO:
· MIGUEL, Hernán y otros. Las Raíces y los Frutos - Temas de Filosofía de la Ciencia, capítulos 3 y 5. Buenos
Aires: Editorial CCC Educando, 1999
· CEGARRA SÁNCHEZ, José. Metodología de la investigación científica y tecnológica, capítulo 1. España,
Ediciones Díaz de Santos. 2004.
· MIGUEL, Hernán y otros. Las Raíces y los Frutos - Temas de Filosofía de la Ciencia, capítulo 9. Buenos Aires:
Editorial CCC Educando, 1999.
· GUTIERREZ PULIDO, Humberto y DE LA VARA SALAZAR, Román. Análisis y diseño de experimentos, capítulo 1.
México: McGraw-Hill, 2008.
· MIRANDA C., Marcelo y NAVARRETE T. Luz. Semmelweis y su aporte científico a la medicina: Un lavado de
manos salva vidas. Santiago de Chile: Revista Chilena de Infectología, vol. 25, num. 1, 2008.
· PEDRAZA YEPES, Cristian; GONZÁLEZ CONEO, Jorge; VARGAS H., Lisandro; REYES CARREÑO, Jorge; LÓPEZ
ÁLZATE, John. Determinación de los factores que influyen en la rugosidad superficial en un proceso de
mecanizado para el acero AISI 4140: cilindrado. Pereira, Colombia: Revista “Scientia Et Technica” de la
Universidad Tecnológica de Pereira, vol. 16, num. 49, 2011.
· TABOADA, Rodrigo. FAVRET, Aduardo. TESOURO, Omar. CANCIAN, Adrian. Aplicación del Biomimetismo para
el diseño de una herramienta agrícola. Vertientes del Conocimiento. 2015, Año 2, Vol. 2, pp. 35-38.
 Origen de la ciencia natural moderna
En este texto no nos ocuparemos de ver qué dice la ciencia sobre algún fenómeno en particular sino que nos
interesará reflexionar acerca de la ciencia misma y sus orígenes. El objeto sobre el cual vamos a reflexionar no
es la naturaleza sino esa actividad humana que consiste en estudiar, describir, explicar, etc, y que conocemos
como actividad científica. En particular nos ocuparemos del origen de la ciencia natural moderna.

EL NACIMIENTO DE LA CIENCIA MODERNA

Comencemos por distinguir el tipo de disciplina científica al que nos referiremos en esta parte. Cuando
hablamos de ciencia natural nos referimos (para dar una aproximación informal) a las disciplinas científicas
que tratan de explicar fenómenos naturales es decir aquellos en los cuales el hombre, con sus relaciones
sociales y su libertad de decidir, no es el objeto de estudio. Como ejemplos de tales disciplinas podemos citar
el caso de la física, la química o la biología. A aquellas disciplinas cuyo objeto de estudio es el hombre y sus
relaciones sociales se las denomina ciencias sociales. Como ejemplos de ciencias sociales podemos citar la
sociología, la antropología, la economía, la ciencia política, la psicología social, etc.
No es sencilla la tera de rastrear dónde y cuándo el hombre comenzó a desarrollar una actividad científica. No
pretendemos hacerlo acá. Nuestro interés se centra en los orígenes de la ciencia natural tal como la
conocemos actualmente. La obra de Copérnico sobre la revolución de las esferas celestes suele ser
considerada como el detonante de un período, de aproximadamente siglo y medio, que se conoce como la
Revolución Copernicana. Este período no solo alumbró una nueva cosmología, como hemos visto, sino que
también coincidió con un cambio sustancial en la manera de “hacer” ciencia. Este cambio se conoce como
Revolución científica del Siglo XVII y es donde nos vamos a detener.
Es común que se cite a Galileo como el fundador de la ciencia moderna, pero debemos tener en cuenta que
hubo otros científicos en la época que practicaron el nuevo modo de ver la ciencia. La existencia de estos es
lo que permite hablar de un período de cambio y no de la obra de un simple precursor iluminado. Entre estos
innovadores no solo cabe citar a discípulos de Galileo, como Torricelli, sino también a quienes trataron
modernamente otras disciplinas, además de la física, como el caso de W. Harvey quien aplicó esta nueva
manera de abordar los fenómenos naturales a la medicina.

¿Qué características diferencian al científico antiguo del moderno? Las diferencias son varias:
La física antigua adoptaba una metodología que podemos llamar demostrativa. Según esta metodología los
científicos procedían determinando enunciados verdaderos de los que se deducían otros que daban cuenta
de las observaciones. El cambio en la ciencia moderna proviene de una cambio de actitud de los científicos
hacia esos enunciados verdaderos iniciales ¿con qué criterio se determinaba la verdad de tales enunciados?
¿podía ser la reflexión la única garantía de tales verdades? La ciencia moderna adopta una postura algo
diferente. Los únicos que pueden brindar alguna información acerca de la verdad de los enunciados acerca de
sucesos del mundo real son ¡los sucesos del mundo real! Suele llamarse a la nueva ciencia, ciencia teórico-
experimental.

Tanto en la ciencia demostrativa como en la ciencia experimental se utiliza la deducción para obtener
enunciados de hechos del mundo a partir de otros enunciados. En esto no difieren. Por sí se diferencia en el
carácter de los enunciados iniciales. Mientras que en la ciencia antigua eran enunciados verdaderos, en la
ciencia experimental eran sólo conjeturas o generalizaciones obtenidas de la observación metódica.

Más adelante se verá cuáles son las características de las ciencias formales, como la matemática, y podremos
ver cómo la ciencia antigua fue un intento de aplicar la metodología formal a una ciencia fáctica. Para una
primera aproximación digamos que la ciencia fáctica es aquella que habla sobre los hechos del mundo real
mientras que la formal no tiene ninguna referencia en el mundo.
Otra diferencia entre las dos épocas está en la observación. No puede negarse que los científicos antiguos
observaban, sin embargo lo hacían de una manera diferente. Con la nueva ciencia los elementos a observar
no resultaban solo cualitativos como en la antigua, sino que eran fundamentalmente cosas medibles,
cuantificables. Tomemos un caso histórico a modo de ejemplo.

Al menos en el siglo XVI y probablemente también antes se sabía que el agua no ascendía por un tubo más
allá de 10 metros (10,33 para ser más precisos). Para decirlo de una manera sencilla, sin intentamos toma agua
de una botella mediante un sorbete cuya boca esté a más de diez metros de la superficie del agua no lo
conseguiremos. Podremos “chupar” tanto como queramos que el agua tozudamente se detendrá a 10 metros
de la superficie.

La explicación que se daba del ascenso del agua en la antigüedad se basaba en el postulado de la física
aristotélica sobre la imposibilidad del vacío. De acuerdo con esto cuando “chupamos”, el agua sube para
ocupar el lugar del aire que sacamos, dado que no puede quedar vacío en tal lugar. Esta explicación era
cualitativamente aceptable; sin embargo no era compatible con la observación del límite en el ascenso del
agua.

Torricelli fue quien dio una explicación que daba cuenta de la tozudez del agua. Supuso que estamos
sumergidos en aire (rodeados de un mar de aire, según sus términos), que el aire pesa y que el aire se comporta
de manera similar a un líquido. Obsérvese que son suposiciones que en nuestros días resultan corrientes, sin
embargo, darse cuenta de que vivimos sumergidos y que todo eso que nos rodea pesa no es algo tan sencillo
(en la época podían subir a una montaña pero no podían ir más allá de ahí. La posibilidad de salir de ese mar
de aire sólo la tenían cuando se sumergían en agua). De acuerdo con Torricelli todo cuerpo sumergido en aire
soporta cierta presión al igual que uno que está sumergido en agua. Luego el aire ejerce cierta presión sobre
la superficie del agua tanto dentro de nuestro sorbete como fuera de él. Cuando extraemos el aire de dentro
del sorbete (“chupando”) el aire deja de ejercer presión allí mientras que sigue ejerciéndola en la superficie
del líquido que está fuera del sorbete. Como resultado de esto el agua sube por el sorbete hasta que la presión
que ella ejerce iguala a la que ejerce el aire.

La explicación resumida aquí permite que analicemos otras características de la ciencia moderna.

1. Torricelli, y la ciencia moderna en general, se preocupó de un problema práctico y puntual: que no

pudiera extraerse agua de un pozo de más de diez metros de profundidad. Hasta esa época las
aplicaciones prácticas de la ciencia no habían sido tenidas en cuenta, salvo excepciones (tal vez
Arquímedes haya sido una de esas excepciones). Intentaban explicar, por ejemplo, por qué se mueve
una flecha pero no tenían la intención, ni lo hacían, de utilizar sus conclusiones para realizar disparos
de mayor precisión.
2. Utiliza magnitudes cuantificables para desarrollar su teoría: mide pesos específicos y también mide la
presión atmosférica.
3. Establece relaciones matemáticas entre magnitudes cuantificables. Volvamos a nuestro sorbete. Dado
que la presión atmosférica no cambia y es equilibrada por el peso de la columna de 10 metros de agua
entonces si en lugar de intentar subir agua por el sorbete intentamos subir mercurio llegará a una
altura 14 veces menor que la del agua puesto que su peso específico es 14 veces mayor. En este caso
relacione la altura de la columna de líquido con su peso específico.
Finalmente, de lo anterior se desprende que si se experimenta utilizando mercurio en vez de agua la altura
que alcanzará será de 76 cm aproximadamente. Torricelli además de predecir qué ocurriría lo comprobó
experimentalmente. Ésta es quizás la diferencia más relevante con la ciencia antigua. Los “nuevos” científicos
realizaban observaciones activas, en condiciones controladas y con magnitudes medibles. La observación en
la ciencia antigua se limitaba a registrar de manera cualitativa fenómenos que ocurrían espontáneamente, no
realizaban control alguno. Con la ciencia moderna nace la noción de control de variables, es decir el fijar
algunas de las variables que están en juego en la explicación de un fenómeno para revisar el comportamiento
de las que quedan libres. Torricelli, por ejemplo, tenía tres variables en juego: la presión atmosférica (que varía
a medida que se asciende sobre el nivel del mar dado que depende de la columna de aire que se tiene encima),
la altura de la columna del líquido a utilizar (el que asciende en nuestro “sorbete”) y el peso específico de
dicho líquido. Para poder contrastar su conjetura Torricelli realizó dos experiencias. Una es similar a la que
hemos descrito, dejó fija la presión atmosférica (es decir que se mantuvo a la misma altura sobre el nivel del
mar) y varió el peso específico del líquido (utilizando mercurio en lugar de agua), comprobando que la altura
de la columna de líquido tenía el valor esperado.

