CONTENIDO

INTRODUCCIÓN iv

CAPÍTULO I

1. Principios preliminares 3
1.1 Etapas de una investigación 3
a) El experimento 3
b) El diseño 3
c) El análisis 4
1.2 Variables de un proceso 5
a) Variables de entrada 5
b) Variables de salida 5
1.3 Etapas de un diseño experimental 7
1.4 Conceptos elementales de estadística 7
a) Errores relativos 7
b) Error sistemático 8
c) Error en general 8
d) Estimación del error experimental 9
1.5 Estimación de parámetros estadísticos 10
a) Media aritmética 10
b) Varianza 11
c) Desviación estándar 11
d) Variación del error experimental 12
e) Límites de confianza 16
1.6 Hipótesis de significación 16
a) Dócimas de significación 16
b) Niveles de significación 17
c) Dócima t 17
d) Dócima F 18

CAPÍTULOII

2. Diseños factoriales 2n 20
2.1 Introducción 20
a) Niveles de un factor 20
b) Combinación experimental 20
c) Respuesta 20
d) Efecto de un factor 20
2.2 Diseño 2n 21
a) Estudio de un diseño 22 21
b) Estudio de un diseño 23 22
2.3 Análisis de un diseño 2n 27
2.4 Algoritmo de Yates27
a) Algoritmo de Yates para cálculos de efectos y varianzas 28
b) Construcción de Yates 28
c) Generalización del algoritmo de Yates 29
2.5 Análisis de varianza de un diseño factorial 2n 29
2.6 Conclusiones 30

1
Diseño Experimental

CAPÍTULO III

3. Modelos matemáticos 31
3.1 Formulación y propósitos 31
a) Ajuste de datos 31
b) Ecuaciones teóricas 31
c) Determinación de condiciones óptimas 32
3.2 Modelos de un diseño experimental 32
3.3 Modelos determinados a partir de Yates 33
a) Análisis Yates del diseño 33
b) Determinación de los coeficientes 34
3.4 Consideraciones generales 35
3.5 Método Doolittle abreviado 36
3.6 Coeficientes y número de experiencias 42

CAPÍTULO IV

4. Diseños experimentales ortogonales 44

4.1 Ortogonalidad 44
4.2 Técnica del confundido (confounding) 47
4.3 Técnica del confundido parcial (partial confounding) 49
a) Definiciones y leyes de formación 49
b) Técnica de grupo finita para confundir un factorial 2n en 2P grupos 51
c) Generación de diseños confundidos por el método de los signos 55
4.4 Diseños factoriales fraccionales (fractional factorial) 57

CAPÍTULO V

5. Diseños rotables y compuestos 61

5.1 Diseños rotables (rotable designs) 61
5.2 Diseños rotables de dos variables 61
a) Diseño trigonal 61
b) Diseño pentagonal 61
c) Diseño hexagonal 61
d) Diseño octogonal 61
5.3 Diseños rotables de tres variables 64
5.4 Diseños compuestos 64

CAPÍTULO VI

6. Determinación de condiciones óptimas 70

6.1 Concepto de optimización 70

BIBLIOGRAFÍA 89

Anexo Nº 1 : Tabla T - Distribución t 92

Anexo Nº 2 : Tabla F - Distribución F 93

2
Diseño Experimental

APUNTES DE DISEÑO EXPERIMENTAL *

INTRODUCCIÓN

El objeto de esta obra, es entregar las bases de “El Diseño y Análisis de

Experimentos” herramienta fundamental en la investiga cien. El diseño y análisis de
experimentos, no es otra cosa que la planificación racional de las experiencias a
realizar, de manera que podamos obtener de sus resultados el máximo de información
y con el número mínimo de experiencias, lo que indudablemente tiene incidencia en el
costo y tiempo de una investigación. El análisis de los resultados se hace por métodos
estadísticos, por cuanto cualquier dato está sujeto a un error experimental cuyo valor
nos permitirá analizar la influencia real de parámetros (efectos) e interacciones sobre
la respuesta, es decir, una variable tendrá en la respuesta, siempre que produzca
variaciones en ella, significativamente diferente al error experimental. Estudiaremos
además, métodos experimentales de optimización de resultados y también la
obtención de modelos matemáticos en, zonas de interés que nos darán finalmente la
información máxima.

*
Estos apuntes se han preparado tomando como base principal, la memoria para
obtener el título de Ingeniero Civil Metalúrgico de la Universidad de Concepción
(1968), del señor, Fernando Calceo A. y que constituye una revisión y aplicación
detallada de estas materias.

3
Diseño Experimental

4
Diseño Experimental

CAPÍTULO I

1. PRINCIPIOS PRELIMINARES

1.1 Etapas de una investigación

En general podemos dividir en tres partes un trabajo de investigación

experimental: el experimento, el diseño y el análisis.

a) El experimento

El experimento no es otra cosa que la definición del problema a estudiar,

esto que aparece como una verdad demasiado obvia para ser siquiera
mencionada, constituye un punto de partida tan importante, que el éxito
de la investigación está basado en gran parte en él, en otras palabras en
esta etapa es necesario considerar:

Una comprensión profunda del problema a estudiar, es decir, considerar

todos los antecedentes teóricos y bibliográficos que nos aclaren
perfectamente lo que deseamos obtener y los elementos que entran en
juego. La selección de variables dependientes (respuestas) a ser
estudiadas, como pueden ser ellas medidas, la disponibilidad de
instrumentos de medición y control, al mismo tiempo la precisión de estos
instrumentos.

Es necesario también definir las variables independientes o factores que

puedan afectar la respuesta o variable dependiente. Los niveles de
valores que le daremos a estos factores, en caso de que estos sean
cuantitativos, por ejemplo temperatura, pH, etc, o algunas decisiones si
estos son de tipo cualitativo, por ejemplo: diferentes operadores.

Todas estas consideraciones y otras que son posibles de intuir nos llevan
a cumplir con esta etapa, es decir, la definición del experimento

b) El diseño

Esta etapa como el nombre lo dice, consiste en diseñar todas las

experiencias a ser realizadas, no sólo en cuanto a su número sino a las
condiciones de operación para cada una de ellas.

Existen varios tipos de diseños, pero sin lugar a dudas unos de los más
importantes son los diseños factoriales y que estudiaremos en detalle.
Los diseños factoriales pueden ser preliminares o detallados.

5
Diseño Experimental

Los diseños experimentales detallados nos dan información total acerca

de la influencia cuantitativa, que tienen sobra la respuesta las distintas
variables independientes y también la influencia en la respuesta de las
interacciones entre las variables independientes. Los diseños
fraccionados (screening experiments) por otra parte, son diseños
especiales. en que sin hacer un gran número de experiencias nos
permiten seleccionar en definitiva las variables in dependientes que
realmente influyen en la respuesta; esto de influencia real sólo puede ser
decidido en forma estadística a través de tests y análisis de varianzas,

Los diseños factoriales nos permiten postular modelos matemáticos de

primer orden que describen el experimento y por lo tanto nos dan
información para optimizar la respuesta (maximizar y minimizar) por
medio de experiencias adicionales que nos llevan a una zona en donde
finalmente podremos ajustar un modelo matemático que nos dé
información total.

c) El análisis

El paso final: el análisis, consiste en la recolección de resultados, la

reducción de datos y la computación de ciertos tests estadísticos que
serán usados para hacer decisiones acerca de los distintos aspectos del
experimento, de acuerdo a los objetivos de éste. En el análisis se incluye
el cálculo de los tests "t" y F principalmente para nuestro estudio.

En resumen tenemos:

a) El experimento

- Definición del problema.

- Selección de la respuesta o variable dependiente.
- Selección de los factores a ser variados (variables independientes).
- Elección de los niveles de estos factores.
o Cuantitativos o cualitativos.
o Fijos o al azar.
- Cuantos niveles de factores van a ser considerados.

b) El diseño

- Número de experiencias a realizar.

- Orden de experimentación.
- Modelo matemático para describir el experimento.

6
Diseño Experimental

c) El análisis

- Colección de datos y procesamiento.

- Computación de test estadístico.
- Interpretación de datos por el experimentador.

Está demás señalar la importancia de cada una de las fases anteriores, sólo
cabe recordar que cualquier desviación en la ejecución de cada una de estas
etapas, debe tener como propósito una mejor comprensión del problema (a),
(b), (c).

1.2 Variables de un proceso

En general, en un sistema multivariable disponemos de dos tipos de

variables, de cuyo conocimiento depende el control que sobre el proceso
podemos ejercer:

a) Variables de entrada

Son las variables independientes del proceso, definen las características

de éste y según sus valores relativos determinan los valores de las otras
variables del sistema.

b) Variables de salida

Son las variables dependientes del proceso y pueden considerarse como

efectos o respuestas a las variables de entrada.

En la figura 1 y en la tabla siguiente, se esquematiza una clasificación de los

distintos tipos de variables que se encuentran en un proceso determinado

Variables
Incontrolables
Independiente
s

Controlables PROCESO De
rendimiento

Variables
Intermedias
Dependientes

Fig. 1: Variables de un proceso

7
Diseño Experimental

Clasificación de variables

I. Variables Independientes II. Variables Dependientes

A. Controlables A. De rendimiento
1. Básicas o Primarias 1. Económicas
2. Transformadas 2. Contreñidas

B. Incontrolables B. 1. Cualitativa
1. Materias primas 2. Cuantitativas
2. Condiciones ambientales a) Físicas
3. Condiciones de operación b) Operaciones
4. Factores económicas C. Intermediarias

Como ejemplo de lo dicho anteriormente, tomaremos el caso de un proceso

de flotación, en el cual se dispone de ciertas variables características cuya
clasificación se presenta a continuación y la cual puede extenderse a otros
procesos mineralúrgicos.

A. Variables incontrolables de entrada

1) Ley de minerales primarios % (fino)
2) Ley de minerales secundarios % (fino)
3) Impurezas
4) Ganga
5) Grado de oxidación

B. Variables controlables de entrada

1) Tonelaje alimentación
2) Dosificación de reactivos
- Tiempo
- pH
- Colector
- Espumante
3) Agua de alimentación
4) Recirculación de pulpa
5) Aireación

C. Variables de salida
1) Cantidad de concentrado producido
2) Contenido fino del concentrado
3) Granulometría del concentrado
4) Cantidad de relaves producidos
5) Contenido fino de los relaves
6) Granulometría de los relaves
7) Concentración de efectivos residuales

8
Diseño Experimental

D. Variables de rendimiento
1) Constantes dinámicas de flotación
2) Recuperación de minerales útiles
3) Recuperación de minerales inútiles (impurezas)
4) Ley de concentrados
5) Pérdidas en las colas
6) Valor del concentrado producido
7) Consumo por tonelada beneficiada
8) Consumo por día

1.3 Etapas de un diseño experimental

Es evidente que en una investigación determinada podemos estudiar el

efecto de aquellas variables que podemos controlar. En el caso del diseño
experimental, las variables que podemos controlar. En el casó del diseño
experimental, las variables que en la investigación en cuestión pueden ser
deliberadamente variadas, se denominan factores y su acción combinada,
interacción.
Los factores pueden ser:

a) Cuantitativos, como temperatura, presión, dosificación de reactivos, etc.

b) Cualitativos, como diferentes máquinas, operadores, etc.

1.4 Conceptos elementales de estadística

Cuando nos proponemos estudiar un fenómeno, indudablemente tratamos de

realizar nuestras experiencias con el mayor cuidado y precisión posibles. Sin
embargo, toda medición lleva asociado un error experimental, en el estudio
de los problemas metalúrgicos y cualquiera otro, éstos están sujetos a
variaciones que muchas veces son casi imposibles de aislar o eliminar. De
esta manera sólo podemos usar métodos estadísticos, para evaluar
adecuadamente nuestros resultados los errores experimentales se pueden
clasificar en tres tipos generales:

a) Errores relativos
Están caracterizados por la distribución gaussiana de frecuencias,
mostrada en, la figura 2. Los errores de este tipo tienden a tomar valores
cercanos a un valor medio, teniendo igual probabilidad de ser mayores o
menores que el valor promedio. Al hacer determinaciones repetidas del
error, la frecuencia con que se presentan desviaciones pequeñas
respecto del promedio, es mayor que la frecuencia de las desviaciones
grandes.

9
Diseño Experimental

Fig. 2: Distribución Gaussiana de la frecuencia

Se presentan Frecuentemente en Fenómenos en los cuales se repiten

ensayos, como por ejemplo: pesajes, adiciones de reactivos, tiempos de
reacción, temperaturas, etc., en el cual el experimentador tiene igual
probabilidad de cometer un error en cualquier dirección respecto del valor
deseado.

Este tipo de error puede ocurrir como resultado del efecto de variables
fuera de control y a menudo de variables desconocidas que afectan al
fenómeno medido. Una vez que el experimentador ha reducido la
variabilidad de sus medidas, tanto como le sea posible, haciendo sus
experiencias con sumo cuidado y refina de su equipo experimental, puede
expresar los resultados experimentales en una forma aceptable, basada
en la teoría de las probabilidades. El módulo de variaciones de los
ensayos repetidos mide la precisión del sistema y es corriente presentar
algún índice de precisión cuando se informa un valor medido.

b) Error sistemático

A diferencia del anterior, éste tiene siempre el mismo signo algebraico. En

general, este tipo de error no varía con el tiempo y no se puede someter a
un análisis estadístico. Este tipo de error se detecta generalmente en
referencia a un estándar. Algunos errores sistemáticos sor.: uso de una
balanza no estandarizada, uso de un estándar incorrecto, errores en las
medidas de pH debido a variación en la temperatura, preparación
incorrecta de un reactivo de flotación. Este tipo de errores son
particularmente peligrosos, puesto que un experimentador puede obtener
resultados reproducibles, pero completamente incorrectos.

c) Error en general

Este tipo es denominado simplemente errores y pueden ser tales como

intercambio de muestras, lecturas o a notaciones mal hechas, etc. Estos
errores pueden ser fácilmente detectados haciendo lecturas repetidas.