La segunda experiencia fue hecha para chequear que la presión cambiaba con la altura. Para eso mantuvo el
mismo líquido (es decir que fijó el peso específico) mientras que ascendió a una montaña (para lograr una
variación de la presión atmosférica) y comprobó que la altura de la columna de líquido era menor. Obsérvese
que en ambos casos fijó una de las variables, manipuló una segunda y observó que ocurría con la tercera.

CUESTIONES METODOLÓGICAS
A partir de lo dicha hasta aquí podemos extraer una serie de problemas interesantes para analizar, algunos de
los cuales trataremos más adelante.

En primer lugar hemos visto que tanto la ciencia antigua como la moderna utiliza la deducción (un
razonamiento lógico) para obtener consecuencias.

Hemos dicho por otra parte que la ciencia moderna conjetura hipótesis y a partir de ellas deduce lo que
debería ocurrir. El paso siguiente consiste en revisar si las observaciones coinciden o no con lo deducido. Esto
es someramente lo que sostiene el método hipotético-deductivo y el método para chequear hipótesis de la
ciencia moderna. Un ejemplo de esto lo vimos en el caso de Torricelli que predice la altura de la columna de
mercurio en una experiencia de ciertas características.

Hay al menos dos problemas que se desprenden de esto que acabamos de mencionar. Mediante la
observación de ciertos hechos ponemos a prueba una hipótesis, los posibles resultados de tal prueba son que
efectivamente ocurra lo predicho o bien que no ocurra. Ahora bien supongamos que se observe lo predicho
¿eso quiere decir que es cierta la conjetura? ¿Y qué ocurre si no se observa? ¿es falsa? Trataremos estas
cuestiones en los capítulos siguientes.

El otro problema que interesa mencionar se refiere a la observación. Hemos hecho hincapié en que una de las
características de la ciencia moderna, que la diferenciaba de la antigua, radica en que la fuente de verdad la
brinda la observación de los hechos. Pero ¿es una fuente realmente confiable la observación? Pensemos en la
infinidad de ejemplos de ilusiones ópticas que a veces se utilizan de forma lúdica. ¿No sería posible que el
observador científico fuera “engañado” de una manera similar? Por otro lado, aún suponiendo que no hay
“engaño”, la gran mayoría de las nuevas observaciones científicas se realizan mediante instrumentos. Desde
el mismo Galileo que utilizó el telescopio para observar los cráteres de la Luna o las fases de Venus hasta las
observaciones hechas mediante el COBE (Explorador de fondo cósmico) la ciencia moderna ha hechos uso de
instrumentos de observación cada vez más sofisticados. La mayor parte de estos instrumentos se fabrica en
base a algún resultado obtenido a partir de una teoría científica. El telescopio se basa en la teoría óptica, el
COBE en un conjunto de teorías más sofisticadas. ¿No podría ocurrir que tales teorías fueran falsas? Si esto es
así no podría detenerse el “efecto dominó”: la observación permite chequear la corrección de una hipótesis,
pero la observación hecha mediante un instrumento se sustenta en una teoría que fundamenta su
funcionamiento y que podría no ser correcta, luego no sería correcta la observación y por lo tanto no
podríamos garantizar la corrección de la hipótesis chequeada.
EL MÉTODO DE CONTRASTACIÓN DE HIPÓTESIS (O “MÉTODO CIENTÍFICO”)
Existen dos corrientes de pensamiento que intentan explicar el proceso de generación de hipótesis: la
descripción inductivista y la hipotético-deductiva.

Según la descripción inductivista, la formulación de las leyes empíricas consiste en encontrar una regularidad
dentro del conjunto de las observaciones registradas y formular una generalización que ponga en evidencia
esta regularidad. Este paso de las observaciones a las leyes empíricas se llama “inducción”. Luego, a partir de
las leyes así obtenidas, se podrán deducir tanto el conjunto de enunciados de observación de que se disponía
previamente como nuevos enunciados de observación aún no registrados (en este último caso es que
hablamos de una predicción).
Según la descripción hipotético-deductiva, la formulación de toda ley o conjunto de leyes conlleva un salto
creativo por parte del que la formula. Una vez formuladas dichas leyes, se extraerán de ellas por deducción
algunas conclusiones o consecuencias que permitan la confrontación de esas leyes con la experiencia.

Ya sea que las leyes se obtengan por inducción o por salto creativo, lo que de seguro ambas corrientes
acordarán es que se deben poner a prueba para determinar si estas hipótesis son verdaderas o falsas en el
sentido de verse confirmadas por los hechos o no.
Plantearemos en rasgos generales de qué modo pondríamos a prueba una hipótesis y qué resultados
esperamos obtener de esta puesta a prueba. Supongamos que queremos poner a prueba la ley:
“Todos los individuos poseen arterias cuyas secciones disminuyen con la distancia al corazón”.

Si esta ley se nos ocurrió a partir de la observación de las arterias de los pacientes 1, 2 y 3, una puesta a prueba
de la ley fijándonos si se cumple para esos mismos pacientes es una condición primordial para que la hipótesis
se sostenga. En este sentido decimos que la hipótesis propuesta debe explicar las observaciones ya realizadas.
Así la propuesta de la hipótesis se ve restringida por el conjunto de observaciones disponibles.

El paso siguiente es la puesta a prueba de la hipótesis confrontándola con algún caso que todavía no ha sido
observado. En estas circunstancias a hipótesis, aun cuando haya podido explicar las observaciones anteriores,
podría fallar. Esta puesta a prueba consiste entonces en averiguar si las predicciones que se extraen de la
hipótesis se cumplen o no.

Si la ley es verdadera y se refiere a todos los casos, entonces también valdrá para el caso del paciente 4, que
cumple con las condiciones típicas que cumplían los pacientes 1, 2 y 3.

Con este razonamiento (cuya validez daremos por aceptada) predecimos que “el paciente 4 tiene arterias
cuyas secciones disminuyen según la distancia al corazón”.
Hemos deducido un enunciado de observación a partir de una ley empírica. A este enunciado de observación
que hemos deducido de la ley lo llamaremos “consecuencia observacional”.

Ahora se plantean dos posibles resultados. O bien el paciente 4 presenta las arterias según lo dice el enunciado
anterior (consecuencia observacional) o bien presenta otras características que hacen que el enunciado sea
falso. Por ejemplo, observamos las arterias del paciente 4 y establecemos que la sección de las arterias
permanece constante no importa cuan lejos del corazón se hallen las secciones medidas. En este caso diremos
que la consecuencia observacional no se cumple o bien que es falsa.
Pero la ley pretendía ser verdadera para todos los casos de modo que si en uno de los casos no se observa lo
que predice la ley, diremos que es falsa.
Para ser más exactos, diremos que si una de sus consecuencias observaciones es falsa, entonces la ley ha sido
refutada. Vemos que la refutación de una ley consiste en que una de sus consecuencias observacionales no se
cumpla.

Ahora bien, ¿qué podríamos decir si la inspección del paciente 4 confirmara la consecuencia observacional?
¿Podríamos decir que la ley es verdadera? Lo que es seguro es que a partir de confirmar la consecuencia
observacional no hemos refutado la hipótesis, así que las evidencias con que contamos hasta el momento son
compatibles con que la ley sea verdadera.

Sin embargo, como la ley pretender ser aplicable a infinitos casos, no podemos saber si en alguna oportunidad
será refutada.

Podremos confirmar muchas de sus consecuencias observacionales y todavía quedará la posibilidad de que,
en el futuro, alguna consecuencia observacional indique una refutación. Por este motivo es que no podremos
verificar una ley (afirmación general) sino que sólo podremos aspirar a obtener una corroboración de la misma.
Diremos que una hipótesis ha sido corroborada cada vez que una de sus consecuencias observacionales se
verifique (siempre que no haya sido refutada previamente).

Esquemáticamente:

ACEPTACIÓN Y RECHAZO DE HIPÓTESIS EN UNA DISCIPLINA FÁCTICA

Uno de los objetivos que persigue el estudio de la lógica en este libro es el de aplicarlo a problemas
relacionados con la metodología de las ciencias fácticas. Trataremos en esta sección una de estas aplicaciones:
a saber, el análisis del fundamento lógico en que puede basarse la decisión de rechazar o aceptar una hipótesis
o conjeturas que no pueden ponerse a prueba directamente, ya sea porque se refieren a entidades que no se
pueden observar (por razones prácticas o por tratarse de entidades teóricas), ya sea porque son afirmaciones
generales que abarcan una cantidad muy grande o infinita de casos. En ese caso lo que se hace es poner a
prueba experimental alguna consecuencia particular verificable de la hipótesis (consecuencia observacional).
Cuando decimos que un enunciado de este tipo es consecuencia de una hipótesis, nos referimos a un tipo de
relación particular que existe entre ambos enunciados: si es cierta la hipótesis entonces es cierta la
consecuencia observacional.

Es aparentemente obvio que la intención es obtener del resultado de la experiencia elementos de juicio para
decidir si se rechaza o acepta la hipótesis: si la consecuencia observacional no se cumple rechazaríamos la
hipótesis, y la aceptaríamos en caso contrario.
 Medición de variables y diseño experimental
RECOLECCIÓN DE DATOS
Como hemos visto, en las ciencias fácticas los datos juegan un papel doblemente importante: por un lado
pueden dar origen a una teoría propuesta para tratar de explicar cierta colección de datos que nos haya
llamado la atención; por otro lado, una vez propuesta esa explicación para tales datos será importante
recolectar nueva información para ver si en futuras oportunidades se corroboran nuestras conjeturas tal como
fueron confirmadas por los primeros datos.

En este sentido cada dato puede servir tanto para incrementar la confianza que tenemos en un teoría como
para sugerir leves modificaciones, agregados e incluso el abandono total de tales creencias (la teoría).

También hemos viste que los datos recogidos con ayuda de algún instrumental, formulario o experimento
están cargados de teoría ya sea en la forma de la aceptación de la teoría que respalda el uso del instrumental,
o simplemente creencias del experimentador que no siempre son fáciles de revisar. En este sentido sabemos
que es muy objetable sostener que debemos realizar observaciones puras.

Una de las maneras en que la teoría impregna la recolección de datos se encuentra en las consideraciones que
hacen los investigadores acerca de cuáles aspectos son relevantes y cuáles no para la investigación. De este
modo, la recolección de datos no se identifica con el registro de absolutamente todos los aspectos que podrían
observarse sino sólo aquellos que parecen ser interesantes, dignos de tenerse en cuenta, o aspectos que
posiblemente tengan algo que ver con nuestra investigación. Los investigadores deciden cuáles aspectos son
relevantes y cuáles no. Estas decisiones hacen que podamos realizar la investigación ya que de otro modo la
cantidad de información sería enorme e imposible de recabar.

Por ejemplo, queremos estudiar los hábitos de alimentación de una determinada especie de hormigas y no se
nos ocurre tomar nota del color del automóvil que nos condujo a la zona de estudio. Hemos tomado la decisión
de que esa variable no es relevante para el estudio. Al producir una reacción química en el laboratorio,
posiblemente no nos interese si el día está nublado o soleado, ni qué tipo de cortinas hay en las ventanas, si
la ventana está cerrada o abierta, si la luz es de lámparas comunes, dicroicas o tubos fluorescentes, y así
tomamos varias decisiones sobre la irrelevancia de ciertos aspectos.

Estas consideraciones juegan el papel de hipótesis auxiliares en la recolección de datos y está claro que
podemos equivocarnos al juzgar como irrelevante algún aspecto que tenía cierta importancia en los
resultados. Por ejemplo puede ser que para muchas reacciones químicas en el laboratorio sea irrelevante el
tipo de iluminación, pero que para algunas reacciones sea de gran importancia. Si no tomamos nota del tipo
de lámparas del laboratorio, podría ocurrir que para cierta reacción química los resultados no siempre fueran
los mismos y no sabríamos a qué atribuir la diferencia ya que no hemos tomado nota de cuándo las reacciones
se produjeron con la luz prendida y cuándo con la luz apagada. Más adelante puede ocurrir que descubramos
que después de las 18:00 horas la reacción da un resultado y antes de esa hora, da otro resultado. Quizás
alguno de los investigadores se percate de que ésa es la hora a la que habitualmente se prende una
determinada luz en el fondo del laboratorio. Pero quizás no se den cuenta durante muchos años de cuál era
la variable relevante para obtener diferentes resultados. Más aun, quizás no la descubran nunca si esa luz no
siempre se enciende a la misma hora. Es por esto que las decisiones sobre cuáles son las variables relevantes
es una decisión crucial y puede revisarse en caso de que los datos no puedan ser explicados satisfactoriamente.

VARIABLES
A cada aspecto que en cada caso puede ser diferente se los suele llamar “variable”. Por ejemplo, el color de
ojos es una variable porque podemos encontrar una persona cuyo color de ojos es azul y otra para la cual es
marrón. De un caso a otro la variable se puede presentar con valores diferentes. Decimos que se puede
presentar en vez de se presenta ya que varias personas podrían presentar el mismo color de ojos.

Cada variable es un aspecto que puede tomar diferentes valores para diferentes casos. Los valores de la
variable color de ojos son: azul, celeste, verde, marrón, negro, etc. Es importante distinguir la variable de sus
valores. En nuestro ejemplo, la variable es “color de ojos” y los valores son “azul”, “verde”, etc.

Podemos encontrar varios ejemplos de variables en los estudios que realizó Mendel sobre las características
de las plantas. Cada características es una variable: color de la flor, textura de la semilla, etc. La variable
“textura de la semilla” toma los valores “lisa” o “rugosa”.
Es por esto que habitualmente las distintas respuestas posibles ya están sugeridas en los formularios. Sin
embargo en muchas oportunidades algún investigador observa un determinado proceso sin haber
confeccionado un formulario previamente. En esos casos anotará todo lo que le parezca de importancia y la
organización de esos datos en distintas variables será un trabajo posterior.

Cada vez que observamos registramos los valores de varias variables. Observamos un cliente comprando un
producto y para describir su actitud necesitamos distinguir varios aspectos. Realizamos un estudio de mercado
para insertar un nuevo producto y debemos registrar el valor que toman varias variables.

Todo estudio implica poder distinguir las variables que están en juego y qué valores toman para cada caso
individual. Más adelante se podrá ver si algunas de estas variables está correlacionadas de manera que una
de ellas cambia cuando cambia la otra o si son independientes. Luego se podrá sugerir un modelo que describa
cómo cambian algunas variables con otras y finalmente proponer una teoría que sirva para explicar estas
correlaciones y predecir lo que ocurrirá en casos todavía no observados.

VARIABLES NUMÉRICAS Y NO NUMÉRICAS

De todos los tipos de variables que podemos distinguir hay un tipo de variable que toma valores que funcionan
como rótulos y que no tienen relación alguna con las propiedades de los números. Por ejemplo, al estudiar un
grupo de personas: la nacionalidad, la raza, el color de ojos, el color de pelo, el domicilio, el tipo de trabajo, el
sexo, el número de teléfono, el número de documento, el tipo de documento. Al estudiar las plantas: el color
de la flor, la textura de las semillas, la forma de las vainas, el tipo de hoja, el tipo de raíz, etc. Al estudiar un
caso clínico: tipo de enfermedad, el grupo sanguíneo, droga con la que no se lo está tratando, enfermedades
que tuvo anteriormente, si es alérgico o no a la penicilina, etc. Al estudiar un caso de economía: país, moneda
en la que se negocia, tipo de transacción, tipo de producto, etc.
Todas estas variables son variables no numéricas.

Por otra parte encontramos una serie de variables cuyos valores pueden asociarse con números ya que la
variable posee características que encontramos en los números como por ejemplo el orden. Estas son
variables numéricas.

Por ejemplo, al estudiar un grupo de personas: el número de personas que componen el grupo, la edad, la
estatura, la frecuencia con la que van al cine, la cantidad de hijos, el salario, la cantidad de horas de trabajo
diario, las hora que mira televisión, etc. Al estudiar las plantas: la cantidad de pétalos, el tiempo en germinar,
el número de hojas, las horas de exposición al sol, el peso de los frutos, etc. Al estudiar un caso clínico: la
temperatura, la presión arterial, la cantidad de glóbulos rojos por unidad de volumen, la dosis de droga con la
que se lo está tratando, el peso, la cantidad de agua que bebe por día, etc. Al estudiar un caso de economía:
el productor bruto per cápita, el índice de precios al consumidor, el salario mínimo, la cantidad de toneladas
de trigo exportadas, los índices bursátiles, la deuda externa e interna, la cantidad de países con los que
comercia, etc.
Entre las variables numéricas podemos distinguir a su vez las que entre dos valores cualesquiera pueden tomar
valores intermedios y aquellas que no. Por ejemplo el número de personas del grupo estudiado no puede
tomar valores intermedios entre 20 y 21 personas; pero el peso de cada persona puede tomar valores
intermedios las llamamos “variables discretas” mientras que a las que sí pueden hacerlo se las suele llamar
“variables continuas”.

Existen algunas variables no numéricas que podrían pasar a ser numéricas ya que poseen alguna característica
que se presenta en los números. Por ejemplo el estrato socioeconómico al que pertenece una persona (bajo,
medio y alto); el grado de cierta lesión (leve, moderado, grave); la dureza de un material (blando, regular,
duro); el grado de ocupación de un lugar (despoblado, poblado, superpoblado). Para estas variables sería
razonable y recomendable asignar números a cada uno de los valores de la variable para que esos números
reflejen la propiedad de orden que existe entre los distintos valores de la variable. Por ejemplo se ha visto que
es útil que la variable “dureza del material” estuviera medida con números de modo que se ha asignado al
material más blando, (talco) dureza 1, y al más duro (diamante), dureza 10. De esta manera en la escala de 1
a 10 un material que tiene dureza 7 puede rayar al material que tiene dureza 6 pero no ocurre lo contrario.
Esta escala refleja en los números el orden que ya existía en la naturaleza. Los mismo podríamos hacer con las
demás variables que mencionamos.

Contrariamente a lo relatado en el párrafo anterior ocurre que para algunas variables sus valores son números
pero ello no las convierte directamente en numéricas. Por ejemplo, el número de documento, el número de
teléfono, el número de una habitación o departamento, el número asignado para un sorteo, el número de
lotería que compramos, el número de identificación para un cajero automático, etc. Todas estas variables
utilizan números para cada uno de sus valores pero no poseen ninguna de las características propias de los
números. No son variables numéricas porque solamente usan esos números como rótulos que distinguen un
valor de otro.

Para poder aclarar un poco más esta clasificación, veamos el tipo de escalas que podamos diseñar para
registrar cada variable.

ESCALAS DE MEDICIÓN
Cuando queremos registrar la nacionalidad de un grupo de personas necesitamos solamente los rótulos:
argentina, boliviana, brasileñas, paraguaya, uruguaya, etc. No tendría ningún provecho adicional, salvo la
brevedad, utilizar números para estas nacionalidades. La asignación de números (Argentina 1, Brasil 2, …) sería
totalmente arbitraria. Que una persona tuviera nacionalidad 2 no querría decir que tiene más nacionalidad
que la que tiene el valor 1. Los números solamente tendrían la información de que la nacionalidad 1 es distinta
que la nacionalidad 2. La mejor escala que podríamos lograr es una escala en donde toda la comparación que
se puede hacer para dos personas es si tienen la misma o distinta nacionalidad. A una escala como ésta se la
llama “escala nominal”. Por supuesto las variables no numéricas que no presentan una relación de orden entre
sus valores se miden en escalas nominales. La escala nominal es la escala más simple que podemos formar y
la única comparación posible entre los valores de la variable para dos casos distintos es la de valores distintos
o iguales.
Por ejemplo para estudios económicos: el tipo de trabajo, la profesión, la zona geográfica, el idioma, la
moneda, el tipo de recursos naturales, el tipo de productos manufacturados, países con los que se negocia,
temporada de mayor producción, mes en que se cierra el balance, tipo de empresa, etc.; para estudios en
ciencias naturales: el tipo de material, el tipo de tejido biológico, el elemento químico, el tipo de radiactividad
(alfa, beta, gamma), el tipo de energía utilizada (eólica, solar, nuclear, etc.), especia biológica que se estudia,
hábitat en el que se encuentra, tipo de alimentación, cada variable de la clasificación biológica (reino, filum,
clase, orden, familia, género y especie), etc.; para estudios clínicos: droga del tratamiento, grupo sanguíneo,
patología, síntomas, signos, cobertura médica, clínica en la que se interna, zona geográfica en la que contrajo
la enfermedad, tipo de actividad, etc.