10
Diseño Experimental

Tal vez el error menos obvio es el uso de un diseño experimental

inapropiado Por ejemplo, es error común, debido a la experiencia del
investigador, la incorrecta determinación de un óptimo en el estudio de
variables que afectan un proceso determinado estudiando una variable
cada vez. Por ejemplo, supongamos que la recuperación de un mineral
en un sistema de flotación depende del tiempo de acondicionamiento y la
temperatura. Supongamos además que la dependencia entre el
porcentaje de recuperación y los factores tiempo de acondicionamiento y
temperatura están dados por las líneas de contorno de la figura 3.
Usando el método de variar un factor cada vez, concluimos que la
respuesta óptima corresponde al punto A2, lo cual se deduce trabajando
primero a temperatura constante, variando el tiempo de
acondicionamiento y viceversa.

Fig. 3: Determinación incorrecta de un óptimo

En el caso presentado se ve que aún cuando los resultados son

reproducibles y cuidadosos, se ha determinado un óptimo que no
corresponde al verdadero, según se puede apreciar analizando la figura
3.

En (7) se analiza este caso con ejemplos ilustrativos.

Un análisis completo del tema relativo a errores experimentales, se puede
encontrar en (8).

d) Estimación del error experimental

El punto de partida más lógico es diseñar un experimento y obtener una

estimación del error experimental haciendo distintas mediciones.
Considerando el caso de una prueba de flotación con 6 experiencias
repetidas cuyos datos están indicados por la tabla siguiente:

11
Diseño Experimental

Nº Experiencia Ley del Concentrado

1 32,2
2 33,4
3 31,6
4 34,2
5 30,6
6 31,8

Vemos que la ley, fino, del concentrado no es la misma para las seis
experiencias, a pesar de haber sido efectuadas en las mismas
condiciones. Las variaciones pueden deberse a pequeñas diferencias en
la composición entre las seis experiencias, a variaciones en las técnicas
usadas por el experimentador o a otras causas que no están bajo control
del experimentador. En consecuencia, vemos que el repetir experiencias
no conduce a resultados que podrían ratificarse respecto del valor medio.

La experiencia enseña que las variaciones de este tipo son generalmente

errores relativos y que la distribución de frecuencias de un número grande
de experiencias repetidas tiene la forma gaussiana (Fig. 2). De esto se
deduce que la forma más sencilla de determinar el error experimental, es
realizar cierto número de experiencias repetidas, ya que la variabilidad de
ellas representa nuestro error experimental.

1.5 Estimación de parámetros estadísticos

Para hacer el análisis de nuestros diseños experimentales debemos recurrir a

la estadística que nos proporciona las armas necesarias para realizarlo de
una manera lo dice y ordenada, usando los conceptos de media (valor medio,
medio aritmético o promedio), varianza y desviación estándar etc. Queda
claro que las definiciones aquí expuestas son sencillas y de ningún modo
corresponden a definiciones matemáticas rigurosas.

a) Media aritmética

Es una medida de posición y está definida como sigue:

∑X
i =1
j
X= (1.1)
N

Esta expresión representa la media aritmética de una muestra de N

observaciones. Si la muestra es aleatoria, es decir, todos los elementos
de la población han tenido la misma probabilidad de entrar en la muestra
y procede de una población normal, X es también el mejor estimador

12
Diseño Experimental

posible de la media poblacional µ . A medida que N aumenta, X va

siendo más precisa como estimador de.

b) Varianza

La varianza de un universo o población de valores (conjunto hipotético de

todas las observaciones posibles del tipo que se está investigando), es la
media del cuadrado de las desviaciones de los elementos a la media
poblacional µ y se designa por S2. La varianza mide la dispersión de los
datos, o sea, lo que difiere entre sí. Los símbolos V y S2 se emplean para
la varianza se estima con la expresión:

∑(X
i =1
i − X )2
S2 = V = (1.2)
N −1

El término (N-1) representa el número de grados de libertad del estimador

de la varianza (?), es decir, el número de comparaciones independientes
que pueden hacerse entre N observaciones. Si hay N de éstas, habrá (N-
1) comparaciones independientes.
Por conveniencia, generalmente se calcula S2 usando la siguiente
expresión:

  N  
2

 N 2 ∑
  Xi 
 1
S =  ∑ X i − i=1  
2
(1.3)
 i=1 N  N −1
 
 

Donde:
N

∑X 2
i = suma total bruta de cuadrados (S.C.C.)
i =1
2
 N 
∑ Xi 
 i=1  = corrección de la media o factor de corrección (F.C.)
N
La diferencia entre ambas se denomina suma total de cuadrados.

c) Desviación estándar

También denominada desviación típica corresponde a la raíz cuadrada

positiva de la varianza y se estima por la expresión:

13
Diseño Experimental

∑(X
i =1
i − X )2
S = S2 = (1.4)
N −1

d) Variación del error experimental

Ejemplo:
Suponga una serie de pruebas repetidas de flotación, realizadas con tres
muestras diferentes de mineral y que dieron los siguientes resultados:

Muestra 1 % peso en el concentrado

(a) 36,2
(b) 35,1
(c) 37,0
(d) 35,5

Muestra 2 % peso en el concentrado

(a) 36,2
(b) 60,2
(c) 60,8

Muestra 3 % peso en el concentrado

(a) 71,2
(b) 72,0

Se desea calcular el error experimental asociado a la prueba de flotación:

Muestra 1 ºF
S.C.C. = 5 171,7 4
F.C. = 5 169,6 1
S.T.C. = 2,1 3

S.C.C. = suma bruta (cruda) de cuadrados

N
= ∑ X i2
i =1

F.C. = Factor de corrección

2
 N 
∑ Xi 
=
 i=1 
N

S.T.C. = suma total de cuadrados

ºF = grados de libertad

14
Diseño Experimental

Muestra 2 ºF
S.C.C. = 11 078,4 3
F.C. = 11 077,8 1
S.T.C. = 0,6 2

Muestra 3 ºF
S.C.C. = 10 253,4 2
F.C. = 10 253,1 1
S.T.C. = 0,3 1

Cálculo

Suma de S.T.C. para cada muestra = 2,1 + 0,6 + 0,3 = 3

ºF Total = 3+2+1=6
S .T .C. 3
Varianza ponderosa del error = = = 0,5
ºF 6

Se puede observar que en este caso se está calculando un error

ponderado que se supone igual para cada muestra, a pesar de que éstas
son diferentes, en este caso es la prueba de flotación.

Es conveniente recordar también que la varianza es una propiedad muy

importante, porque ella es aditiva, cuan da tenemos varianzas
independientes, es decir: "cuando tenemos un número de causas
independiente de variación en nuestras observaciones, cada una
teniendo una varianza V1, entonces la varianza total VT de las
observaciones es igual a la suma de las varianzas independientes. Esta
propiedad aditiva de la varianza nos permite el uso de una poderosa
herramienta en el análisis de datos, conocida con el nombre de análisis
de varianza "ANAVA" (En el ejemplo anterior no sumamos las varianzas,
porque en realidad se trata de la misma y sólo estábamos procurando
obtener la mejor estimación posible de ella).

En general, se puede demostrar que la varianza de una función general

de variables y = f(xi) puede aproximarse por:

2 2
 ∂y   ∂y 
V ( y ) =   V ( x1 ) +   V ( x 2 ) + ...
 ∂xi   ∂x 2 
2
n
 ∂y 
V ( y ) = ∑   V ( xi )
i =1  ∂xi 

15
Diseño Experimental

Por ejemplo, consideremos el caso de encontrar la varianza del valor

medio de un grupo de n observaciones de la misma cantidad, es decir:
V(x1) = V(x2) = … = V(xn) = V(x)

x1 + x 2 + ... + x n
Y'= =x
n

donde:
2
 ∂y 
V ( y ) =   V ( x1 ) + ...
 ∂xi 
 1 
V ( y) = n 2 V ( x )
n 

De manera que el error o desviación estándar de un valor medio es:

 1  S
E.S. = V ( y ) = n 2 V ( x) =
n  n

Simplificaciones

Cuando los puntos repetidos son pares, el cálculo de la varianza puede

ser simplificado.
Sea un par de observaciones Y1 e Y2 y calculemos la varianza:

n
S.C.C. = ∑ Yi = Y1 + Y2
2 2 2

i =1

  n 2 
  ∑Y  
  i=1 i   (Y1 + Y2 ) Y12 + 2Y1Y2 + Y22
F .C. =  = =
 n  2 2
 
 

 (∑ Y )2
 1
S.T .C. =  ∑ Yi − 
2 i
 2  2 −1
 
Y12 + 2Y1 Y2 + Y22 (Y1 − Y2 )
2

= Y1 + Y −
2
2
2
=
2 2

=
(∆Yi ) 2
2

16
Diseño Experimental

Ejemplo:

Se hicieron pruebas de flotación para flotar sílice de un concentrado de

magnetita. La respuesta fue %-SiO 2 en el concentrado. Una prueba fue
repetida tres veces y cuatro pruebas fueron repetidas una vez.

Datos

% SiO 2 ∆

Punto 1 3,28
3,91
3,80
3,42

Punto 2 2,72
3,52 0,8

Punto 3 4,98
4,59 0,39

Punto 4 2,02
2,01 0,01

Punto 5 2,49
4,51 2,02

Calcular la varianza ponderada del error experimental.

Solución:

Punto 1: S.C.C. = 52,183

F.C. = 51,912
S.T.C. = 0,271

ºF = 4 – 1 = 3

En los puntos apareados:

S.T .C. =
(∆Yi ) 2 =
( 0,8) 2 + ( 0,39) 2 + (0,01) 2 + (2,02) 2
2 2
4,8726
S.T .C. = = 2,44
2
ºF = 4

17
Diseño Experimental

0, 271 + 2,44
Varianza ponderada =
3+4
= 0,387

ºF = 7

e) Límites de confianza

Cuando realizamos cierto número de experiencias repetidas del mismo

experimento para determinar la media aritmética de alguna cantidad,
como por ejemplo el % de Cu en un concentrado, usualmente
determinamos que los valores numéricos de nuestros resultados no son
idénticos. En este caso, no sólo debemos informar el promedio, sino
también la precisión de nuestra estimación. Una forma conveniente de
expresar la precisión consiste en especificar unos límites que, con una
probabilidad dada incluyan el valor verdadero; entonces se puede decir
por ejemplo que no es probable que el valor verdadero exceda cierto
límite inferior o que caiga fuera de un par de límites, esta información
puede ser más probable. Dichos límites se denominan límites de
confianza, es decir, son límites que abarcan un intervalo dentro del cual
podemos decir con un cierto grado de confianza que se encuentra el valor
verdadero.

1.6 Hipótesis de significación

a) Dócimas de significación

Supongamos que estamos operando una planta piloto de flotación

usando un-reactivo X y obtenemos un concentrado de 66% de Fe con
una desviación estándar de 0,5% Fe. Posteriormente usamos otro
reactivo, obteniendo una ley de 67,5% de Fe con un estándar de 0,6%.
Nuestro problema será averiguar si la variación en la ley del concentrado
se produjo debido al cambio de reactivo o simplemente se debió al azar.
Para hacer una decisión de este tipo, recurramos a una dócima de
significación.
El procedimiento a seguir en el caso anterior consiste en establecer una
hipótesis y luego comprobarla.
Tal hipótesis se denomina "hipótesis nula" (No) y significa que el
parámetro no difiere de un valor particular determinado.
El procedimiento consiste en calcular la probabilidad de hallar una
desviación tan grande como la observada en el supuesto de que la
hipótesis nula sea cierta. Si esta probabilidad es suficientemente
pequeña, se debe rechazar la hipótesis.
Al establecer una hipótesis nula, es conveniente proceder en etapas,
según:

18
Diseño Experimental

1) Establecer la hipótesis y su alternativa.

2) Establecer el nivel de significación de la dócima o prueba.
3) Elegir la prueba o dócima de significación que se aplicará.
4) Determinar la distribución de este "test" estadístico cuando no es
verdadera.
5) Cálculo del "test" estadístico y decisión sobre la hipótesis establecida.

b) Niveles de significación

Al aplicar una dócima o prueba de significación, calculamos la

probabilidad P de que se presente un resultado dado si la hipótesis nula
es cierta. Si esta probabilidad es igual o menor que un valor dado, se dice
que el resultado es significativo al nivel. El nivel adecuado dependerá de
la importancia del problema concreto que se está considerando. Por lo
general el valor P = 0,05 nos proporciona una seguridad suficiente, pero
en ciertas circunstancias puede ser necesario un grado más elevado de
seguridad, tal como P = 0,01; mientras que en otros puede ser suficiente
un grado menor de seguridad como 0,10. Para P = 0,05 el resultado se
denomina significativo y cuando P = 0,01 muy significativo.

c) Dócima t

Se emplea para comparar dos promedios o para comparar dos grupos de

pruebas realizadas. Una vez determinada la varianza del promedio,
usando el test “t” podemos establecer un intervalo de confianza para el
promedio, o bien, formular un test de significación.
El intervalo de confianza para el promedio verdadero viene dado por:

2 2 S2
X ± tα S con S =
N
x x

donde t es una constante tomada de las tablas T (Anexo Nº 1) con “0”

grados de libertad, que proporciona un intervalo de confianza del (1- α )%.

Si la alternativa a la hipótesis nula es x > x 0 , en que x0 es un valor dado

2
y donde la varianza S tiene “0” grados de libertad, el valor de t viene
x
dado por:

x − x0
t=
2
S
x

19
Diseño Experimental

H0 = hipótesis nula, se acepta si t ≥ T2α , ?