Pero cuando la variable presenta una característica de orden como por ejemplo la escala de dureza que vimos
anteriormente, vale la pena definirla de forma que sea una variable numérica y registrarla en una escala en la
cual los números asignados presenten un ordenamiento que corresponda con el orden natural en que se da
la dureza de los materiales. Así elegiremos un número mayor para asignarle a un material más duro y un
número meno para uno más blando. Como vimos, la escala de dureza va de 1 a 10. En esta escala el orden de
los números expresa el orden de dureza de los materiales. La asignación de números no es del todo arbitraria
ya que debemos representar ese orden. Aun así queda cierta arbitrariedad porque podríamos haber elegido
una escala de 1 a 100 o de 20 a 30 o incluso con números negativos. A este tipo de escalas se las llama
“ordinales”. Las comparaciones que se pueden hacer con las escalas ordinales no sólo se refieren a si dos casos
tienen el mismo valor de la variable o distinto valor sino también cuál de ellos es mayor o menor. Se pueden
hacer comparaciones de orden. Si la variable se mantuviera definida de forma no numérica, igualmente se
mediría en escala ordinal. Por ejemplo el nivel educaciones presenta un orden: quien ha llegado a realizar
estudios universitarios tienen mayor nivel educacional que quien ha llegado a realizar solamente estudios
primarios o de educación general básica.

Como ejemplo de variables que se pueden medir en escalas ordinales tenemos los siguientes. Para estudios
económicos: el nivel educacional, la clase socioeconómica, jerarquías de los cargos públicos o privados, etc.;
para investigaciones en ciencias naturales: la dureza del material, actividad volcánica de una zona, la
intensidad del viento medida en la escala Beaufort, la intensidad de los movimientos sísmicos medida en la
escala Mercali, para estudios clínicos: el estado de coma del paciente (medido de 1 a 4), el grado de una
quemadura en la piel (de 1 a 3), el grado de toxicidad de algunos productos (de 1 a 6).

Estas escalas, debido a su característica de orden, cumplen con la propiedad transitiva: si A tiene un valor de
la variable menor que el de B y a su vez B tiene un menor que el de C, entonces podemos afirmar que A tiene
un valor menor que el de C.

Con las escalas ordinales todavía no podemos hacer un tipo de comparación que sería importante y que en
algunas variables es posible realizar. Si tenemos un material A de dureza 1, otro B de dureza 3 y otro C de
dureza 7, aunque los números cumplen ciertas relaciones (entre 7 y 3 la diferencia es el doble que la que hay
entre 3 y 1) esto no quiere decir que la diferencia de dureza entre los materiales C y B sea el doble de la
diferencia de dureza entre los materiales B y A. No podemos comparar diferencias ya que la variable “dureza
del material” admite como máximo comparaciones de orden.

En cambio la variable “temperatura” sí admite comparaciones entre diferencias. Por ejemplo al calentar agua
de 20°C a 100°C debemos lograr un aumento de temperatura (una diferencia) que es el doble del aumento
(diferencia) para llevarla de 20°C a 60°C. Estamos comparando diferencias. Entre dos temperaturas hay una
diferencia numérica que puede compararse con otras diferencias. Cuando podemos hacer estas
comparaciones además de las anteriores (de las escalas nominales y de las ordinales) entonces decimos que
la variable admite ser registrada en una escala de intervalos.

Finalmente hay una comparación más que puede ser hecha para ciertas variables. Por ejemplo podemos decir
que una caja pesa el doble que otra, o la mitad que otra. Esta comparación no pude hacerse para las
temperaturas: si tenemos una cantidad de agua a 20°C y otra cantidad a 40°C, la sgunda no está dos veces
más caliente que la primera. SI no nos convence este ejemplo pensemos en las temperaturas negativas: un
témpano a -20°C no está dos veces más caliente que uno a -40°C; y ¿qué podemos decir de un cubito a 0°C?
Notemos que en la escala Celsius (centígrada) fue arbitraria la elección del cero de la escala y esto impide que
podamos hacer las comparaciones de “doble”, “triple”, “mitad”, etc., ya que si eligiera el cero en otro punto
de la escala todos los valores de temperatura cambiarían y por lo tanto también cambiarían las proporciones.
Sin embargo cambiar de lugar el cero en la escala no produciría ningún problema para comparar las diferencias
de temperatura. Por eso la temperatura centígrada es una variable de intervalos.

Está claro entonces que la temperatura en la escala centígrada no admite comparaciones de proporcionalidad.
Pero las variables “peso”, “volumen”, “superficie”, “estatura”, “cantidad de habitantes”, etc., sí admiten tales
comparaciones. Por eso decimos que estas son variables que se miden en escalas de proporciones o también
de razones.
En las escalas de proporciones el cero de la escala no es arbitrario sino que representa ausencia de esa
cantidad. Sigue siendo arbitraria la elección de las unidades ya que la unidad es la medida de comparación
para las demás mediciones.

Otros ejemplos de variables de proporciones son: las horas de trabajo diaria la frecuencia con la que consume
determinado producto, la cantidad de empleados de la empresa, el producto bruto interno por habitante, la
distancia desde su domicilio al lugar de trabajo, la cantidad de pacientes atendidos por día, la cantidad de
glóbulos rojos por unidad de volumen, la dosis de medicamento, la cantidad de radiación recibida, la masa de
un asteroide, el volumen de una habitación, la superficie de un campo, etc.

Es fácil ver que las variables de proporciones también admiten las comparaciones que se podían realizar en
escalas anteriores. De este modo las escalas van desde las nominales en las que se pueden hacer pocas
comparaciones hasta las de proporciones en las que se pueden hacer el máximo de comparaciones entres
entre los valores de la variable. Por supuesto si una variable admite ser registrada en escala de proporciones
debemos armar una escala de este tipo y no quedarnos simplemente con una nominal. Por ejemplo, si
queremos registrar el peso de las personas, sería una lástima armar una escala nominal en donde ni siquiera
se note el orden (a los más pesados les asigno la letra J, a los de peso intermedio les asigno la letra Z y a los
más livianos les asigno la letra F).

En el cuadro siguiente se muestran los tipo de comparaciones que se pueden realizar para cada tipo de escala.

Permite comparaciones de:

Tipo de escala Distinción: Orden: Diferencias: Proporciones:
Distinto que… Mayor que… Cuanto más que… Doble, mitad…
Nominal Sí
Ordinal Sí Sí
Intervalos Sí Sí Sí
Proporciones Sí Sí Sí Sí

VARIABLES EXTENSIVAS E INTENSIVAS

Las variables extensivas o extensionales son aquellas cuyo valor depende de la cantidad o extensión del objeto
que estamos midiendo. Son ejemplos de variables extensionales el volumen, la cantidad de droga
administrada, la cantidad de pacientes, la neuronas afectadas por una lesión, las toneladas de trigo exportadas
anualmente, los metros cuadrados de una propiedad, las horas-hombre necesarias para construir un puente,
las bolsas de cemento necesarias para construirlo, la cantidad de encuestados, etc.

Una manera de identificar este tipo de variables es que la unión física de dos grupos u objetos del mismo tipo
que tengan la misma medida de la variable (por ejemplo la unión de dos grupo de 20 personas) da por
resultado un objeto o grupo con el doble de tal valor (resulta un grupo con 40 personas). Es decir que la unión
física de los objetos es acompañada por una suma aritmética de las medidas de la variable: al administrar dos
comprimidos se ha administrado la suma de las cantidades de droga de cada uno.
Como el lector habrá anticipado no todas las variables son de este tipo. Existe otro tipo de variables para las
cuales una unión de objetos o grupos no conlleva la suma de las medidas de la variable. Por ejemplo, si coloco
en la misma habitación dos pacientes de 50 años no obtendré un paciente de 100 años.

Si juntamos los contenidos de dos jeringas de 1 centímetro cúbico de solución glucosada al 25% no
obtendremos una solución al 50% sino dos centímetros cúbicos de solución al 25%. En este ejemplo se advierte
que el volumen es una variable extensiva (ya que se obtienen 2 cm3) mientras que la concentración es una
variable intensiva (ya que la solución sigue estando diluida al 25%).

Son intensivas la edad, la temperatura, el color, la profundidad de la lesión, la gravedad de la lesión, el cociente
intelectual, la concentración de una solución, la densidad del material, el índice de precios al consumidor, el
producto bruto per cápita de un país, la frecuencia de concurrencia al cine, las horas por día que trabaja un
empleado, etc.

Cuando se unen dos objetos del mismo tipo con la misma medida de una variable intensiva, el conjunto
conserva el mismo valor de esa variable. Si juntamos un litro de agua a 60°C con otro litro de agua a 60°C
obtendremos dos litros de agua a 60°C análogamente a lo que ocurrió con las concentraciones de glucosa.
 Nota Histórica

Semmelweis y su aporte científico a la medicina:

Un lavado de manos salva vidas

Marcelo Miranda C. y Luz Navarrete T.

Clínica Las Condes, Santiago,
Chile (MMC, LNT)
Unidad Neurología (MMC)
Biblioteca (LNT)
Fundación Parkinson y Alzheimer
(MMC)
Recibido: 12 de abril de 2007
Aceptado: 5 de junio de 2007
Correspondencia a:
Marcelo Miranda Cabezas
marcelomirandac@gmail.com
Semmelweis and his outstanding contribution to Medicine: Washing hands saves lives
Ignaz Semmelweis was a Hungarian obstetrician who in the nineteenth century, preceding the discoveries
of Pasteur and Lister, proposed the infectious etiology of puerperal sepsis. With a simple antiseptic
procedure, he achieved marked reduction of the prevalence of this disease. However, he needed to fight
against the reluctancy of his colleagues who didn’t accept his observations although they were for the first
time in the history of Science, supported by statistical significance analysis. This report describes biographical
data of this revolutionary physician and the circumstances of his strange death based on information not
often revealed.
Key words: Semmelweis, IP; puerperal infections; antisepsis.
Palabras clave: Semmelweis IP; sepsis puerperal; antisepsis.

L
a sepsis ocasiona en el mundo 1.400 muertes
cada día, muchos de estos pacientes adquieren
la infección estando hospitalizados y constitu-
ye la complicación intra-hospitalaria más frecuente1.
La infección nosocomial de pacientes por las manos
contaminadas del personal de salud es una de la for-
mas de diseminación de los agentes infecciosos. En la
actualidad, la higiene de las manos es el factor indivi-
dual más importante para el control de las infecciones.
Aún en nuestros días, el lavado de manos es realizado
sólo un tercio a la mitad de lo frecuente que debería ser
hecho1. En la actualidad, es difícil entender que un
hecho tan rutinario en la práctica de la medicina, como
lavarse las manos previo a examinar a un paciente,
haya causado tanta controversia e, incluso, oprobio a
la persona que lo planteó como una medida básica
para la atención de un enfermo. Ese fue el caso de
Ignaz Semmelweis quién no sólo descubrió que esta
simple medida salvaba vidas, sino que por primera vez
aplicó la comprobación estadística a sus hallazgos.
Esta comunicación revisa algunos aspectos de su
vida y los hechos que llevaron a uno de los descubri-
mientos que han cambiado la historia de la medicina.
Datos biográficos. Ignaz Philipp Semmelweis, na-
ció el 1 de julio de 1818 en Taban, (orilla derecha del río
Danubio, capital de Hungría) (Figura 1). Fue el quinto
de siete hermanos e hijo de comerciantes. Hungría era
entonces parte del imperio austríaco, cuya capital era
Viena. Sus estudios médicos los realizó inicialmente en
Hungría y luego en Viena, graduándose como médico
obstetra en agosto de 1844. En Viena logró amistad
con destacados médicos como el anátomo-patólogo
Karl von Rokitansky, Josef Skoda y Ferdinand von
Hebra. Rokitansky es uno de los fundadores de la
anatomía patológica, Skoda de los métodos de auscul-
tación y percusión pulmonar y Hebra es considerado
padre de la dermatología3-7.
A los 28 años de edad fue nombrado asistente de la
primera clínica ginecológica de Viena. La práctica obs-
tétrica de Semmelweis se inició en el Allgemeines
KrankenHaus, el gran hospital general de Viena. La
clínica vienesa recibía estudiantes de varias partes de
Europa, pero la fiebre puerperal hacía estragos.
Semmelweis, muy conmovido por lo que observaba,
empezó a recopilar información, a cuantificar datos y
reflexionar sobre lo que estudiaba. Comenzó a apreciar
diferencias en las frecuencias de presentación de la
enfermedad entre las dos salas de maternidad existen-
tes y concluyó, luego de grandes esfuerzos y búsque-
das, con la elaboración de un nuevo concepto: existía
una "materia cadavérica" que era transportada por las
manos de los médicos y estudiantes que tenían a su
cargo la atención de las madres en trabajo de parto en
la Clínica 1 y generaba en ellas la fatal enfermedad3-7.
Propuso el uso de soluciones con cloro para el lavado
de manos de los médicos, antes y después de atender
y examinar a sus pacientes (Figuras 2 y 3). Esta medida
se inició a mediados de mayo de 1847. Minuciosamen-
te anotó durante temporadas el comportamiento de las
muertes y descubrió que, con la medida del lavado de

54 www.sochinf.cl Rev Chil Infect 2008; 25 (1): 54-57

 Nota Histórica

manos, éstas disminuyeron extraordinariamente. Con-

sultó los archivos y registros del hospital de materni-
dad de Viena desde su apertura en 1784 hasta 1848.
Elaboró tablas con los datos de partos, defunciones, y
tasas de mortalidad para esos años. Registró enormes
diferencias en las tasas de mortalidad, por ejemplo, del
12,11% n 1842 contra el 1,28% en 1848. Verificó el
efecto fatal de la atención obstétrica por parte de los
estudiantes de medicina, en comparación con las tasas
menores entre las pacientes asignadas a las matronas
en la Clínica 2, quienes no tenían contacto con los
estudios anatómicos en cadáveres7.
Diferentes razones eran dadas para explicar aquella
diferencia: la angustia que causaba el sonido de la
campanilla del acólito que precedía al sacerdote, cuan-
do éste se dirigía allá para administrar los sacramentos
a las moribundas; la vergüenza que sentían las mujeres
ante los estudiantes, y la mala ventilación. Semmelweis Figura 1. Retrato de
sabía que esas razones estaban erradas, pero no así Semmelweis a los 39 años en
cuál era la naturaleza de la fiebre puerperal. El hecho 1857 en su época de obstetra
decisivo fue la muerte de su amigo Kolletschka, profe- en Viena2.
sor de medicina legal: al hacer una autopsia un discí-
pulo lo hirió en un dedo3-7. Murió con los mismos
síntomas que los de la fiebre puerperal, y los hallazgos
de su necropsia fueron, en todo, similar a lo hallado en clínica como las partículas de cadáveres adheridas a
las madres y sus hijos víctimas de la fiebre puerperal. las manos de los examinadores, fue fácil explicar el
Semmelweis defendió con vigor su descubrimiento y motivo por el cual las mujeres que dieron a la luz en
la salud de sus pacientes, Hay que terminar con la la calle tenían una tasa notablemente más baja de
matanza, escribió. Concluye "... Una vez que se identi- mortalidad que las que dieron a luz en la clínica..."2.
ficó la causa de la mayor mortalidad de la primera Postuló que estas partículas cadavéricas entraban por

Figura 3. El lavamanos que

Figura 2. Dibujo ambientado en la época, de una sala de partos del Hospital de usó Semmelweis previo al exa-
Viena representando a Semmelweis enseñando a sus alumnos2. men de sus pacientes2.

Rev Chil Infect 2008; 25 (1): 54-57 www.sochinf.cl 55

 Nota Histórica
el torrente sanguíneo de la persona afectada y que
podía afectar no sólo a puérperas sino a las embaraza-
das y a sus propios hijos recién nacidos2-6. Semmelweis
indujo la enfermedad en animales como conejos, pero
decidió no utilizar el microscopio para observar los
tejidos afectados, ya que lo consideró irrelevante3,7-11.
Sus observaciones no tuvieron eco, él mismo fue ame-
nazado. No era posible que se culpara a los propios
médicos de estas muertes, era un insulto para la ima-
gen de los médicos. Incluso su propio jefe de Obstetri-
cia, el Profesor Klein, estuvo en contra de él y prohibió
esta medida sanitaria, relevando del cargo a
Semmelweis en 1849 y dejando a Braun, quien creía
que todo era problema de mala ventilación: con lo que
la tasa de mortalidad aumentó nuevamente. Lleno de
amargura dejó la clínica, asumió la cátedra de Obstetri-
cia Teórica y Práctica en la Universidad de Pest en
Hungría, logrando aplicar su método y reduciendo
notoriamente la tasa de mortalidad3,7-11.
Existían ya antecedentes de que medidas preventi-
vas reducían la fiebre puerperal, así el obstetra esco-
cés Alexander Gordon de Aberdeen, (Escocia), reco-
noció el carácter epidémico de la condición y recomen-
dó el lavado riguroso de médicos y enfermeras, que-
mar la ropa de las personas afectadas y fumigación de
la ropa de atención de los profesionale7. El Dr. Robert
Collins, jefe del Hospital Rotunda de Dublín, Irlanda,
durante 1829 combatió exitosamente la enfermedad
con una exhaustiva limpieza con preparados de cloro
en las salas de atención7. Las sábanas y ropa se lava-
ron al seco a temperaturas de 120 a 180 ºC. Oliver
Wendell Holmes, médico y escritor norteamericano
publicó en 1843 un artículo llamado “La contagiosidad
de la fiebre puerperal”. Holmes advertía del riesgo de
transmisión de miasmas por los propios médicos que
habían hecho disecciones y luego atendían partos,
validando las medidas preventivas tomadas por Collins
en Dublín. Fue rechazado por sus colegas obstetras
norteamericanos y sus observaciones no fueron con-
sideradas en su propio país6,7,11.
Su propia enfermedad. A partir de 1860, el ánimo de
Semmelweis decayó, sufrió importantes episodios de-
presivos, arranques de irritabilidad y cambios
conductuales como la decisión de atender a sus pa-
cientes en Budapest sólo en la noche. Esta sintoma-
tología fue atribuida al estrés y a la incomprensión
sufrida por parte de sus pares. Biógrafos como Frank
Slaughter en 1950, plantearon que las experiencias
trágicas que le tocó vivir a Semmelweis “destruyeron
su mente” y lo hicieron “un mártir de la estupidez del
mundo”, “los largos años de controversia, la amarga
frustración sufrida, el recuerdo de las pacientes que
vio morir, primero por no poder descubrir porqué
morían y luego porque sus colegas no podían enten-
56 www.sochinf.cl
der los simples principios que él propuso para evitar
las muertes; todas estas cosas fueron cargas dema-
siado grandes que pueden haber destruido la salud
de cualquiera. Su tendencia natural a la tristeza
aumentó, hubo días que prácticamente no hablaba a
sus colegas, haciendo clases en un lenguaje monóto-
no e incomprensible a sus alumnos interrumpido por
arengas que hacía a ratos sin mayor sentido”7.
Sus amigos observaron un progresivo deterioro
intelectual, psicosis con rasgos paranoideos y deci-
dieron internarlo en un sanatorio en Viena, a cargo del
psiquiatra Riedel en julio de 1865. En el sanatorio se
descubrió que Semmelweis presentaba una herida en
unos de sus dedos, atribuyéndose a alguna cirugía,
pero parece más cierto que se haya provocado en las
medidas de contención que necesitó. La herida se
gangrenó, se desarrollaron múltiples abscesos y
Semmelweis murió el 13 de agosto de 1865 a los 47
años de edad3,7-11.
Biógrafos más recientes como Nuland3, plantean
una visión distinta de los hechos, en el sentido que,
Semmelweis, por su especial carácter, haya inducido el
rechazo que sufrió. Esto habría sido por su actitud
arrogante, descalificadora con los colegas y la demora
en publicar en 14 años sus estudios, lo que habría
motivado las reticencias en aceptar sus observacio-
nes3. Nuland plantea que haya sufrido una enferme-
dad de Alzheimer como explicación de su demencia, y
que muriera a consecuencia de los golpes recibidos
para tratar de controlarlo en el sanatorio en que se
encontraba internado. Esto, sin embargo, no se apoya
en los hallazgos de la necropsia realizada y que fueron
revelados recién en 19477,11. Estos hallazgos describen
múltiples focos sépticos renales, óseos y pulmonares
derivados de la lesión gangrenosa del dedo medio
derecho, lo que es compatible con lo que ya se cono-
cía. Sin embargo, son muy interesantes además los
cambios en el sistema nervioso central, compatibles
con una meningitis crónica incluyendo la médula
espinal. Para Bauer, estos hallazgos apoyan la presen-
cia de una neurosífilis. Perfectamente esta condición,
muy frecuente en esa época, da cuenta de los cam-
bios neuropsiquiátricos y la precoz demencia de
Semmelweis7.
Su única obra en que resume su experiencia se
publicó en 1861: Etiología, concepto y profilaxis de la
fiebre puerperal.
Esa época fue muy importante en avances científi-
cos. Rudolf Virchow, ya comenzaba a hablar de higie-
ne y medicina social; sin embargo, Virchow no apoyó a
Semmelweis en sus postulados. Años más tarde for-
mularía la tesis "Omnia cellula a cellula" (cada célula
surge de otra célula) y llegaría a entender el organismo
vivo como una especie de "estado" constituido por
Rev Chil Infect 2008; 25 (1): 54-57
 Nota Histórica