Si la alternativa es x = x 0 , H0 se acepta si

-T α ,? ≤ t ≤ T α ,?

Ejemplo:

Se propone un modelo lineal y = B0 + Bx para relacionar un conjunto de

datos (x,y). El modelo ajustado es: y = 12 – 1,8x , al cual corresponde las
siguientes estimaciones:
2
b0 = 12 b = 1,8 S =0,0133 ? =3
b

El intervalo de confianza del 95% para la pendiente estimada siendo T

(0,05; 3) = 3,182 (ver tabla en el anexo 1) es:

27
X ± tα S
x

Se quiere determinar si la pendiente estimada es significativamente

diferente de cero.
H0: b = B con B = 0

b− B 1,8 − 0
t= = = −15,6
2 0,0133
S
b

Ya qué debe cumplirse -3,18 ≤ t ≤ 3,18; rechazamos la hipótesis (-15,6

< -3,18) y se concluye que B no es igual a cero y que "y" es una función
lineal de x.

d) Dócima F

Se emplea para comparar dos varianzas σ 12 y σ 22 a partir de sus

estimaciones S12 y S 22 basadas en ? 1 y ? 2 grados de libertad
respectivamente. Si la alternativa a la hipótesis nula es σ 12 ≤ σ 22 ,
S12
calculamos el coeficiente F = y buscamos en la tabla F (Anexo Nº 2)
S 22
valores críticos de F con ? 1 y ? 2 grados de libertad. La hipótesis nula se
rechaza si F > Fα ( ? 1; ? 2). Este caso es una dócima unilateral y es la
que en general se usará en los análisis de diseño. En cambio, si la
alternativa a la H0 es σ 12 > σ 22 , la dócima es bilateral y entonces se

20
Diseño Experimental

calcula la razón de la mayor estimación a la menor, doblándose las

posibilidades de la tabla F para los valores críticos de este cociente (11).
Puesto que la tabla F considera sólo valores para cocientes mayores que
la unidad, la dócima F se calcula siempre con la mayor varianza en el
numerador, es decir:
F α ( ? 1; ? 2) = F0,05( 1; 5) = 6,61

En el caso de dócimas bilaterales, los límites de confianza están dados:

Límite superior F α ( ? 1; ? 2)
1
Límite inferior F1 - α ( ? 1; ? 2)=
P( Φ 2 : Φ1 )

Ejemplo:

En un experimento en el cual se estudian los efectos de los factores A, B

y C, se obtienen los siguientes datos:

Suma de Cuadrado
Factores ? F
Cuadrados Medio
A 21,4 1 21,4 23,77
B 3,5 1 3,5 3,88
Interacciones
AB 0,1 1 0,1 0,11
BC 1,4 1 1,4 1,55
AC 12 1 12 13,33
ABC 2,8 1 3,8 4,22
Error Exper. 4,5 5 0,9

Se trata de saber si el efecto de los factores es real o si el efecto

detectado se debe al error experimental:

H0 : S2 efecto = S2 error experimental.

Observación: En el caso en que la varianza del efecto es menor o igual

que la varianza del error experimental, es evidente que no es necesario
docimar, pues no cabe duda de que el efecto del factor es inferior a la
variabilidad producida por el error experimental.

Según esto, las interacciones AB y BC no tienen influencia en el proceso

estudiado.
F α ( ? 1; ? 2) = F0,05( 1; 5) = 6,61

Haciendo las razones respectivas, se ve que los factores A, C y la

interacción AC son significativas en el experimento.
En (12) se discuten las dócimas presentadas con numerosos ejemplos.

21
Diseño Experimental

C A P ÍT U L O I I

2. DISEÑOS FACTORIALES 2n

2.1 Introducción

Los experimentos realizados por químicos, físicos e ingenieros ya sea en el

laboratorio o en la planta, están encaminados en general para determinar los
efectos de uno más factores sobre el rendimiento o calidad de un producto, la
performance de una máquina o un instrumento de medición, la resistencia de
un material al ataque químico, el consumo de combustible o energía de un
proceso, etc.

Los diseños factoriales permiten obtener el máximo de información, con el

número mínimo de experiencias. Estos son diseños para estudiar los efectos
que tienen sobre la respuesta, todas las combinaciones de n variables, cada
una de ellas a dos niveles.

En el presente capítulo se describirán los fundamentos del diseño factorial 2n,

cuya aplicación práctica en el campo de la Ingeniería ofrece ventajas
inmediatas.

Además de los conceptos ya introducidos, es necesario definir lo siguiente:

a) Niveles de un factor
Los distintos valores asignados a un factor en nuestro experimento, son
conocidos como niveles.

b) Combinación experimental
El conjunto de todos los factores empleados en una experiencia
determinada, se denomina combinación experimental.

c) Respuesta
El resultado numérico de una experiencia se denomina respuesta. La
respuesta puede expresarse en una unidad conveniente a nuestra
Investigación.

d) Efecto de un factor
El efecto de un factor es la variación en la respuesta producida por un
cambio en el nivel del factor. Cuando se examina un factor en dos niveles
solamente, el efecto es simplemente la diferencia entre el promedio de las
respuestas de todas las experiencias en el nivel superior menos el
promedio en el nivel inferior. Si hay más de dos niveles, la anterior
definición es incompleta (18).

22
Diseño Experimental

2.2 Diseño 2n
En el diseño factorial 2n se estudian los efectos de todas las combinaciones
de n variables, tomando cada una de ellas en dos niveles distintos y donde 2n
= N indica el número de experiencias que deben hacerse para distintos
valores de las n variables. Si cada variable es continua, los dos niveles son el
superior y el inferior. Si una variable es cualitativa, los dos niveles
corresponden a los dos tipos usados o bien a la presencia o ausencia de la
variable.

Podemos usar las siguientes notaciones alternativas para designar los

niveles superior e inferior de los factores.

Notación 1 Notación 2
Experiencia
Variables Variables
Nº
A B C A B C
1 1 - - -
2 a + - -
3 b - + -
4 ab + + -
5 c - - +
6 ac + - +
7 bc - + +
8 abc + + +

La combinación experimental 1 indica que todas las variables están en su

nivel superior y las variables que no aparecen en el resto de combinaciones
están en su nivel inferior.
En la notación 2, los niveles superior e inferior están indicados por los signos
(+) y (-) respectivamente.
Un diseño experimental del tipo 2n puede considerarse geométricamente y
cada combinación experimental corresponde a un punto en el espacio
cartesiano cuyas coordenadas son ± 1 (14).

a) Estudio de un diseño 22

Un investigador desea estudiar la influencia de la temperatura y el tiempo

de acondicionamiento en un experimento de flotación. Su variable
respuesta Yi es el porcentaje de recuperación del mineral.

Factores Niveles
A = temperatura (ºC) 20 – 80
B = tiempo de acondicionamiento (min) 1–3

Como tenemos dos variables, el número de experiencias es 22 = 4 y el

diseño será:

23
Diseño Experimental

Experiencia Nivel de A Nivel de B Resp.

Diseño
Nº ºC mina %R
1 1 (-,-) 20 1 65
2 a (+,-) 80 1 80
3 b (-,+) 20 3 70
4 ab (+,+) 80 3 85

En un espacio de dos dimensiones, nuestro diseño quedaría según se ve

en la Fig. 4

X2

(-,+) (+,+)

X1

(-,-) (+,-)

Fig. 4: Diseño Factorial 22

El análisis del diseño anterior nos permitirá obtener información sobre los
efectos e interacciones de las variables. ¿Cuál es el efecto principal del
factor A? Es simplemente la diferencia entre el promedio de la respuesta
cuando A está en su nivel superior, menos el promedio de la respuesta
cuando A está en su nivel inferior.

b) Estudio de un diseño 23

Consideramos los factores A, B y C.

Es un espacio tridimensional, el diseño consiste en puntos
experimentales representados por los vértices de un cubo, según se
observa en la Fig, 5.

Así:

a + ab b + 1
Efecto principal de A = −
2 2

24
Diseño Experimental

En el ejemplo propuesto:

Efecto principal de A = 15,0

Esto significa que el efecto de aumentar la temperatura de 20ºC a 80ºC

produce un aumento en la recuperación, de 15,0%.

Igualmente:
b + ab a + 1
Efecto principal de B = − = 5 ,0
2 2

Nuestro próximo paso es ver si existe una interacción. En otras palabras,

si el efecto de incrementar la temperatura (A) depende del nivel del
tiempo de acondicionamiento (B).

Vemos que, cuando B está a su nivel superior, la variación de la

temperatura produce un cambio en la respuesta de 70 a 85, lo que
implica un 15,0% de recuperación. Además, cuando B está en su nivel
inferior, el incremento de la temperatura produce un cambio en la
respuesta de 65 a 80, lo que implica un 15,0% de recuperación, es decir,
la misma variación. Se acostumbra a definir el valor numérico de la
interacción AB como la mitad de esta diferencia.

Esto es:
ab − b a − 1
Interacción AB = −
2 2
85 − 70 80 − 65
AB = − =0
2 2

De esto se deduce que no hay interacción entre A y B.

Fig. 5: Diseño Factorial 23

25
Diseño Experimental

Diseño
Combinaciones
A B C AB
1 - - - +
a + - - -
b - + - -
ab + + - +
c - - + +
ac + - + -
bc - + + -
abc + + + +

El efecto principal de A es simplemente el promedio del valor de la

respuesta cuando A está en su nivel superior y cuando está en su nivel
inferior.
a + ab + abc + ac 1 + b + bc + c
Efecto principal de A = −
4 4
Considerando 1, a, b y c como símbolos algebraicos lo podemos
reagrupar a manera de obtener fórmulas fáciles de recordar,

A=
(a − 1)(b + 1)(c + 1)
4

Igualmente se tendrá:

B=
(a + 1)(b − 1)(c + 1)
4

C=
(a + 1)(b + 1)(c − 1)
4

Las interacciones de segundo orden se calculan según:

- El efecto de A con B en su nivel superior es:

ab + abc b + bc
−
2 2

- El efecto de A con B en su nivel inferior es:

a + ac 1 + c
−
2 2

- La interacción AB está definida como la mitad de esta diferencia

26
Diseño Experimental

ab + abc b + bc a + ac 1 + c
− − +
Interacción AB = 2 2 2 2
2

Esto puede escribirse:

AB =
(a − 1)(b − 1)(c + 1)
4
Igualmente:

BC =
(a + 1)(b − 1)(c − 1)
4

AC =
(a − 1)(b + 1)(c − 1)
4

La interacción ABC está definida como la mitad de la diferencia entre la

interacción AB cuando C está en su nivel superior, menos cuando está en
su nivel inferior. Se llega finalmente a:

ABC =
(a − 1)(b − 1)(c − 1)
4
Resumiendo, para un diseño 23 factorial se obtiene las siguientes
expresiones para el cálculo de efectos e interacciones:

A =
(a − 1)(b + 1)(c + 1)
4

B =
(a + 1)(b − 1)(c + 1)
4

C =
(a + 1)(b + 1)(c − 1)
4

AB =
(a − 1)(b − 1)(c + 1)
4

AC =
(a − 1)(b + 1)(c − 1)
4

BC =
(a + 1)(b − 1)(c − 1)
4

ABC=
(a − 1)(b − 1)(c − 1)
4
En general, para un diseño 2n factorial, para n factores A,B,C, ... Q, en
dos niveles se tendrá:

n −1
1
A =   (a − 1)(b + 1)(c + 1)...(q + 1)
2

27
Diseño Experimental

n −1
1
AB =   (a − 1)(b − 1)(c + 1)...(q + 1)
2
n −1
1
ABC =   (a − 1)(b − 1)(c − 1)...(q − 1)
2

Es importante recordar que estas fórmulas deben expandir se para

obtener el valor de los efectos e interacciones deseados (15). Otro
método para calcular los efectos principales e interacciones de un diseño
factorial 2n es el siguiente:

Se tiene una matriz-diseño, una matriz de variables independientes y un

vector observación. A la lista de los puntos experimentales se le
denomina matriz-diseño y se denomina D. Para un factorial n la matriz-
diseño contiene n columnas y 2n = N filas, Hay una columna para cada
una de las n variables y cada fila de la combinación de niveles de cada
experiencia.

Supongamos el caso de un diseño factorial 23 con factores A, B y C y un

conjunto de respuestas.

Matriz-Diseño Matriz de variables Vector Obser.

D Independientes X Yi
B
A B C 1 A B C AB AC ABC
C
- - - + - - - + + + - 2
+ - - + + - - - - + + 12
- + - + - + - - + - + 8
+ + - + + + - + - - - 10
- - + + - - + + - - + 6
+ - + + + - + - + - - 7
- + + + - + + - - + - 5
+ + + + + + + + + + + 3

La matriz de variables independientes se obtiene agregando un vector

columna 1, que consiste en signos (+), el cual es usado para estimar la
media; los otros vectores columna se generan a partir de la matriz-diseño.
Así el vector AB se obtiene tomando los productos interiores de los
vectores A y B;

(-).(-) = + ; (+).(-) = - ; etc.

Los efectos se obtiene tomando los productos interiores de los elementos

del vector observación con los correspondientes elementos del efecto
deseado en la matriz de variables independientes y dividiendo el
resultado por 2n-1.

28
Diseño Experimental

Así, para el efecto A según:

(-).(2) = -2 ; (+).(12) = +12 ; etc.

Se tendrá:

Efecto A =
A.Y
=
∑ AY i i

2 n−1 2 n −1

− 2 + 12 − 8 + 10 − 6 + 7 − 5 + 3
A=
4

Este método tiene la ventaja de que se puede programar fácilmente en un

computador para calcular las estimaciones de los efectos principales en
diseños factoriales con varios factores (16).

2.3 Análisis de un diseño 2n

Una vez hecho el diseño experimental 2n y determinados los efectos e

interacciones de los factores, es necesario hacer un análisis de la
significación de éstos en nuestro experimento. Para ello se realiza una
estimación de las varianzas de los efectos e interacciones y posteriormente
se aplica una dócima de significación en nuestro caso aplicamos un "test" F.

2.4 Algoritmo de Yates

Un método rápido para calcular los efectos e interacciones y que proporciona

seguridad en el análisis de varianza posterior, es el "Algoritmo de "'Yates", el
método se explica mejor con un ejemplo:

Se ha hecho un diseño factorial 23 para investigar el efecto del tonelaje de

alimentación velocidad del tambor y la separación entre los rodillos, en la
concentración de un mineral de hierro, usando un separador magnético para
concentrar magnetita.

Niveles Respuestas %
Diseño
A B C Fe en conc.
1 0,5 64 25 68,72
a 0,7 164 25 67,85
b 0,5 116 25 69,60
ab 0,7 116 25 69,44
c 0,5 64 45 67,75
ac 0,7 64 45 67,93
bc 0,5 116 45 68,73
abc 0,7 116 45 68,72

29
Diseño Experimental

Análisis:

Para facilitar los cálculos se sustrajo 67 de cada respuesta.

Así: 68,72 – 67,00 = 1,72; etc., lo cual no afecta de ningún modo los
resultados.

a) Algoritmo de Yates para cálculos de efectos y varianzas

Suma de
Resp. Efectos
Diseño (1) (2) (3) C.
-67% Col (3)/4
Col(3)2/8
1 1,72 2,57 7,61 12,74 -- --
a 0,85 5,04 5,13 -0,86 -0,22 0,09
b 2,60 1,68 -1,03 4,24 1,06 2,25
ab 2,44 3,45 0,17 0,52 0,13 0,03
c 0,75 -0,87 2,47 -2,48 -0,62 0,77
ac 0,93 -0,16 1,77 1,20 0,30 0,18
bc 1,73 0,18 0,71 -0,70 -0,18 0,06
abc 1,72 -0,01 -0,19 -0,90 -0,23 0,10
12,74 3,48

Comprobación: La comprobación de que el algoritmo Yates está bien

hecho se puede apreciar en 17, de todas maneras, es útil y rápido
comprobar para este caso 23 factorial.

1) La suma de la columna respuesta (12,74) debe ser igual al primer

término de la columna (3).
2) La suma de la última columna deje ser igual a la suma total de
cuadrados del sistema, ésto es:

( Y)
∑ Y - ∑8
2
2 i
i

En este caso:

∑Y i
2
= 23,77

(∑ Y ) i
2

= 20,29
8
3,48

Este método de chequeo se puede generalizar para otros diseños.

30
Diseño Experimental

b) Construcción de Yates

La primera mitad de la columna (1) se forma sumando las respuestas por

pares. la segunda mitad de la columna se forma restando ¡as respuestas
individuales por pares y multiplicando por -1. En cada caso, el primer
término se resta del segundo.
Las columnas (2) y (3) se generan de la misma forma usando los
miembros de la columna anterior respectiva.

Los efectos se encuentran dividiendo los términos de la columna (3) por

4. Las sumas de cuadrados respectivas se encuentran elevando al
cuadrado los miembros de 1a columna (3) y dividiendo por (8).

c) Generalización del algoritmo de Yates

El análisis del diseño factorial de orden superior es similar al estudiado.

En el Algoritmo de Yates del tipo 2n factorial, las observaciones se
escriben en orden estándar y se calculan las sumas y diferencias,
columnas (1), (2), (3) ... (n), obteniéndose las columnas una a una. El
divisar usado para deducir los efectos es 2n-1 para calcular las suma de
cuadrados respectivas se eleva la columna (n) al cuadrado, dividiendo
luego por 2n, las interacciones de orden superior sirven para estimar la
varianza asociado al error experimental, excepto en los casos en que se
determina en forma independiente (18).

2.5 Análisis de varianza de un diseño factorial 2n

El análisis de varianza asociado a un diseño factorial 2n, lo aplicaremos a

través de un ejemplo para el caso de un diseño 23 y se hace construyendo
una tabla similar a la siguiente: (Los datos son los resultados del Yates
anterior).
ANAVA

Suma de Grados de
Fuente de variación Varianza
cuadrados libertad
Efectos principales
A 0,09 1 0,09
B 2,25 1 2,25
C 0,77 1 0,77
Interacciones
AB 0,03 1
AC 0,18 1
BC 0,06 1
ABC 0,10 1
0,37 4 0,0925

31
Diseño Experimental

Debemos ahora determinar la significancia de nuestros efectos, puesto que

no se ha determinado el error experimental, podemos estimarlo considerando
las interacciones como error experimental. Es conveniente hacer notar que la
suposición de que las varianzas asociadas a las interacciones son debidas al
error experimental, no es otra cosa que suponer que las interacciones son
nulas y por lo tanto esto debe ser justificado.

En este caso, supondremos que teníamos la certeza previa de que las

interacciones eran nulas, entonces:
La sumatoria de la suma de cuadrados del error experimental.
Suma de cuadrados = 0,03 + 0,18 + 0,06 + 0,10 = 0,37 ; de donde la varianza
(cuadrado medio) del error experimental es:

2
Serror = 0,0925 con ? = 4

2
Estableciendo H0 : Sefecto = Serror
2
exp

y usando el test F correspondiente:

>V Varianza efecto principal

Fα = =
< V Varianza error exp erimental

Se tiene:
F α ( ? 1; ? 2) = F0,05( 1; 4) = 7,71
F0,01( 1; 4) = 21,20

De donde se deduce que el factor B es muy significativo ( α = 0,05 )

2.6 Conclusiones

Resumiendo, podemos decir:

- Los experimentos factoriales son usados para decidir que factores de un

grupo determinado de variables son realmente importantes en el rango
investigado. Si el rango es convenientemente elegido, la conclusión
puede extenderse al proceso mismo.

- Los experimentos factoriales permiten conocer la importancia relativa de

las interacciones en el proceso estudiado, interacciones que servirán para
determinar el tipo de modelo que interpretará el fenómeno estudiado, en
el nivel de variables elegido.

- El algoritmo Yates es un método rápido y seguro para analizar los

diseños factoriales 2n.

32
Diseño Experimental

CAPÍTULO III

3. Modelos matemáticos

3.1 Formulación y propósitos

En cualquier estudio es siempre útil determinar una relación matemática que
ligue las variables estudiadas, con el fin de predecir el fenómeno en cuestión.
Un modelo matemático es entonces una representación lógica y cuantitativa
de las interrelaciones de las variables del sistema en estudio.

Al formular un modelo debemos tener presente:

- Propósito para el cual el modelo ha de servir.

- Examen y clasificación de las variables del proceso, de acuerdo a su
importancia.
- Rango de validez del modelo.
- Determinación del modelo requerido.

En el caso de ajuste de un modelo, la elección de éste depende

completamente del propósito que se persigue. En general, se puede
proponer un modelo por las siguientes razones:

a) Ajuste de datos

A menudo deseamos obtener una relación entre una variable X y una

respuesta Y. En este caso el procedimiento es encontrar simplemente un
polinomio de grado N, PN (X) tal que sea mínima la expresión
∑ (Y − P N ( X )) .

b) Ecuaciones teóricas

Es el caso cuando se desea comprobar una relación, ya conocida,

mediante métodos experimentales. Un ejemplo podría ser el estudio
experimental de la ley de Ohm.

Se podría proponer un modelo de la forma:

V = B0 + B1I + B2 R + B11I 2 + B22 R 2 + B12 IR + E (3.1)

El análisis de la relación anterior conducirá finalmente a comprobar que el

voltaje es proporcional al producto IR.

c) Determinación de condiciones óptimas

33
Diseño Experimental

Uno de varios poderosos métodos para determinar los niveles óptimos de

varias variables en un proceso, es ajustar modelos que sirvan
posteriormente para determinar las condiciones óptimas.

3.2 Modelos de un diseño experimental

Puesto que el objetivo de la técnica de diseño de esta obra es llegar a

establecer la región experimental de máxima o mínima respuesta, tendremos
necesariamente que referirnos a Un estándar para saber cuándo y qué
combinación de niveles nos dan éstas. El estándar es justamente un modelo
matemático cuyos coeficientes no son otra cosa que los efectos e
interacciones. La metodología Contempla:

- Postulación de un modelo matemático.

- Diseño experimental.
- Experimentación.
- Análisis del experimento.

Cuando se inicia un experimento, lo más fácil es postular un modelo lineal

que se contrasta mediante un análisis de varianza y que nos servirá para
progresar en la búsqueda de la región de máxima o mínima respuesta o que
nos indicará si hemos llegado a ésta. Los diseños del tipo factorial 2n sólo
sirven para determinar modelos del tipo:

n
Y = B0 + ∑ Bi X i + E (3.2)
i =1

n n
Y = B0 + ∑ Bi X i + ∑ Bij X 1 X j + E (3.3)
i =1 i =1

Modelos del tipo (3.3) son incompletos en nuestros casos, como se verá
posteriormente. En general, los modelos podemos, determinarlos:

a) A partir del análisis de Yates., puesto que éste encuentra los efectos de
los factores que serán los coeficientes del modelo.

b) Mediante el método Doolittle abreviado.- El caso a) lo podemos utilizar en

el caso de modelos lineales. La técnica Doolittle es general y sirve para
ajustar cualquier modelo, siempre que se disponga del diseño apropiado.
Información sobre postulación de modelos se puede encontrar en (19) y
(20).

34
Diseño Experimental

3.3 Modelos determinados a partir de Yates

Consideramos un ejemplo:

Supongamos que estudiamos la concentración de un mineral de hierro en un

separador magnético en que tomamos en cuenta los siguientes factores:

A = amperes en el embobinado magnetizante.

B = alimentación en ton/hr/pie.
C = velocidad de rotación en r.p.m.

Niveles
Factores
(-) (+)
A = Amp 4 10
B = t/h/pie 5 12
C = r.p.m 1 3

Definido el problema, postularemos un modelo lineal de tipo:

Y = B0 + B1X1 + B2X2 + B3X3 + E (3.4)

Puesto que deseamos estimar los coeficientes de un modelo lineal, usamos un

diseño factorial del tipo 23.

Combinaciones matriz diseño respuesta

Experimentales A B C Yi

1 - - - 91,1
a + - - 94,9
b - + - 91,2
ab + + - 94,2
c - - + 92,7
ac + - + 95,7
bc - + + 92,0
abc + + + 95,0

a) Análisis Yates del diseño

Combinación Yi-90% (1) (2) (3) efectos sumaCuad.

Col (3) Col(3)2
4 8
1 1.9 6.8 12.2 27.6 -- --
a 4.9 5.4 15.4 12.0 3.0 18.0
b 1.2 8.4 6.0 -2.8 -0.7 0.98
ab 4.2 7.0 6.0 0.0 0 0

35
Diseño Experimental

c 2.7 3.0 -1.4 3.2 0.8 1.28

ac 5.7 3.0 -1.4 0 0 0.00
bc 2.0 3.0 0 0 0 0.00
abc 5.0 3.0 0 0 0 0.00
27.6 20.26

Media = 27.6 + 90 = 93.45

8

Se observa que todas interacciones son nulas y considerando que éstas

corresponden al error experimental, concluimos que sólo los efectos
principales son significativos y que en realidad existe una relación lineal del
tipo postulado.

b) Determinación de los coeficientes.

Si codificamos las variables de tal modo que varíen entre -1 y +1, según

X1 = A – a1 = (Amp) – a1
b1 b1

Luego:

4 – a1 = -1 a1 = 7
b1

10 – a1 = +1 b1 = 3
b1

Por lo tanto queda: x1 = A - 7

3

Igualmente: x2 = B – 8,5
3,5

X3 = C - 2
1

El modelo podemos escribirlo, entonces:

Y = Bo + B1X1 + B2X2 + B3X3 + E

Y = Bo + B1 (A – 7) + B2 (B – 8.5) + B3 (C- 2) + E
3 3.5 1

36
Diseño Experimental

Ya que los diseños factoriales funcionan como si las variables fueran en

realidad x1 , x2 , x3 variando entre +- 1, al modelo estimado :

Y = b0 + b1x1 + b2x2 + b3x3 + E (3.6)

Es tal que:

b0 = media o promedio general

b1 , b2 , b3 ,……..bi corresponden al efecto unitario

b1 = el efecto respectivo
2

En nuestro caso, por ejemplo para:

b2 = -0.7 = -0.35
2

Por lo que el modelo queda:

Y = 93,45 + 1,5x1 – 0,35x2 + 0,4x3 + E (3.7.)

Si queremos tener el modelo en función de las variables A, B y C, basta

desarrollar la expresión (3.5). Reemplazando los coeficientes determinados,
queda:

Y = 90 + 0,5A – 0,18 + 0,4C (3.8.)

3.4 Consideraciones generales.

a) Al determinar el modelo debemos tener en cuenta el análisis de varianza

posterior al análisis Yates. Este análisis nos indica qué factores e
interacciones son significativas en nuestro estudio experimental y el
modelo debe reflejar estas conclusiones. Si no es así, significa que
nuestro modelo no sirve y que es necesario postular otro.

b) No debe olvidarse que en algunos casos el modelo que podemos

determinar por la técnica de Yates es sólo preliminar y que sólo contiene
variables significativos en primer grado y puede no ser el que más se
ajuste a nuestros resultados experimentales. Supongamos que en el caso
anterior las variables significativas son A y B. Según esto, podemos
proponer el modelo :

Y = B0 +B1X1 + B2X2 + E (3.9.)

37
Diseño Experimental

Sin embargo, este modelo no es el mejor, sino que es :

Y = Bo+B1X1+B2X2+B11X21+B22X22+B12X1X2+ E (3.10.)