células. La posterior obra de Virchow "La Patología
Celular" sería uno de los fundamentos de la compren-
sión y el avance de la medicina en lo que restó de la
segunda mitad del siglo XIX. En el año de 1848, Claude
Bernard en Francia, descubrió en el páncreas de ani-
males una sustancia que emulsionaba y saponificaba
las grasas (hoy esta es la enzima lipasa pancreática); el
método de la "medicina experimental" fue tomando
cuerpo. Más adelantada la segunda mitad del siglo
XIX, Pasteur y Koch, aclararían, finalmente, los postula-
dos básicos de la enfermedad como producto de la
infección bacteriana y se demostró la existencia del
"contagium animatum", los microorganismos. Pasteur
reconoció el mérito de Semmelweis en 1879, en una
reunión de la Academia de Ciencias de París, en que se
discutió sobre la fiebre puerperal. Mientras un exposi-
tor hablaba de posibles causas de este cuadro, Pasteur
lo interrumpió diciendo: “nada de eso explica la
fiebre puerperal: es la enfermera y el médico que
llevan los microbios de una persona infectada a
otra sana”7. En ese año Pasteur identificó al estrep-
tococo como el agente causal.
Semmelweis es un extraordinario ejemplo de obser-
vación metódica, raciocinio y reflexión, es el resultado
de uno de los más auténticos casos de compromiso
personal con la vocación de médico. Lo que hoy nos
parece tan evidente u obvio, representó en su momen-
to un cambio de visión asimilado por pocos. Tuvo que
avanzar en medio de incomprensiones y de dificulta-
des.
La importancia del aporte de Semmelweis a la obste-
tricia y medicina en general no ha sido aún superado
siquiera por los avances de las nuevas tecnologías
genéticas de los últimos años del siglo XX. La historia
ha valorado a este médico húngaro de modo justo
después de su muerte. Su vida fue la de un hombre que
luchó con entereza y sin vacilación por sus ideales y
convicciones.
Resumen
Ignaz Semmelweis, fue un obstetra húngaro que a
mediados del siglo XIX, precediendo los hallazgos de
Pasteur y Lister, logró descubrir la naturaleza infeccio-
sa de la fiebre puerperal, logrando controlar su apari-
ción con una simple medida de antisepsia. Debió lu-
char con la reticencia de sus colegas que no aceptaron
sus observaciones que, por primera vez en la historia,
fueron apoyadas con datos estadísticos. Esta comu-
nicación describe datos biográficos de este trascen-
dente científico y las circunstancias que rodearon su
extraña muerte, apoyada en información infrecuente-
mente divulgada.

Referencias 4.- Lee R, Chien A. Semmelweis. Med Hist 90: 345-8.

1.- Best M, Neuhauser D. Ignaz Semmelweis and
the birth of infection control. Qual Saf
Health Care 2004; 13: 233-4.
2.- http://www.answers.com/topic/
ignaz-semmelweis (Accedido 15 de
enero 2007).
3.- Nuland S. The Doctor`s plague: germs,
childbed fever, and the strange story of
Ignác Semmelweis, New York, Atlas Books/
Norton, 2003.
2005; 48: 616-8.
5.- Carter C K. Ignaz Semmelweis, Carl
Mayrhofer, and the rise of the germ theory.
Med Hist 1985; 29: 33-43.
6.- Carter C K Semmelweis and his predecessors
Med Hist 1981; 25: 52-72.
7.- Bauer J. The tragic fate of Ignaz Phillip
Semmelweis. Calif Med 1962; 48: 264-6
8.- Dunn P M. Ignaz Semmelweis of Budapest
and the prevention of puerperal fever
Arch Dis Child Fetal Neonatal Ed 2005;
9.- Raju T N. Ignác Semmelweis and the
etiology of fetal and neonatal sepsis. J
Perinatol 1999; 19: 307-10.
10.- Tan S Y, Brown J. Ignác Philipp Semmelweis
(1818-1865): handwashing saves lives.
Singapore Med J 2006; 47: 6-7.
11.- Gillies D. Hempelian and Kuhnian
approaches in the philosophy of medicine:
the Swemmelweis case. Studies in History
and Philosophy of Biological and Biomedical
Sciences 2005; 36: 159-81.

Rev Chil Infect 2008; 25 (1): 54-57 www.sochinf.cl 57

 Scientia Et Technica
ISSN: 0122-1701
scientia@utp.edu.co
Universidad Tecnológica de Pereira
Colombia

Pedraza Yepes, Cristian; González Coneo, Jorge; Vargas H., Lisandro; Reyes Carreño, Jorge; López
Álzate, John
Determinación de los factores que influyen en la rugosidad superficial en un proceso de mecanizado
para el acero AISI 4140: cilindrado
Scientia Et Technica, vol. XVI, núm. 49, diciembre-, 2011, pp. 37-44
Universidad Tecnológica de Pereira
Pereira, Colombia

Disponible en: http://www.redalyc.org/articulo.oa?id=84922625007

&yPRFLWDUHODUWtFXOR
1~PHURFRPSOHWR
0iVLQIRUPDFLyQGHODUWtFXOR
3iJLQDGHODUHYLVWDHQUHGDO\FRUJ
Sistema de Información Científica
Red de Revistas Científicas de América Latina, el Caribe, España y Portugal
Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
Scientia et Technica Año XVI, No 49, Diciembre de 2011. Universidad Tecnológica de Pereira. ISSN 0122-1701 37

Determinación de los factores que influyen en la

rugosidad superficial en un proceso de mecanizado
para el acero AISI 4140: cilindrado
Determination of factors influencing surface roughness in a machining process for AISI
4140 steel: turning
Cristian Pedraza Yepes1, Jorge González Coneo2, Lisandro Vargas H3., Jorge Reyes Carreño4, John López
Álzate5
Universidad del Magdalena, Santa Marta, Colombia
ingcpedraza@hotmail.com
jgonzalez@cuc.edu.co
lvargash@gmail.com
radicación_9@hotmail.com
inghammer@hotmail.es

Resumen— En este artículo1 se discute el uso de algunas2
técnicas del diseño de experimentos (DOE), tales como el
diseño factorial, la regresión lineal múltiple o la
metodología de superficies de respuesta (RSM) para la
minimización de la rugosidad superficial en el torneado del
acero AISI 4140. Los resultados medidos fueron
recolectados y analizados con ayuda del paquete de software
comercial MINITAB15. Los experimentos han sido
conducidos utilizando la técnica del diseño factorial 24. La
matriz de condiciones experimentales incluye velocidades de
corte de 65 y 80 m/min, avances de 0.055 y 0.08 mm/rev,
profundidades de corte de 0.5 y 0.7 y el uso de refrigerante
(unidades codificadas), 0 = Sin refrigerante, 1= Con
refrigerante. Se evalúa el efecto de los parámetros de corte y
se determinan las condiciones de corte óptimas para la
minimización de la rugosidad superficial. Se ha establecido
un modelo de primer orden entre los parámetros de corte y
la rugosidad superficial utilizando la RSM.
Palabras clave— superficie, rugosidad, diseño
experimentos, acero, metodología de superficies
respuesta.
Abstract— This paper discusses the use of some Design of
Experiments (DOE) techniques, such as factorial design,
multiple linnear regression or response surface
methodology (RSM) for minimizing the surface roughness
in turning of AISI 4140 steel. The measured results were
then collected and analyzed with the help of the commercial
software package MINITAB15. The experiments have been
conducted using 24 factorial design technique. The matrix
of test conditions included cutting speeds of 65 and 80
m/min, feed rates of 0.055 and 0.08 mm/rev, depth of cut of
0.5 and 0.7 and use of coolant (coded units), 0=without
coolant, 1=with coolant. The effect of cutting parameters on
surface roughness is evaluated and the optimum cutting
condition for minimizing the surface roughness is
determined. A first-order model has been established
between the cutting parameters and surface roughness
using RSM. The experimental results reveal that the most
significant machining parameter for surface roughness is
coolant followed by depth of cut.
Key Word — surface, roughness, design of experiments,
steel, response surface methodology.
I. INTRODUCCIÓN
La exigencia general3 del mercado actual en relación4 a la
de calidad de los productos que la industria provee, junto
de con el desarrollo de la automatización a nivel de todos los
procesos en industrias como la metalmecánica, la
aeronáutica o la automotriz, y en particular en la
fabricación de piezas mecánicas5 con operaciones de
remoción de material (torneado, fresado, taladrado entre
otras), ha llevado al uso de modelos que permitan ayudar
a determinar las condiciones óptimas de maquinado para
la obtención de un buen acabado superficial. Benardos y
Vosniakos [1], presentan en 2003 un estudio en el que
clasifican 4 diferentes metodologías utilizadas por los
investigadores hasta el momento para la predicción de la
rugosidad superficial en el mecanizado. Una de esas