Esto, por supuesto, no lo podemos deducir del análisis Yates ni determinar

con un diseño factorial 2n.

c) El problema anterior lo soluciona la técnica Doolitle especialmente útil en

el caso de diseños rotables ortogonales.

3.5 Método de Doolittle abreviado.

La técnica Doolittle utiliza el método de los mínimos cuadrados (regresión

múltiple), para determinar los coeficientes. Usando esta técnica podemos
estimar b0,b1,b2 ………etc. De los coeficientes reales B0,B1,B2…….etc, de tal
forma que la suma de los cuadrados de la diferencia (Y-Yi)2 sea mínima , es
decir, tienda a cero.
El residuo R es tal que: R = ? (Y-Y1)2, donde Y es el valor de la respuesta
predicha por el modelo.
Yi es el valor observado.
Para explicar el método consideramos que, disponemos de un diseño 23
factorial y que deseamos ajustar el modelo:

Y = B0 + B1X1 +B2X2 +B3X3 + E (3.11.)

Recordando que: xi = +- 1

Procedimiento.

Escribimos la matriz de variables independientes y el vector Y de

observaciones

Matriz diseño matriz de variables vector

D independientes X observado
X1 X2 X3 X0 X1 X2 X3
-1 -1 -1 1 -1 -1 -1 Y1
1 -1 -1 1 1 -1 -1 Y2
-1 1 -1 1 -1 1 -1 Y3
1 1 -1 1 1 1 -1 Y4
-1 -1 1 1 -1 -1 1 Y5
1 -1 1 1 1 -1 1 Y6
-1 1 1 1 -1 1 1 Y7
1 1 1 1 1 1 1 Y8

38
Diseño Experimental

En general, cualquier modelo lo podemos escribir en forma matricial:

[Y1] = [X][B] (3.12)

[X]T[X][B] = [X] T[Yi]

[X] = Matriz de variables independiente (n x m)

[X]T = Matriz transpuesta de x (m x n)
[B] = Matriz de constantes (vector) (b x 1)
[Yi] = Matriz de observaciones (vector) (n x 1)

La transpuesta de una matriz de orden (n,m) se obtiene intercambiando filas

y columnas.
Al desarrollar la expresión anterior para el caso propuesto, obtenemos las
denominadas ecuaciones normales en el método de los mínimos cuadrados:

B0 B1 B2 B3

N ? X1 ? X2 ? X3 = ?Y

N? X1 ? X12 ? X1X2 ? X1X3 = ? X1Y

N? X2 ? X1X2 ? X22 ? X2X3 = ? X2Y

N? X3 ? X1X3 ? X2X3 ? X32 = ? X3Y

? X02B0 + ? X0X1B1 + ? X0X2B2 + ? X0X3B3 = ? X0Y1

? X1X1B0 + ? X12B1 + ? X1X2B2 + ? X1X3B3 = ? X1Y1

? X0X2B0 + ? X1X2B1 + ? X22B + ? X2X3B3 = ? X2Y1

? X0X3B0 + ? X1X3B1 + ? X2X3B2 + ? X32B3 = ? X3Y1

La solución de estas cuatro ecuaciones permite determinar los coeficientes.

Un método para determinar los coeficientes es la técnica Doolittle, que
proporciona al mismo tiempo un análisis de varianza que permite determinar
si el modelo propuesto se ajusta a nuestros resultados experimentales (21)
(22).

Se observa que las ecuaciones normales forman una matriz simétrica en las
que aij y únicamente se necesita la mitad de los términos en la técnica
Doolittle.

39
Diseño Experimental

Escribimos las ecuaciones normales en la forma siguiente:

B0 B1 B2 B3

N ? X1 ? X2 ? X3 = ? Yi

? X12 ? X1X2 ? X1X3 = ? X1Yi

? X22 ? X2X3 = ? X2Yi

? X32 = ? X3Yi

Haciendo el desarrollo mediante símbolos, la técnica Doolittle permite calcular

los coeficientes según se muestra en el cuadro siguiente:

B0 B1 B2 B3 a15 a) se toma la primera fila

a11 a12 a13 a14 b) se divide por el primer coeficiente, según:

b1j = a1j j = 2,5 j = 2-5

a11
a22 a23 a24 a25

a33 a34 a35 c) se usa b12 como pivote

a44 a45 c 1j = a2j – (a1j x b12) j = 2-5

a11 a12 a13 a14 a15 d) se divide por el primer coeficiente:

1 b12 b13 b14 b15 d1j = c 1j j = 2-5

c 12

e) se usan 2 pivotes (b13 y d13)

c 12 c 13 c 14 c 15 e1j = a3j – (a1j x b13 + c 1j x d13) j = 3-5

1 d13 d14 d15

f) se divide por el primer coeficiente:

e13 e14 e15 f1j = e1j j = 3-5

e13

1 f14 f15 g) se usan 3 pivotes (b14, d14 y f14)

g14 g15 g1j = a4j – (a1j x b14 + c 1j x d14 + e1j x f14)

1 h15 h) h1j = g1j , etc j = 4-5

g14

40
Diseño Experimental

Los coeficientes se determinan según:

B3 x 1 = h15

B2 x 1 + B3 x f14 = f15

B1 x 1 + B2 x d13 + B3 x d14 = d15

B0 + B1 x b12 + B2 x b13 + B3 x b14 = b15

El análisis de varianza proporcionado por la técnica Doolittle se forma de la

siguiente manera:

A N A V A

Fuente de Suma de Grados de Cuadrado

Variación cuadrados libertad Medio F

Suma bruta de
Cuadrados

? Yi2 ? Yi2 N ? Y2 1/N ---

Debido a B0 b15 x a15 1 b15 x a15 ---

Debido a B1 c 15 x d15 1 c 15 x d15 ---

Debido a B2 e15 x f15 1 e15 x f15 ---

Debido a B3 B15 x h15 1 g15 x h15 ---

Suma residual
De cuadrados R … (N-4) R/(N-4)

Error experi-
mental, S,C. Z ?e Z/ ?e

Desajuste R-Z N-4- ?e (R-Z)/( N-4- ?e)

41
Diseño Experimental

Observaciones:

a) El error experimental “Z” puede determinarse haciendo experiencias

repetidas, en cuyo caso calcularemos su suma de cuadrados, grados de
libertad y cuadrado medio. Si no se ha determinado, podríamos considerar
el residuo como una estimación anticipada del error experimental. Los
puntos experimentales que corresponden a experiencias repetidas deben
necesariamente aparecer en la matriz (X) para que sean considerados en el
desarrollo Doolittle, pues de lo contrario puede llegarse a absurdos, como
por ejemplo, obtener grados de libertad cero o negativos para el desajuste.

b) Cuando el cuadrado medio (varianza) de residuo es menor que el del

cuadrado medio del error experimental, indudablemente no es necesario
realizar un test estadístico para estudiar el desajuste de nuestro modelo de
los resultados experimentales y simplemente lo aceptamos.
Si no esto no sucede, debemos hacer un estudio estadístico para comprobar
nuestro modelo.

Procedimiento

Es útil calcular el cuadrado del coeficiente de correlación múltiple R2,

definido como sigue:

R2 = Suma de cuadrados debido a la regresión

Suma bruta de cuadrados (3.13)

Se expresa en porcentaje, 100 R2. Su magnitud mide el éxito del modelo en

explicar la variación de los datos.
Posteriormente, estableceremos las siguientes hipótesis nulas:

1) H0: Varianza residuo varianza error experimental.

Si aceptamos H0, significa que las diferencias detectadas en el residuo
corresponden al error experimental y por lo tanto, podemos aceptar el
modelo.

2) H0: Varianza desajuste varianza error experimental

Esta es la H0 usual en los análisis de regresión; se obtiene:

F= Desajuste con ( ?r - ?e)

S2 ?e

Si H0 se rechaza, es decir, si F es significativo, se concluye que el modelo

parece ser inadecuado y debe proponerse otro. Este test permite afinar el
modelo. El procedimiento a seguir, en términos generales, el descrito
anteriormente, pero es necesario recordar que es el experimentador quien
decide el tipo de test que debe aplicar en su caso particular.

42
Diseño Experimental

Los fundamentos de un buen análisis de regresión pueden encontrarse en

(23).

Ejemplo:

Un investigador desea estudiar la relación del tiempo y la temperatura para

una respuesta dada Yi; hace un diseño 22 en duplicado y ajusta un modelo
lineal del tipo
Y= B0 + B1X1 + B2X2 + E

Matriz de variables Resp. Soluciones Doolittle de las ecuaciones

Independientes normales

X0 X1 X2 Y1 b0 b1 b2

1 -1 -1 1.0 8 0 0 66.00
1 -1 -1 1.7 - 8 0 30.70
1 1 -1 6.0 - - 8 38.20

1 1 -1 8.2 8 0 0 66.00
1 -1 1 7.0 1 0 0 8.25

1 -1 1 7.9 - 8 0 30.80
1 1 1 18.0 - 1 0 3.85

1 1 1 19.2 - - 8 38.20
- - 1 4.78

b2 . 1 = 4.78 b2 = 4.78
b1 . 1 + b2 . 0 = 3.85 b1 = 3.85
b0 . 1 + b1 . 0 + b2 . 0 = 8.25 b0 = 8.25

ANAVA

Fuente de variación suma de cuadrados ? cuadrado F medio

Y2i 911.780 8
Debido a b0 (66.0 x 8.25) 544.500 1
Debido a b1 (30.8 x 3.85) 118.580 1 118.500
Debido a b2 (38.20 x 4.78) 182.596 1 182.596

Residuo 25.575 5 5.115

Desajuste 23.885 1 23.885

Error 1.690 4 0.442

43
Diseño Experimental

Significativo = 0.001
El valor R2 = 845.485 / 870.980 = 0.970 97.002

Esto significa que el modelo propuesto explica el 97% de las variaciones de

los datos respecto del promedio.
A pesar de esto se ve que tanto el residuo como el desajuste son altamente
significativos, lo cual conduce a concluir que el modelo es inadecuado y es
necesario proponer otro.

Podemos proponer el siguiente:

Y = B0 + B1X1 + B2X2 + B12X1X2 + E (3.14)

El coeficiente B12 puede estimarse de los datos, sin embargo, el modelo

anterior es un modelo de segundo orden incompleto, pues le faltan los efectos
cuadráticos B11 y B12. Es importante recordar que es el “orden” de
aproximación a los datos lo que interesa, no los términos individuales que
forman la aproximación.

El modelo correcto

Y = B0 + B1Y1 + B2X2 + B11X12 + B22X22 + B12X1X2 + E (3.15)

La matriz de variables independientes para un diseño 22 sería:

X0 X1 X2 X12 X22 X1X2

1 -1 -1 1 1 1
1 1 -1 1 1 -1
1 -1 1 1 1 -1
1 1 1 1 1 1

Vemos que las columnas asociadas a X0, X12 son idénticas, de aquí que en
diseños factoriales 2n o replicaciones no pueden determinarse los factores
cuadráticos (24).

3.6 Coeficientes y números de experiencias

El numero N de experiencias necesarios para determinar los coeficientes no

debe ser menor que L y normalmente debe exceder este numero. En la tabla
siguiente vemos la relación entre el número de factores, el grado de la
ecuación ajustada y el número de coeficientes la ecuación. Se ve que estos
crecen rápidamente con el grado de esta.

44
Diseño Experimental

Numero de coeficientes (L)

Nª de _____________________________________________________
factores Grado de la ecuación ajustada
____________________________________________________
Plana Cuadrática Cúbica Cuartica

2 3 6 10 15
3 4 10 20 35
4 5 15 35 70
5 6 21 56 126

En el caso que N fuese igual a L, el proceso de ajustar el modelo

inevitablemente forzaría los N valores Yi, Y2, ……Yn predichos por el modelo
a concordar exactamente con los valores observados Y1, Y2 …YN.

En estas circunstancias podríamos, por su puesto, llegar a la conclusión que

la superficie ajustada no corresponde necesariamente a la superficie
verdadera. Sin embargo, si L fuese mayor que N, los N valores Yi predichos
por el modelo diferirían de los N valores dados observados Yi. La suma de
cuadrados de las discrepancias (Yi - Yi)2 = R, (que por supuesto en la
cantidad minimizada en el método Doolittle) la hemos denominado “suma
residual de cuadrados”. Esta cantidad al dividirla por (N – L) denominado
residuos de los grados de libertad nos da una estimación de 62, la varianza
del error experimental en el supuesto de que la superficie real pueda ser
representada por una función de la forma propuesta.

Si la superficie real no pudiera representarse por una ecuación de la forma

propuesta, R/(N – L) tiende en promedio a exceder en una cantidad que
depende de la magnitud de la ecuación postulada. Un buen ajuste no implica
necesariamente que R/(N – L) es pequeño sino que solo es magnitud
anticipada de la varianza del error experimental (25).

El criterio para evaluar los efectos reales y las interacciones en un diseño tipo
factorial o para juzgar el desajuste de un modelo, es la prueba F. si la
estimación de la varianza del error experimental obtenida por repetición es
muy pequeña, aun las interacciones de alto orden son significativas. Al mismo
tiempo si la varianza del error experimental es pequeña, generalmente
significa que es imposible encontrar un modelo simple cuyo desajuste sea del
mismo orden de magnitud que la varianza del error experimental.

45
Diseño Experimental

CAPITULO IV

4. DISEÑOS EXPERIMENTALES ORTOGONALES.

4.1 Ortogonalidad

Un diseño experimental ortogonal es aquel en el cual los efectos e interacciones

pueden estimarse independientemente. N general, un experimento es ortogonal si
todas las combinaciones entre las variables han sido estudiadas el mismo numero
de veces.
Recordemos que dos vectores son ortogonales si su producto escalar es cero. Por
ejemplo, consideramos los vectores:

A = aXi + ay j + azk

B = bx i + by j + bzk

i, j y k son vectores unitarios en las direcciones X, Y y Z respectivamente.

A . B = /AB/cos?

Como cos 90º = 0

ij = j . k = j . i = 0

La condición necesaria y suficiente para que dos vectores A y B sean ortogonales,

es que:

ax bx + ay by + azbz = 0

Estos conceptos pueden extenderse al espacio de infinitas dimensiones,

supongamos que tenemos dos vectores que son funciones lineales de las
observaciones tales como dos efectos principales e interacciones en un
experimento factorial.

Entonces:

Efecto 1 = a1x1 + a2x2 + a3x3 + ……..+ anxn

Efecto 11 = b1x1 + b2x2 + b3x3 + ……..+ bnxn

Los dos efectos son ortogonales si ai bi = 0

Esto significa que los dos efectos no se cofunden entre sí.

Por ejemplo, consideramos un diseño factorial 23.

46
Diseño Experimental

Diseño 1 A B C AB AC BC ABC Yi
1 + - - - + + + - Y1
a + + - - - - + + Y2
b + - + - - + - + Y3
ab + + + - + - - - Y4
c + - - + + - - + Y5
bc + - + + - - + - Y7
ac + + - + - + - - Y6
abc + + + + + + + + Y8

Sabemos que:

Efecto = ¼ (vector efecto. Yi)

donde Yi = vector observación

Consideramos el caso del efecto A y la interacción ABC. Se tiene:

Efecto A = ¼ (-Y1 + Y2 – Y3 + Y4 – Y5 + Y6 – Y7 + Y8)

Interacción ABC = ¼(-Y1 + Y2 + Y3 – Y4 + Y5 – Y6 – Y7 + Y8)

Debe notarse además que el producto escalar de los efectos e interacciones es

cero, pues se cumple la relación aibi = 0 (ortogonalidad).
En el caso dado los productos escalares de los coeficientes son :

(+1 +1 -1 -1 -1 -1 +1 +1) = 0

Por inspección vemos que esto se cumple para todos los efectos e interacciones.
Uno de los 2n efectos es la media:
? Yi
2n

Luego, si se cumple que los efectos e interacciones son ortogonales entre sí,
también deben ser ortogonales respecto a la media.

X = ( 1Y1 + 1Y2 + 1Y3 + ……….+ 1Yn)

n n n n

La única forma de que el vector efecto sea ortogonal respecto a la media, es que
el vector efecto:
E = 1 (a1Y1 + a2Y2 + …….+ anYn)
2n
Sea diseñado de tal modo que:

? ai = 0

47
Diseño Experimental

Luego:
? ai . 1 = 0
n

Finalmente, si cada respuesta Yi está sujeta a un error de varianza 62, definimos

un diseño experimental tal que la varianza del error experimental sea la misma
para todos los efectos. Considerando que los vectores efecto E1 , y E2 son
combinaciones lineales de las observaciones en ai y bi respectivamente, y usando
la ley de propagación de errores como una estimación de la varianza tenemos :

V (E1) = 1 (a12 + a22 + ………..+ an2)

k

V (E2) = 1 (b12 + b22 + ………..+ bn2)

k

Si la varianza del error experimental de los efectos E1 y E2 es igual, entonces :

? ai2 = ? bi2

Resumiendo, vemos que los diseños factoriales son ortogonales tales que :

(1) ? aibi = 0 (asegura ortogonalidad entre efectos e interacciones)

(2) ? ai = ? bi = 0 (asegura que el efecto medio es ortogonal a los otros)
(3) ? ai2 = ? bi2 (asegura igual varianza de error experimental de los
efectos)

Las condiciones anteriores se tratan de mantener en cualquier tipo de diseño. De

aquí la importancia de que nuestra matriz de variables independientes sea
ortogonal. Esto se analiza en profundidad en (28).
Cabe notar que cuando la matriz de variables independientes es ortogonal (29).

(X)T = (X) -1

(X)T . (X) = (1)

(1)= matriz identidad

Y la expresión :

(X)T . (X) (B) = (X) T (Yi)

Se simplifica:

a(B) = (X) T. (Yi)

48
Diseño Experimental

De esta expresión se obtiene la siguiente fórmula para calcular los coeficientes:

Bi = ? XiYi/ ? Xi2

Y la varianza asociada a los coeficientes:

V(Bi) = (? XiYi)2 / ? Xi2

4.2 Técnica del confundido (confounding)

Un diseño confundido es una ordenación experimental en la cual ciertos

efectos se confunden con otros. Es una técnica mediante la cual se
confunden, deliberadamente, ciertos efectos sin importancia, con el
propósito de fijar los efectos sin importancia, con el propósito de fijar los
efectos más importantes con mayor precisión. En el hecho, al calcular el
valor de un efecto interacción confundidos, estamos calculando la suma
de los dos.

En general, hay dos situaciones típicas que requieren el uso de diseños

confundidos:

1) Aquellas en las cuales no hay suficiente materia prima para efectuar

una experimentación completa. En el diseño experimental se denomina
“bloqueo” a una agrupación homogénea de experiencias. En este caso,
denominamos bloque al conjunto de experiencias que podemos realizar
con la materia prima de que disponemos. Podemos tener varios
bloques de la misma fuente.

2) Aquellas en las cuales la experimentación se hace usando dos o más

tipos de máquinas.

En ningún caso el experimentador debe concluir que los efectos de los

factores estudiados son causados por los diferentes bloques utilizados o
por el uso de diferentes máquinas. Una solución diferente para tal problema
podría ser elegir al azar los puntos experimentales. Este procedimiento, sin
embargo, causa una sobreestimación del error experimental. La solución
preferida es el uso de un diseño confundido que explicaremos con un ejemplo:

Consideramos un experimento factorial 23 en el cual utilizamos dos máquinas.

Por ejemplo, un experimento de flotación en el cual consideramos los factores
A, B, C, en el cual utilizamos una máquina tipo Denver y otra tipo Fagergren y
que denominados P1 y P2. Puesto que la única diferencia es el uso de dos
máquinas distintas, usamos un diseño confundido.

Los puntos experimentales son:

1, a, b, ab, c, ac, bc, abc.

49
Diseño Experimental

Efectuaremos solo la mitad de las experiencias con la máquina Denver y el resto

con la Fagergren. Se supone que no hay diferencia en la respuesta, debido al
efecto de bloques. Consideramos bloque I a las experiencias realizadas con la
máquina Denver y lo consideramos normal y suponemos que la diferencia en la
respuesta es producida por el bloque II. Una posible ordenación sería la
siguiente:
Bloque I (P1) Bloque II (P2)

a 1 + P (efecto de bloque P)
ab b+p
ac c+p
abc bc + p

El efecto de A es:
A = ¼ (a+ab+ac+abc) ¼ [ (1+P) + (b+P) + (c+P) + (bc+P) ]

Se ve claramente que el efecto del bloque (P) se confunde con el efecto principal
de A, ya que es función de P. En otras palabras, el efecto total del factor A se
ebe no solamente a A, sinó que también a posibles diferencias en el trabajo de las
máquinas. Consideramos ahora los otros efectos principales.

B = ¼ [ (b+P) + ab + (bc+P) + abc ] - ¼ [ (1+P) + a + (c+P) + ac ]

Es obvio que la influencia de P se anula quedando inalterado el efecto principal de

B, por inspección vemos que el efecto de C, las interacciones de segundo orden
la interacción ABC, no son alterados por el efecto P.
De esto deducimos que el experimentador puede hacer su diseño de manera que
un efecto o interacción deseada se confunda con la influencia del bloque (P),
quedando el resto alterado. Lo más lógico es confundir el efecto P con la
interacción ABC. Para hacer esto, simplemente anotamos los signos del vector
interacción ABC y asignamos el bloque I a los signos (-) y el bloque II a los signos
(+) o viceversa.

A B B ABC Bloque I Bloque II

Diseño Denver Fagergren

1 - - - -P1 (1)

a + - - + (a + P)
b - + - + (b + P)
ab + + - -P1 (a+b)

c - - + + (c + P)
ac + - + -P1 (ac)
abc + + + + (abc + P)

50
Diseño Experimental

Así vemos que el efecto de bloque se confunde con la interacción ABC, pero cada
uno de los efectos principales y las interacciones de segundo orden están libres
del efecto de boque. Esta técnica es totalmente general y permite confundir el
efecto o interacción que uno desee (30) (31).

4.3 Técnica del confundido parcial (Parcial confounding)

Esta técnica permite obtener información total. Si se repite un diseño, el

experimentador puede confundir el efecto de bloque con las interacciones de
más alto orden la primera vez, y en los tests subsiguientes con las interacciones
de más bajo orden. Tal procedimiento se denomina “Técnica del confundido
parcial”

Usando este método, el investigador obtiene información acerca de cada una de

las interacciones. Por ejemplo, un experimento 23 puede repetirse cuatro veces
usando cuatro bloques, confundiendo cada vez diferentes interacciones. En este
caso los efectos principales pueden estimarse con la precisión asociada a cuatro
experiencias repetidas y las interacciones podrían estimarse con la precisión
asociada a tres (32).

Los procedimientos de confundido anteriores sólo sirven en diseños menores con

sólo dos bloques. Sin embargo, a medida que el diseño se hace más complicado,
el investigador debe hacer uso de la “técnica de grupo finita”, para locuaz será
necesario dar algunas definiciones previas:

a) Definiciones y leyes de formación.

Un grupo es un conjunto de objetos o elementos con los cuales se asocia
una ley definida de composición tal como la suma, multiplicación o alguna
otra ley de composición.

En el caso de un experimento factorial 2n, el conjunto de efectos principales

e interacciones puede considerarse como un “grupo producto finito”,
formado por todos los posibles productos de los 2n factores.
En este caso tenemos n generadores que pueden asociarse con los
efectos principales A, B, C, ………..La ley de composición es entonces,
formar todos los productos posibles de , B, C, …..etc, con la condición de
que :
A2 = B2 = C2 …………= 1 (1)

Para el caso de un diseño 24 factorial, tendremos:

1) Los efectos principales son simplemente los generadores:

A, B, C y D

51
Diseño Experimental

2) Las interacciones de segundo orden se forman tomando los

generadores de dos en dos:

AB, AC, AD, BC, BD, CD.

3) Las interacciones de tercer orden se obtienen multiplicando las

interacciones de segundo orden por los generadores

AB x C = ABC; AC x D = ACD; AD x B = ADB; etc.

4) La interacción ABCD se encuentre multiplicando una de las

interacciones de tercer orden por el generador apropiado.

ABC x D = ABCD

Podemos ver también que no se producen nuevos términos – multiplicamos

otros términos:

ABCD x A = A2BCD = BCD

AB x AD = A2BD = BD

ABC x ABCD = A2B2C2D = D, etc.

Podemos usar la teoría de grupo para comprobar la ortogonalidad entre un

efecto y una combinación experimental.
El procedimiento es el siguiente:

1) Escribimos cualquier efecto en la forma:

(AX1BX2CX3DX4)

En el que el exponente puede ser 0 ó 1.

Por ejemplo, la interacción AC puede escribirse A1B0C1D0 = AC.

2) Se escribe la combinación experimental en la forma:

(aY 1bY 2c Y 3dY 4)

Donde el exponente puede ser 0 ó 1. Por ejemplo, la combinación abd

puede escribirse:

a-1b1c 0d1 = abd

52
Diseño Experimental

La regla de ortogonalidad es:

Una combinación experimental es ortogonal a un efecto si:

? XiYi = 0

O bien:

? XiYi = 2k (k = 0,1,2,3, … n)

2k = par

Ejemplo:

1) Consideremos un diseño 24 factorial. Veamos si el efecto ABC es

ortogonal a la combinación AB.

10 A1B1C1D0

20 a1b1c 0d0

30 ? XiYi = 1 + 1 = 2 (par)

Conclusión: La combinación es ortogonal al efecto.

2) Comprobemos bc con abd.

10 A0B1C1D0

20 a1b1c 0d1

30 ? XiYi = 1 (impar)

La combinación no es ortogonal al efecto.

b) Técnica de grupo finita para confundir un factorial 2n en 2P grupos.

Nuestro problema es confundir un diseño factorial 2n en 2P grupos o

bloques confundidos (33).

Reglas de formación:

1) Encontramos el conjunto “efectos de contraste o contrastes de

definición (Defining contrast), que es el conjunto de efectos
independiente que serán confundidos en bloques y su número”.

53
Diseño Experimental

2) El conjunto anterior más la combinación (1) forman un grupo

multiplicador que sirve para determinar un grupo conocido como
“bloque principal” que puede usarse para diseñar el experimento
confundido. Los productos de los efectos de contraste también están
confundidos, recordando que:

A2 = B2 = C2 = 1

3) El número de miembros de los “efectos de contraste” es 2p-1 (donde el

número de bloque es 2P). Por ejemplo, si deseamos confundir un
factorial 24 en cuatro bloques con cuatro observaciones por bloque,
entonces 2P = 4; p = 2. Por lo tanto, necesitamos 22-1 = 2 miembros
independientes en el conjunto “efectos de contraste”.

4) Definimos el bloque principal. Este siempre contiene la combinación (1)

puesto que a0b0c 0 … n0 es ortogonal a cualquier efecto, y las
combinaciones experimentales son ortogonales a todos los miembros
del conjunto “efectos de contraste”.

5) Una vez que le bloque principal está definido, los bloques restantes se
forman multiplicando los miembros del bloque principal por las
combinaciones experimentales no contenidas en éste.

Ejemplo I

Confundir un factorial 23 en bloques de cuatro observaciones cada uno.

1º Determinamos el conjunto de “efectos de contraste”. El número

de miembros en este conjunto es 1, puesto que:

2P = Nº de bloques.

2P = 2 ? p = 1

Usamos la interacción ABC para definir el conjunto “efecto de

contraste”.