1 3
Ingeniero Mecánico, (C) M. Sc. Ingeniero Mecánico, M. Sc.
4
2 Ingeniero Industrial
Ingeniero Mecánico, (C) M. Sc. 5
Ingeniero Industrial
Fecha de Recepción: 26 de Agosto de 2011
Fecha de Aceptación: 12 de Diciembre de 2011
38 Scientia et Technica Año XVI, No 49, Diciembre de 2011. Universidad Tecnológica de Pereira.
metodologías es el diseño de experimentos, en la cual,
técnicas como el diseño factorial, la metodología de
superficies de respuesta y la regresión lineal múltiple se
pueden desarrollar de forma combinada.
Gracias al conocimiento derivado del análisis de los
resultados obtenidos en los procesos experimentales, se
logró establecer una metodología para la selección de
parámetros de mecanizado, para uso en empresas
dedicadas a procesar el acero estudiado. La metodología
de experimentación y evaluación del acero AISI 4140
aplicada aquí, puede usarse para la evaluación de otros
materiales.
II. CONTENIDO
El tema de la Rugosidad Superficial ha sido ampliamente
estudiado por muchos autores, en busca de intentar
predecir su comportamiento, así como definir los
diferentes factores que la determinan.
En el trabajo propuesto por Davim J. [2], se establece una
correlación entre la velocidad de corte, el avance y la
profundidad de corte radial, para obtener ecuaciones para
Ra y Rt (parámetros de rugosidad superficial), obtenidas
por regresión lineal múltiple.
Vivancos J. y otros [3], presentan un trabajo cuyo
objetivo es establecer las variables que deben ser
consideradas en un modelo de rugosidad superficial en el
mecanizado a alta velocidad, y para ello emplean el
diseño de experimentos. Los parámetros considerados
son la velocidad de corte, el avance, la profundidad de
corte radial y la profundidad de corte axial.
Ghani J.A. [4], evalúa los parámetros velocidad de corte,
avance y la profundidad de corte radial, para el fresado
de acabado. El objetivo de los experimentos es poder
optimizar los parámetros para obtener valores más bajos
(mejores) de rugosidad y de fuerza de corte resultantes.
Kopac J. y Bahor M. [5], utilizan la metodología de
superficies de respuesta, para el diseño y análisis de
experimentos que permiten evaluar la influencia de la
historia tecnológica del material de la pieza sobre la
rugosidad. Evalúan la velocidad de corte, el avance y el
radio de la herramienta.
De forma general los parámetros de corte velocidad de
corte, avance y profundidad de corte, son considerados
como los factores más relevantes a considerar en los
modelos de predicción de la rugosidad superficial.
EL ACERO Y SUS GENERALIDADES
El Acero es una aleación de hierro que contiene entre
0.02 y 2.11% de carbono en peso. Frecuentemente se
incluyen otros elementos aleantes como: Manganeso,
Cromo, Níquel y Molibdeno, pero el contenido de
carbono es el convierte el hierro en acero. Los hay 1)
Aceros al carbono, 2) Aceros de baja aleación, 3) Aceros
inoxidables o de alta aleación y 4) Aceros de herramienta
[6].
El acero AISI 4140 es un acero de baja aleación, el cual
es ampliamente utilizado para la construcción de plantas
químicas, turbinas de vapor y calderas. También es
utilizado en la industria automovilística y petrolera. Esto
se debe a su alta resistencia a la torsión y presión, a su
buen manejo a temperaturas entre los 150ºC y 300ºC y a
su bajo costo en comparación con otros aceros.
En específico, el acero AISI 4140 es utilizado para
fabricación de partes mecánicas tales como [7]:
§ Ejes, engranajes, cigüeñales, cilindros de
motores, anillos para rodamientos comerciales,
bielas, rotores, piñones, coronas dentadas,
vástagos, pines émbolos, árboles de
transmisión, tuercas, tornillos, pernos y
espárragos.
§ Cañones de armas para cacería.
§ Partes estructurales de aviones.
§ Varillas roscadas para la industria petrolera.
§ Herramientas forjadas como: llaves de mano,
destornilladores, entre otros
LA RUGOSIDAD SUPERFICIAL
La rugosidad superficial es un índice muy utilizado en la
calidad del producto y como requerimiento técnico en los
productos mecánicos. Lograr la rugosidad deseada es de
gran importancia para el comportamiento de una pieza.
La Topografía Superficial, que según la norma ASME
B46.1, es “la representación tridimensional de las
irregularidades geométricas de las superficies”, está
descrita, en función de sus características espaciales, por
las siguientes componentes (ver fig. 1) [8]:
§ De longitud de onda corta: Rugosidad
(Roughness).
§ De onda media: Ondulación (Waviness).
§ De onda larga: Errores de forma (Form).
Figura-1. Formas de la textura superficial
Scientia et Technica Año XVI, No 49, Diciembre de 2011. Universidad Tecnológica de Pereira.
Existen diversos parámetros para definir la rugosidad
superficial de un material; hasta la fecha se han
identificado alrededor de unos 150. Uno de los más
utilizados debido a su practicidad es Ra.
Ra es una media aritmética (MA) basada en los valores
absolutos de la desviación, y a este valor de la rugosidad
se le denomina rugosidad promedio. En forma de
ecuación.
Donde y = desviación vertical con respecto a la superficie
nominal pulg (m) y Lm = Distancia especificada sobre la
cual se miden las desviaciones [9].
TORNEADO
El torneado es un proceso en el que la parte de trabajo
está girando mientras se maquina. El material inicial
suele ser una pieza fabricada por otros procesos como
fundición, forjado, extrusión o estirado. Dentro del
torneado existen múltiples operaciones de corte, tales
como: torneado cónico, refrentado, perfilado, tronzado,
roscado, moleteado y la más simple de todas el
cilindrado, entre otras [6].
Figura-2. Variables en una operación de cilindrado
DISEÑO EXPERIMENTAL
Un experimento puede definirse como una prueba o serie
de pruebas en las que se hacen cambios deliberados en
las variables de entrada (factores) de un proceso o
sistema para observar e identificar las razones de los
cambios que pudieran observarse en la respuesta de
salida (variable de respuesta). El Diseño de
Experimentos, también conocido como Diseño
39
Experimental o DOE (por las siglas en ingles, Design Of
Experiments) es una metodología estadística destinada a
la planificación y análisis de un experimento; Los tres
principios básicos del diseño experimental son la
realización de réplicas, la aleatorización y la formación
de bloques [10].
Robert O. Kuehl [11] define al Diseño Factorial como un
diseño experimental en la cual se realizan todas las
combinaciones posibles de los niveles de varios factores.
Con frecuencia, los experimentos con diseños factoriales
se conocen como factoriales o experimentos factoriales.
El más importante de los casos de diseño factorial es el
de K factores, cada uno con solo dos niveles. Estos
niveles pueden ser cualitativos como dos valores de
temperatura, presión o tiempo, o bien cualitativos, como
dos maquinas, dos operadores, los niveles “alto” y “bajo”
de un factor, o quizá la ausencia o presencia de un factor.
Una réplica completa de este diseño requiere de 2 x 2 x
2…x 2 = 2k observaciones y se le llama diseño factorial
2 k.
MATERIALES Y METODO
Se adquirieron 24 barras de acero bonificado AISI 4140
bajo las condiciones normales de suministro industrial,
para las 3 replicas de un diseño 24. Las barras fueron
provistas por la empresa BÖHLER ANDINA. Las
dimensiones iniciales de cada barra fueron en promedio
de 25,4 mm de diámetro por 120 mm de largo.
Figura-3. Barras de acero AISI 4140
Tabla-1. Composición química nominal del acero AISI
4140
ELEMENTOS C Si Mn Cr Mo
0.38- 0.15- 0.75- 0.80- 0.15-
Porcentaje en peso
0.43 0.35 1.00 1.10 0.25
La operación de mecanizado seleccionada fue el
cilindrado. Las probetas se cilindraron en un torno CNC
marca FANUC serie T-5, con un inserto de carburo con
triple recubrimiento mediante deposición química de
vapor a temperatura intermedia (MTCVD).
Tabla-2. Detalles de la herramienta de corte.
40 Scientia et Technica Año XVI, No 49, Diciembre de 2011. Universidad Tecnológica de Pereira.

Portaherramientas MCLNR 1616 H12

Angulo ataque: 5º
Geometría de
Radio inserto: 0.8
herramienta
Angulo incidencia: 0º
CNMG432-M3/ANSI
Especificación inserto
CNMG120408/ISO
Recubrimientos TiN, Al2O3, TiCN
Cada barra se sujetó a un mandril de tres mordazas
autocentrantes. La distancia sujetada de cada barra fue de
60 mm (aproximadamente media longitud de cada barra).
No se utilizó contrapunto; a cada barra se le practicó un
cilindrado una distancia de 25 mm a lado y lado a fin de
alcanzar las 48 corridas requeridas para el experimento 2 4 RESULTADOS Y DISCUSIONES
con 3 réplicas. Las 48 corridas se realizaron aleatorizadas
para dos bloques (maquinado sin refrigerante y con El análisis estadístico de los datos se realizó mediante el
refrigerante). paquete MINITAB15. Aquí se generó el diseño factorial
aleatorizado, y se introdujeron las mediciones obtenidas
de Ra.

Los resultados experimentales se resumen en la Tabla 3,

la cual muestra las diferentes combinaciones de los
factores y sus niveles, así como las réplicas en cada
corrida y el orden de estas.
Figura-4. Operación de cilindrado del acero AISI 4140
Tabla-3. Resultados experimentales para las diferentes
combinaciones de factores; los datos de los factores con
base en el manual del fabricante de insertos SANDVIK

Factores
Respuesta
A B C D
v f a Ref Ra
- - - - 1.623
- - - + 0.728
- - + - 1.482
- - + + 0.828
- + - - 1.337
- + - + 0.692
- + + - 1.470
- + + + 0.851
Las mediciones para la rugosidad superficial se + - - - 0.931
realizaron con un rugosímetro marca MAHR FEDERAL + - - + 0.553
modelo POCKET SURF III. + - + - 1.676
+ - + + 0.662
Figura-5. Rugosímetro y probeta + + - - 1.648
+ + - + 0.662
+ + + - 1.238
+ + + + 0.870
 Scientia et Technica Año XVI, No 49, Diciembre de 2011. Universidad Tecnológica de Pereira. 41

La gráfica de efectos principales permite visualizar el

Gráfica de efectos principales para Ra
Medias de datos
efecto de los factores en la respuesta y comparar la fuerza
A B
relativa de los efectos. La media general
1.4 (aproximadamente 1.08) se graficó a través de cada
panel.
1.2
· La velocidad de corte alta produjo un Ra menor
1.0
que la velocidad de corte baja.
Media (µm)

0.8 · El avance alto produjo un Ra mayor que un

65 80 0.055 0.080 avance bajo.
C D · La profundidad de alta produjo un Ra mayor que
1.4
la profundidad de corte baja.
1.2 El maquinado con uso de refrigerante produjo un nivel de
1.0 Ra mucho menor que el maquinado sin refrigerante.
0.8

0.5 0.7 Sin Con

Figura-6.