2º Grupo multiplicador = efectos de contraste + Comb. (I)

= ABC (I)

3º Encontramos el bloque principal usando la regla de

ortogonalidad

54
Diseño Experimental

A1B1C1. ? XiYi

1 a0b0c 0 0 B. principal
a a1b0c 0
b a0b1c 0
ab a1b1c 0 2 B. principal
c a0b0c 1
ac a1b0c 1 2 B. principal
bc a0b1c 1 2 B. principal
abc a1b1c 1

NOTA: Los bloques principales son aquellas combinaciones que

? XiYi = 2k (k = 0, 1,2,… n).

4º Determinamos el bloque restante. La regla es simple; basta

multiplicar el bloque principal por una combinación no contenida
en el bloque principal. Así, el bloque principal es (1), ab,
ac, bc, el bloque restante es (1), (ab), (bc).

abc, (a2b2c 2 = c), (a2bc 2 = b), ab2c 2 = a

Los dos bloques son: (1, ab, ac, bc)

(abc, c, b, a)

Los mismos resultados se pueden obtener multiplicando el

bloque principal por cualquier otra combinación no contenida
en el bloque principal.

Por ejemplo: {1, ab, ac, bc } . a = a, b, c, abc

Ejemplo II

Confundir un factorial 24 en cuatro bloques de cuatro observaciones cada

uno.

1º 2P = 4 = número de bloques
p=2
22-1 = 2 número de miembros

Seleccionamos dos interacciones a confundir.

Ensayo 1 ABCD y ABC

Sabemos que ABCD x ABC = D

55
Diseño Experimental

puesto que los productos de los “efectos de contraste” también serán

confundidos, rechazamos esta elección porque D es un efecto principal.

Ensayo 2 ABC x BCD = AD

Aquí confundimos la interacción AD. Al seguir haciendo otros ensayos,

llegamos a la conclusión de que AB y BCD son las óptimas, en el sentido
de que esta elección confunde al mínimo número de interacciones de
segundo orden y, además, no se confunde a efectos principales.

2º El grupo multiplicador es: {1, ABC; BCD}

3º Determinamos el bloque principal. En este caso las combinaciones

deben ser ortogonales a ABC y BCD.

A1B1C1D0 ? XiYi A0B1C1D1 ? XiYi

1 a0b0c 0d0 # 0 a0b0c 0d0 0 #

a a1b0c 0d0 1 a1b0c 0d0 1

b a0b1c 0d0 1 a0b0c 0d0 1

ab a1b1c 0d0 2 a1b1c 0d0 1

cd a0b0c 1d1 1 a0b0c 1d1 1

ac a1b0c 1d0 2 a1b0c 1d0 1

bc a0b1c 1d0 2 a0b1c 1d0 2 #

abc a1b1c 1d0 3 a1b1c 1d0 2

d a0b0c 0d1 1 a0b0c 0d1 1

ad a1b0c 0d1 2 a1b0c 0d1 1

etc.

El bloque principal es: {(1), bc, abd, acd}

56
Diseño Experimental

4º Los bloques restantes resultan ser:

{(1, bc, abd, acd)} (a)

a, abc, bd, cd bloque 2

{(1, bc, abd, acd)} (b)

b, c, ad, abcd bloque 3

{(1, bc, abd, acd)} (d)

d, bcd, ab, ac bloque 4

c) Generación de diseños confundidos por el método de los signos.

Se puede demostrar que, cuando un diseño factorial 2n se confunde en 2P

bloques , se necesitan p interacciones y las restantes (2P – p – 1) interacciones
confundidas se encuentran multiplicando las p interacciones en todas las
formas posibles usando la serie de grupos (34):

A2 = B2 = C2… = 1

Ejemplo I

Confundir un factorial 23 en cuatro bloques.

Procedimiento

1º 2P = 4; p = 2

2º Seleccionamos dos interacciones no confundidas en un efecto principal,

por ejemplo AB y AC.

3º La interacción restante (2P – p – 1) = (4 – 2- 1), que será confundida,

será:
(AB) x (AC) = BC

4º Las ocho combinaciones experimentales pueden descomponerse en

bloques considerando todas las posibles combinaciones de signos
envolviendo p interacciones. En este caso, las dos interacciones (p),
(AB) y (BC) pueden tener cuatro combinaciones:

(+) (+), (+) (-), (-) (+), (-) (-)

5º Escribimos una tabla de signos para las ocho observaciones y las

interacciones AB y AC:

57
Diseño Experimental

Matriz

Combinaciones Bloques
A B C AB AC

1 - - - + + (1)
a - - - - - (4)
b - + - - + (3)
ab + + - + + (2)
c - - + + - (2)
ac + - + - + (3)
bc - + + - - (4)
abc + + + + + (1)

Los cuatro bloques son entonces:

+ +

Bloque 1: (AB) (AC) (1) abc

+ -

Bloque 2: (AB) (AC) ab, c

- +

Bloque 3: (AB) (AC) b, ac

- -

Bloque 4: (AB) (AC) a, bc

El bloque principal es aquel que tiene la combinación (1); en este caso es (1),
abc. Los otros bloques también pueden determinarse con los métodos ya
estudiados.
Por ejemplo: [(1), abc], b = b, ac (bloque 3), etc.

Ejemplo II

1º 2p = 8; p = 3
Seleccionamos tres interacciones de segundo orden tales como
AB, BC, BD. Estas son independientes entre sí, pues ninguna
de ellas se obtiene como producto de las otras dos.

2º (2p – p – 1) = (8 – 3 – 1 = 4)
(AB) x (BC) x (BD) = ABCD
(AB) x (BC) = AC
(AB) x (BD) = AD
(BC) x (BD) = CD

58
Diseño Experimental

3º Las combinaciones de signos posibles son:

+ + +

(AB) (BC) (BD) = bloque 1

+ + -

(AB) (BC) (BD) = bloque 2

+ - +

(AB) (BC) (BD) = bloque 3

+ - -

(AB) (BC) (BD) = bloque 4

4º Hacemos una tabla de signos como en el caso anterior. En el anexo 3

aparecen los casos más importantes de formación de bloques.

4.4 Diseños factoriales fraccionales (Fraccional Factorial).

Aunque un diseño factorial completo permite al experimentador determinar

todos los efectos principales e interacciones con el mínimo número de
experimentos, tal diseño no es usualmente necesario en las primeras etapas de
una investigación, cuando el interés principal del investigador es determinar
cuál, de un número posible de factores, influye en la variable respuesta. Así, si
un investigador desea estudiar seis variables posibles, debe emplear un diseño
factorial 26, que las experiencias repetidas para determinar el error
experimental. Las 64 observaciones requeridas en el factorial completo pueden
reducirse enormemente si el investigador desea sacrificar información acerca
de las interacciones de alto orden, a fin de determinar la existencia de efectos
principales (35) y (36).

Un diseño factorial fraccional es en el hecho equivalente a un bloque de

un sistema confundido, ya que se basa en confundir las interacciones de
alto orden con los efectos principales.

Cuando queremos hacer un diseño factorial fraccional debemos trabajar

como sigue:

1) Diseñar un experimento ortogonal que proporcione información acerca

de los efectos principales y las interacciones de más bajo orden.
2) Determinar exactamente qué información se perderá. El procedimiento
de diseño es similar al empleado en un sistema confundido
Supongamos que deseamos estudiar cuatro factores usando solamente
ocho experiencias.

59
Diseño Experimental

Procedimiento:

Diseño 2(n-p) = 2(4-1) = 23 = 8; p = 1

1º Escribimos el diseño estandar para tres factores:

Diseño 1

ABC combinación A B C D = ABC BCD ACD etc.

- 1 - - - - - -
+ a + -- + d + -
+ b - +- + d - +
- ab ++- - + +
+ c - -+ + d
- ac +-+ -
- bc -++ -
+ abc +++ + d

2º Hacemos D = +ABC, En consecuencia, cuando analizamos un

factorial, la interacción ABC está confundida con el efecto principal
D. Si la interacción ABC es despreciable, entonces al resolver la
interacción ABC tenemos una buena estimación del efecto D.

3º Determinamos los niveles de D consultando la tabla de signos.

Tomamos D en el nivel superior cuando la interacción ABC es (+) y
en el nivel inferior cuando es (-). Nótese que el diseño es ortogonal.
También podemos hacer D = ABC y aún así tenemos un diseño
ortogonal. En este caso, la interacción -ABC se confunde con el
efecto D.
Veamos que perdemos en información:
Determinamos los efectos de contraste. Usamos un ardid para
determinar el bloque principal:

a) Sea D = +ABC
b) D2 = 1 = ABCD = 1

Vemos que de partida perdemos información si usamos un diseño

factorial, puesto que en el hecho combinamos deliberadamente D con la
interacción ABC. En el análisis, las comparaciones de los efectos
estudiados son también estimaciones de uno o más efectos distintos. A
estos efectos confundidos en cada combinación experimental se les
denomina agrupaciones (aliases). En otras palabras, los efectos que
forman una agrupación no pueden determinarse. En un diseño de este
tipo tendremos un conjunto de agrupaciones. El conjunto de
agrupaciones de un diseño factorial puede determinarse multiplicando

60
Diseño Experimental

cada efecto estudiado en el diseño por el conjunto “efectos de

contraste” usando la regla de multiplicación de grupos (37).

En este caso, los efectos d contrastados son, I, ABCD, y las

agrupaciones de cada combinación se forman según:

1 Efecto x (1, ABCD) (1 = 1)

A A x (1, ABCD) = A, A2BCD = A, BCD
B etc. B, AB 2CD = B, ACD
C C, ABD
AB AB, CD
AC AC, BD
BD BD, AC
ABC ABC, D

Vemos en el diseño 1, que la tabla de signos par alas interacciones se

obtiene multiplicando los signos de sus componentes en cada
combinación.

Lo mismo sucede para las agrupaciones. Por ejemplo, los signos BCD
se encuentran multiplicando los signos de A x B x C, etc. se ve que los
signos de A y BCD son idénticos, lo mismo para los otros. Las
agrupaciones significan que el efecto de A es realmente la suma de de
A más la interacción BCD; el efecto de B es realmente la suma de B
más ACD, etc. Ahora, si consideramos que las interacciones de más
alto orden son insignificantes o cero, entonces podemos utilizar diseños
factoriales fraccionales y así reducir enormemente el número de
experimentos necesarios para determinar los efectos principales.
En el caso estudiado, reducimos a la mitad el número de experiencias.
Consideremos un caso con cinco factores:
Diseño 2
Sea D = ABC; E = -BC
D E

# Combinación ABC BC

1 1 - +
A a d + +
B b d e + -
AB ab e - -
C c d e + -
AC ac e - -
BC bc - +
ABC abad + +

61
Diseño Experimental

El conjunto “efectos de contraste” se obtiene como sigue:

D = ABC
(1)2 = 1 = ABCD
E = -BC
E2 = 1 = -BCE

Ahora, multiplicando ABCD con –BCE = -ADE

El conjunto “efectos de contraste” es:

(1, ABCD - BCD - ADE)

Por lo tanto, para este caso las agrupaciones con A son:

A, BCD - ABCE - DE, etc.

Vemos que el efecto principal A no está confundido únicamente con

interacciones de tercer o cuarto orden, sino que también con la
interacción de segundo orden -DE. En este diseño hemos perdido más
información, pero hemos reducido enormemente el número de
experiencias (de 32 a 8).
Resumiendo, al hacer un diseño fraccional (1/2)P de un factorial 2n: ( 1 )p
(2n) = 2n-p, y haciendo m = n – p, tenemos:

a) 2m puntos experimentales.
b) De los (2n – 1) efectos e interacciones de un diseño factorial
completo (2p – 1) son confundidos a priori, formando el
conjunto “efectos de contraste” del diseño.
c) Los restantes (2n – 2p) efectos, forman (2n-p – 1) = 2m – 1
agrupaciones en el diseño.
d) Cada combinación experimental contiene 2P efectos que
forman agrupaciones entre sí.
En el anexo Nº 4 aparece una tabla de formación de
diseños factoriales fraccionales.

62
Diseño Experimental

CAPÍTULO V

5. DISEÑOS ROTABLES Y COMPUESTOS.

5.1. Diseños rotables (Rotable Designs).

Un diseño experimental rotable es aquel en el cual tiene igual facultad de

predicción en todas direcciones a partir de un punto experimental central y
donde los otros puntos experimentales están a una distancia constante del
punto central. De acuerdo a esta definición, todos los diseños de primer orden
son rotables, es decir, los factoriales 2n y 2n-p.
Definiremos algunos tipos esenciales de diseños rotables cuyo estudio se
puede ver en (38) y que son especialmente útiles en ela juste de modelos de
segundo orden en las cuales es necesario disponer de datos suficientes para
poder estimar los coeficientes del modo propuesto.

5.2. Diseños rotables de dos variables.

a) Diseño trigonal.
Es un diseño de primer orden en el cual los puntos experimentales
corresponden a las coordenadas de un triángulo equilátero en el plano X1 –
X2. Para proporcionar una estimación del error experimental, se pueden
agregar dos o más puntos experimentales en el centro del diseño.
El diseño del primer orden siguiente es el diseño factorial 22 con puntos
adicionales en el centro.

b) Diseño Pentagonal.
Es el más simple de los diseños de segundo orden y en él los puntos
experimentales corresponden a las coordenadas de los vértices de un
pentágono regular en el plano X1 – X2, incluyéndose puntos experimentales
en el centro del diseño, para determinar el error experimental.

c) Diseño hexagonal.
Es un diseño de segundo orden y, como su nombre lo indica, los puntos
experimentales corresponden a las coordenadas de los vértices del
hexágono regular. Considera cuatro puntos experimentales en el centro del
diseño.

d) Diseño octogonal.
Lo mismo que en el caso anterior, es un diseño de segundo orden,
tratándose ahora de un octágono regular.