TABLA-4. Tabla de análisis de varianza para Ra

Fuente GL SC sec. SC ajust. MC ajust. F P

Velocidad de corte(A) 1 0.11157 0.11157 0.11157 17.02 0.000
Avance (B) 1 0.01519 0.01519 0.01519 2.32 0.138
Profundidad de corte (C) 1 0.15257 0.15257 0.15257 23.28 0.000
Refrigerante (D) 1 5.79199 5.79199 5.79199 883.59 0.000
Velocidad de corte*Avance (AB) 1 0.15434 0.15434 0.15434 23.54 0.000
Velocidad de corte* 1 0.03011 0.03011 0.03011 4.59 0.040
Profundidad de corte (AC)
Velocidad de corte*Refrigerante (AD) 1 0.00079 0.00079 0.00079 0.12 0.731
Avance*Profundidad de corte (BC) 1 0.09736 0.09736 0.09736 14.85 0.001
Avance*Refrigerante (BD) 1 0.01945 0.01945 0.01945 2.97 0.095
Profundidad de corte*Refrigerante (CD) 1 0.01171 0.01171 0.01171 1.79 0.191
Velocidad de corte*Avance* 1 0.36154 0.36154 0.36154 55.15 0.000
Profundidad de corte (ABC)
Velocidad de corte*Avance* 1 0.01159 0.01159 0.01159 1.77 0.193
Refrigerante (ABD)
Velocidad de corte* 1 0.01520 0.01520 0.01520 2.32 0.138
Profundidad de corte*Refrigerante (ABD)
Avance*Profundidad de corte* 1 0.20199 0.20199 0.20199 30.82 0.000
Refrigerante (BCD)
Velocidad de corte*Avance* 1 0.40513 0.40513 0.40513 61.80 0.000
Profundidad de corte*Refrigerante (ABCD)
Error 32 0.20976 0.20976 0.00656
Total 47 7.59030

modelo es un diseño factorial completo no hay riesgo de que

La tabla ANOVA se analiza para un α = 0.05 (probabilidad
de cometer un error tipo I).
El modelo contiene seis efectos de interacción de dos
factores. Los resultados indican que existe interacción
significativa para Velocidad de corte*Avance=0.000,
Velocidad de corte*Profundidad de corte = 0.04 y
Avance*Profundidad de corte = 0.001 porque éstos los
términos tienen valores p menores que 0.05. Dado que el
exista confusión.
El modelo contiene cuatro efectos principales, que se pueden
evaluar en ausencia de interacciones significativas. Los valores p
para tres (de cuatro) efectos principales menores que 0.05:
Velocidad de corte = 0.000, Profundidad de corte = 0.000, y
Refrigerante = 0.000. Por lo tanto, existe evidencia de un efecto
significativo.
42 Scientia et Technica Año XVI, No 49, Diciembre de 2011. Universidad Tecnológica de Pereira.

Tabla-6. Resultados experimentales para las diferentes

combinaciones de factores
También existen cuatro efectos de interacción de tres
factores. Solo Velocidad de corte*Avance*Profundidad de A B C D Ra Ajuste Residuo
corte = 0.000, y Avance*Profundidad de corte* 65 0.055 0.5 0 1.6233 1.523 0.100
Refrigerante = 0.000 son significativos. 65 0.055 0.5 1 0.7283 0.828 -0.100
Existe un efecto de interacción de cuatro factores, 65 0.055 0.7 0 1.4817 1.502 -0.021
Velocidad de corte*Avance*Profundidad de 65 0.055 0.7 1 0.8283 0.808 0.021
corte*Refrigerante = 0.000. 65 0.08 0.5 0 1.3367 1.362 -0.025
65 0.08 0.5 1 0.6923 0.667 0.025
MODELO DE REGRESIÓN 65 0.08 0.7 0 1.4700 1.508 -0.038
65 0.08 0.7 1 0.8513 0.813 0.038
El modelo de regresión contendría 16 términos, lo cual 80 0.055 0.5 0 0.9313 1.090 -0.158
aunque lo hace bastante preciso, puede ser poco práctico a
80 0.055 0.5 1 0.5533 0.395 0.158
la hora de realizar cálculos para Ra. Se puede obtener un
80 0.055 0.7 0 1.6757 1.516 0.159
modelo reducido excluyendo ciertos términos que se
80 0.055 0.7 1 0.6620 0.821 -0.159
pueden considerar poco significativos.
80 0.08 0.5 0 1.6483 1.502 0.146
80 0.08 0.5 1 0.6617 0.808 -0.146
80 0.08 0.7 0 1.2383 1.402 -0.163
Para la exclusión de términos existe una regla que se aplica
a la especificación de modelos reducidos, la cual establece 80 0.08 0.7 1 0.8700 0.707 0.163
que los términos deben ser jerárquicos. Es decir, para que Con un R2 = 97.5 y un R2ajustado = 95.7, se puede afirmar que el
un término se encuentre en un modelo, todos los términos modelo es adecuado.
de orden inferior contenidos en el mismo también deben
encontrarse en el modelo. Con las variables descodificadas se obtienen las gráficas de
contorno para 2 factores a la vez (ver Figuras 18, 19, 20 y 21).

Se consideró que el modelo de predicción puede contener Para el presente proyecto, los análisis se realizaron buscando la
hasta 1 término de tercer orden. Recalculando los minimización de la rugosidad superficial promedio. Razón por la
coeficientes para el modelo A, B, C, AB, AC, BC, ABC se cual la gráficas de retuvieron a un nivel bajo a fin de analizar los
obtuvieron: mínimos locales para cada caso.

El lector puede basarse en las gráficas y el modelo de regresión

La tabla ANOVA se analiza para un α = 0.05 (probabilidad presentado anteriormente para maximizar la variable o buscar un
de cometer un error tipo I). valor determinado de Ra si así lo desea.

Gráfica de contorno de Ra vs. C, A

Predictor Coef
0.70
Intersección 31.593 1.51 Valores de retención
B 0.055
1.59
Velocidad de corte (A) -0.442 D Sin

Avance (B) -423.504 0.65

1.51

Profundidad de corte (C) -44.728

Refrigerante (D) -0.695
1.35
Velocidad de corte*Avance (AB) 6.159 0.60
C

Vel. de corte*Profundidad de corte (AC) 0.658

Avance*Prof. de corte (BC) 635.127 1.19
0.55

1.27 1.03
1.43 1.11
0.50
65.0 67.5 70.0 72.5 75.0 77.5 80.0
A

Donde representan los valores (en unidades

reales) de los factores A, B, C y D.
Scientia et Technica Año XVI, No 49, Diciembre de 2011. Universidad Tecnológica de Pereira. 43

Gráfica de contorno de Ra vs. C, B Gráfica de contorno de Ra vs. B, A

0.080
0.70 Valores de retención
Valores de retención 0.689444 C 0.5
A 65 D C on
D Sin 0.650556
1.50 0.075

0.65 1.44
0.070

B
0.611667
0.60
C

0.065

1.56
0.060
0.55
1.38 0.708889 0.670000 0.592222
0.631111
0.055
65.0 67.5 70.0 72.5 75.0 77.5 80.0
1.59 1.53 1.47 1.41
A
0.50
0.055 0.060 0.065 0.070 0.075 0.080
B Gráfica de contorno de Ra vs. C, B
0.70
Valores de retención
0.833667 A 65
0.816000 D C on

0.65
Gráfica de contorno de Ra vs. B, A 0.798333

0.080 0.780667
1.584 Valores de retención
0.60

C
1.452 C 0.5
1.386 D Sin
1.518 0.763000
0.075
0.745333
0.55

0.070
1.452 0.710000
1.320 0.727667
B

0.50
0.055 0.060 0.065 0.070 0.075 0.080
0.065 B
1.188

0.060 Gráfica de contorno de Ra vs. C, A

1.056
0.70
Valores de retención
1.386 1.254 1.122 0.81 0.78 0.72 B 0.055
1.518
0.66 D C on
0.055
65.0 67.5 70.0 72.5 75.0 77.5 80.0
A 0.65

0.60
C

Figura-7. Graficas de contorno para Ra (Sin refrigerante) 0.75

0.60
0.55

0.69 0.63
0.57
0.50
65.0 67.5 70.0 72.5 75.0 77.5 80.0
A

Figura-8. Graficas de contorno para Ra (Con refrigerante)

III. CONCLUSIONES Y RECOMENDACIONES

La rugosidad superficial en la operación de cilindrado ha sido

medida para el mecanizado del acero AISI 4140 a diferentes
condiciones de corte utilizando un diseño factorial 2 4; las
siguientes conclusiones son válidas para las condiciones de corte
para el cilindrado de acero AISI 4140, utilizando una
herramienta de carburo recubierto MTCVD:
§ El efecto de los parámetros en la rugosidad superficial
ha sido evaluado con la ayuda del diseño factorial.
§ Al realizar la optimización del modelo con el fin de
minimizar la rugosidad, se confirmó que la
configuración óptima se da cuando v se encuentra en el
nivel alto, f en el nivel bajo, a en nivel bajo y en
presencia de refrigerante para el dominio de los
44 Scientia et Technica Año XVI, No 49, Diciembre de 2011. Universidad Tecnológica de Pereira.

factores, resultando un Ra mínimo de 0.553; el [9] KALPAKJIAN, Serope. Manufactura-Ingeniería y

parámetro dominante es el uso de refrigerante, tecnología. México: Pearson - Prentice Hall, 2002.
seguido de la profundidad de corte, la velocidad [10] MONTGOMERY, D.C. Diseño y Análisis de
de corte y por último el avance (el avance muestra Experimentos. Limusa Wiley, 2002.
el mínimo efecto en la rugosidad superficial, [11] KUEHL, ROBERT O. Diseño de experimentos.
comparado con los otros parámetros). Mexico: Thomson Learning, 2001.
§ Se obtuvo un modelo de regresión de primer orden
a partir de un diseño factorial 24, el cual permite
estimar dentro de un margen de confiabilidad del
95.7%, cual es el valor de la rugosidad promedio
Ra. En este modelo se confirmó el efecto de los
factores velocidad de corte, avance, profundidad
de corte y refrigerante y sus interacciones.
§ Realizar estudios posteriores teniendo en cuenta
otros factores como: temperatura de la
herramienta de corte, fuerza de corte y se pueden
analizar otras variables de respuesta que
involucran mecanizado en seco y mecanizado en
húmedo.

REFERENCIAS

[1] BENARDOS, P.G., VOSNIAKOS, G.C.

Predicting surface roughness in machining: a
review. International Journal of Machine Tools &
Manufacture 43 (2003).
[2] DAVIM, J. A note on the determination of optimal
cutting conditions for surface finish obtained in
turning using design of experiments. Journal of
materials processing technology 116(2001)305-
308.
[3] VIVANCOS J., LUIS C.J., COSTA L., ORTIZ
J.A. Optimal machining parameters selection in
high speed milling of hardened steels for injection
moulds. Journal of Materiales Processing
Technology 155-156 (2004) 1505-1512.
[4] GHANI J.A., CHOUDHURY I.A., HASSAN
H.H. Application of Taguchi method in the
optimization of end milling parameters. Journal of
Materials Processing Technology 145 (2004) 84–
92.
[5] KOPAC, J., BAHOR, M. Interaction of the
technological history of a workpiece material and
the machining parameters on the desired quality of
the surface roughness of a product. Journal of
Materiales Processing Technology 92-93 (1999).
[6] GROOVER, Mikell P. Fundamentos de
manufactura moderna. México: Pearson - Prentice
Hall, 1997.
[7] Revista Facultad de Ingeniería Universidad de
Antioquia- N. O37. pp. 164-175. Julio, 2006
[8] FERRÉ, R., VIVANCOS J., COBA M.
Characterization of Surface Texture-State of Art.
Reporte Interno PROHIPP.
Vertientes del conocimiento - UTN FRGP
ISSN 2422-7463
Año 2 - Volumen 2 - Febrero de 2015