63
Diseño Experimental

En general, podemos considerar todos los diseños presentados como

polígonos regulares inscritos en una circunferencia cuyo centro es el origen del
sistema X1 – X2 de radio unitario, o bien, de radio v2. En las hojas de datos
incluidas al final del capítulo, se presentan ambas alternativas.

En todos los diseños presentados hemos codificado las variables originales de

tal manera que varíen entre -1 y +1. Usando la alternativa que considera la
circunferencia de radios unitario, vemos que los puntos experimentales quedan
dentro del rango de trabajo, es decir, +1; con la alternativa de radio v2; nos
salimos del rango experimental. El uso de una u otra alternativa depende del
experimentador, cumpliéndose en ambas condiciones de ortogonalidad.

Ejemplo:

Puesto que en todos los diseños se procede igual, tomaremos el caso del
diseño hexagonal con la alternativa 1.
Consideramos que las variables son A y B definidas según:

Niveles
- +
A = Ph 7,0 10,0
B = % sólidos 25 ,0 60,0

Etapas:
1) Codificamos las variables de tal modo que varíen entre -1 y +1.

Ph – a1 = -1
b1

X1 = ph – a1 a1 = 8,5
b1 b1 = 1,5

Ph – a1 = +1
b1

Luego: X1 = ph – 8,5
1,5

X2 = % sol. – a2
b2

% sol. – a2 = -1
b2 a2 = 42,5

64
Diseño Experimental

% sol. – a2 = +1
b2 b2 = 17,5

% sol. – 42,5 = x2
17,5

Por lo tanto, el más alto valor de X2 será:

60 – 42,5 = +1
17,5

Se obtienen las ecuaciones:

A = ph = 1,5 X1 + 8,5
B = % sol. = 17,5 X2 + 42,5

Los puntos experimentales centrales se obtienen para X1 = 0; X2 = 0

luego:
ph = 0 + 8,5 = 8,5
% sol. = 0 + 42,5 = 42,5

Los restantes se obtienen del mismo modo. Queda:

Nivel del diseño Nivel de los factores

X1 X2 A B
ph % sol.

1,0 0,0 10,0 42,5

0,5 0,866 9,25 57,7
- 0,5 0,866 7,75 57,7
- 1,0 0,0 7,0 42,5
- 0,5 -0,866 7,75 27,3
0,5 -0,866 9,75 27,3
0,0 0,0 8,5 42,5
0,0 0,0 8,5 42,5
0,0 0,0 8,5 42,5
0,0 0,0 8,5 42,5

65
Diseño Experimental

5.3. Diseños rotables de tres variables.

Son diseños de segundo orden y consideramos:

1) El proporcionado por los vértices de un icosahedro, que consta de 12

puntos experimentales más los puntos en el diseño. Las coordenadas son
(0; +a; +b), (+b; +a), (+a; 0; +b).

2) El proporcionado por los vértices de un dodecaedro, en el cual se dispone

de 20 puntos experimentales más los puntos centrales. Las coordenadas
son (0; +c -1; +c), -(+c; 0; +c -1), (+c; +c, 0), (+1; +1; +1).

Ejemplos ilustrativos usando los diseños presentados, se pueden ver en

(39), donde se proponen además fórmulas alternativas para estimar los
coeficientes de modelos de segundo orden.

Cuando se trabaja con tres o más variables, se utilizan los denominados

Diseños Compuestos (composite designs).

5.4. Diseños Compuestos.

Es un diseño factorial 2n, cada uno de los n factores es variado entre -1 y +1, (xi
= +1), tomándose 2n combinaciones en dos niveles. Este tipo de diseño permite
ajustar un modelo cuadrático de la forma:

n n n
Y = B0 + ? BiXi + ? Bi iX2i + ? Bi jXjXj (5.1)
i=i i=i i=i

i=j

El diseño factorial 2n permite estimar los coeficientes B0, Bi, Bj, pero no da la
información sobre Bi j. Esta es la razón de la introducción de los diseños
compuestos que no son otra cosa que puntos experimentales adicionales al
diseño factorial 2n. Estos diseños anexos se denominan “estrellas” y pueden
considerarse como experimentos en los cuales se va ría un factor cada vez,
partiendo del centro del diseño (Xi = 0) desde un nivel superior (+ α) hasta otro
inferior(-α ) mientras que todos los otros permanecen en su nivel central cero.

66
Diseño Experimental

Esto significa que se agregan Zn + 1 puntos experimentales al diseño 2n

factorial.

Xi = ± α

i= 1,2,3,..........n
Xj = 0 para j ? i

En un diseño compuesto, el número total de experiencias se compone como

sigue:

2n Factorial Estrella Total

N° de puntos 2n 2n +1 2n +2n +1

A medida que crecen, el primer componente (2n) crece rápidamente y, por lo

tanto, el número de experiencias. Para reducir esto se han propuesto los
diseños compuestos , en los cuales el diseño factorial total se reemplaza por un
diseño factorial fraccional. En este caso, al hacer una réplica (1/2)p del diseño
que el número total de experiencias es 2 n-p + 2n + 1, mientras que el número
de coeficiente en la ecuación (5-1) es 2n + 1 + 1/2n(n-1) y esta relación puede
fácilmente exceder la primera; por ello, al reducir el número de experiencias no
es posible estimar todos los coeficientes de (5-1).

En cualquier diseño compuesto 2m + 2n + 1 en el cual no se usa ningún efecto

principal como efecto de contraste del diseño fraccional, es posible estimar los
siguientes coeficientes:

a) La constante Bo
b) n coeficientes lineales Bi
c) n coeficientes cuadráticos Bji
d) 2m-I coeficientes Bij seleccionados de las agrupaciones

67
Diseño Experimental

INSTITUTO DE INVESTIGACIONES TECNOLÓGICAS

DEPARATEMNETO DE MINERALES Y METALURGIA

HOJA DE DATOS

Diseño pentagonal

Definición de Factores:

Factores Niveles
- +

A=.......................
B=.......................

A= a1X1 + b1
B= a2X2 + b2

Diseño I (0,1) Diseño II (0,2)

X1 X2 Y1 Y2 X1 X2 Y1 Y2
1 0 ..... ..... 1.414 0 ..... .....
0.309 0.951 ..... ..... 0.447 1.344 ..... .....
-0.809 0.588 ..... ..... -1.144 0.88 ..... .....
-0.809 -0.588 ..... ..... -1.144 -0.88 ..... .....
0.309 -0.951 ..... ..... 0.447 -1.344 ..... .....
0 0 ..... ..... 0 0 ..... .....
0 0 ..... ..... 0 0 ..... .....
0 0 ..... ..... 0 0 ..... .....

68
Diseño Experimental

INSTITUTO DE INVESTIGACIONES TECNOLÓGICAS

DEPARATEMNETO DE MINERALES Y METALURGIA

HOJA DE DATOS

Diseño pentagonal

Definición de Factores :

Factores Niveles
- +

A=.......................
B=.......................

A= a1X1 + b1
B= a2X2 + b2

Diseño I (0,1) Diseño II (0,2)

X1 X2 Y1 Y2 X1 X2 Y1 Y2
1 0 ..... ..... 1.414 0 ..... .....
0.5 0.866 ..... ..... 0.707 1.25 ..... .....
-0.5 0.866 ..... ..... -0.707 1.25 ..... .....
-1 0 ..... ..... -1.144 0 ..... .....
-0.5 -0.866 ..... ..... -0.707 -1.25 ..... .....
0.5 -0.866 ..... ..... 0.707 -1.25 ..... .....
0 0 ..... ..... 0 0 ..... .....
0 0 ..... ..... 0 0 ..... .....
0 0 ..... ..... 0 0 ..... .....
0 0 ..... ..... 0 0 ..... .....

69
Diseño Experimental

INSTITUTO DE INVESTIGACIONES TECNOLÓGICAS

DEPARATEMNETO DE MINERALES Y METALURGIA

HOJA DE DATOS

Diseño pentagonal

Definición de Factores :

Factores Niveles
- +

A=.......................
B=.......................

A= a1X1 + b1
B= a2X2 + b2

Diseño I (0,1) Diseño II (0,2)

X1 X2 Y1 Y2 X1 X2 Y1 Y2
-0.707 -0.707 ..... ..... -1 -1 ..... .....
0.707 -0.707 ..... ..... 1 -1 ..... .....
-0.707 0.707 ..... ..... -1 1 ..... .....
-0.707 0.707 ..... ..... 1 1 ..... .....
1 0 ..... ..... 2 0 ..... .....
-1 0 ..... ..... -2 0 ..... .....
0 1 ..... ..... 0 2 ..... .....
0 1 ..... ..... 0 -2 ..... .....
0 -1 ..... ..... 0 0 ..... .....
0 0 ..... ..... 0 0 ..... .....
0 0 ..... ..... 0 0 ..... .....
0 0 ..... ..... 0 0 ..... .....

70
Diseño Experimental

INSTITUTO DE INVESTIGACIONES TECNOLÓGICAS

DEPARATEMNETO DE MINERALES Y METALURGIA

HOJA DE DATOS

Diseño pentagonal

Definición de Factores :

Factores Niveles
- +

A=.......................
B=.......................
C=………………

A= a1X1 + b1
B= a2X2 + b2
C= a3X3 + b3

Niveles de los
Matriz Diseño Respuestas
Factores
X1 X2 X3 A B C Y1 Y2
-1 -1 -1 .......... .......... .......... .......... ..........
1 1 -1 .......... .......... .......... .......... ..........
-1 -1 -1 .......... .......... .......... .......... ..........
1 1 -1 .......... .......... .......... .......... ..........
-1 -1 1 .......... .......... .......... .......... ..........
1 -1 1 .......... .......... .......... .......... ..........
-1 1 1 .......... .......... .......... .......... ..........
1 0 -1 .......... .......... .......... .......... ..........
-1.68 0 0 .......... .......... .......... .......... ..........
1.682 0 0 .......... .......... .......... .......... ..........
0 -1.682 0 .......... .......... .......... .......... ..........
0 1.682 .......... .......... .......... .......... ..........
0 0 .......... .......... .......... .......... ..........
0 0 .......... .......... .......... .......... ..........
0 0 0 .......... .......... .......... .......... ..........
1 1 1 .......... .......... .......... .......... ..........
-1 -1 -1 .......... .......... .......... .......... ..........
-1 -1 -1 .......... .......... .......... .......... ..........
1 1 1 .......... .......... .......... .......... ..........
0 0 0 .......... .......... .......... .......... ..........

71
Diseño Experimental

CAPITULO VI

6. DETERMINACION DE CONDICIONES OPTIMAS.

6.1. Concepto de Optimización.

En la mayoría de los procesos de la Ingeniería Metalúrgica, es necesario

determinar las condiciones óptimas por experimentación. Optimizar significa
determinar el conjunto de valores de las variables independientes,
considerando las restricciones propias de] proceso en estudio, tales que
éstas den un rendimiento óptimo, es decir, maximicen o minimicen la función
respuesta.

Rendimientos expresados en máxima ley de concentrado, máxima

recuperación, mínimo costo de capital, de reactivos, etc.
Existen muchos métodos de optimización descritos en la literatura (42)(43).
El método que se explica a continuación es esencialmente experimental y es
la continuación de la metodología de diseño ya desarrollada.

1. Secuencia del método para determinar condiciones óptimas en un

sistema multivariable consiste fundamentalmente en lo siguiente:

a) Determinación del rango que encierra al óptimo mediante la aplicación

secuencial del método de la pendiente ascendente o descendente
(Method of Steepest Ascent or Descent),

b) Determinado el rango óptimo, se hace un diseño detallado que permite

ajustar un modelo matemático adecuado. Esta ecuación ajustada nos
da una superficie respuesta del sistema estudiado.

c) Ajustado el modelo matemático, le damos una forma canónica que

facilitará enormemente el análisis de la superficie respuesta ajustada.

2. Método de la Pendiente Ascendente o Descendente.

Este método permite ubicar la región experimental de máxima o mínima

variable respuesta; como hemos dicho, una vez determinada esta región, es
necesario ajustar un modelo matemático que permitirá analizar y predecir el
comportamiento del proceso en dicha región experimental A esta técnica se
la denomina Metodología de la superficie respuesta.

Supongamos que la relación verdadera entre la variable respuesta Yi y las

variables X1 y X2 está dada por las líneas de contorno de la Fig. 6 y nuestro
objetivo. es realmente encontrar el modelo matemático que nos permita

72
Diseño Experimental

calcular estas líneas . Como por lo general al comienzo de una investigación

nueva se carece de información experimental, consideramos que nuestra
primera región óptima, nos permitirá aplicar la técnica que entraremos a
explicar.

73
Diseño Experimental

En la región experimental A1, la función Y puede representar

convenientemente, como una función Y = F(X1,X 2 ),que represente un plano
Y = B0 +B1X1 + B 2X2 . Si consideramos un plano perpendicular al anterior,
éste apuntará a una región experimental de mayor o menor variable
respuesta. Se sabe por geometría analítica que este plano es proporciona¡ a
las pendientes B1 y B2. Esto significa que el experimentador puede usar los
signos y valores de los coeficientes B1 y B2 para determinar el factor
direccional que le permitirá ubicar la
nueva región experimental que le interesa. Esta situación se visualiza en la
Fig. 6 b.

Se repite el experimento en las nuevas regiones experimentales A2,A3...etc.

Como se busca un máximo o un mínimo llega un instante en que le es
imposible aproximar la superficie por un plano. Por lo tanto, debe hacerse un
diseño más detallado y determinar la forma' verdadera de la superficie
respuesta que interesa.

Las consideraciones y conceptos anteriores se pueden generalizara un

sistema de n variables, En este caso la función respuesta es del tipo:

Y = F(X1,X2,X3,............... Xn) (6.1)

Para representar gráficamente esta función, necesitaríamos (n+1) ejes

perpendiculares entre si, lo cual es imposible en un espacio de tres
dimensiones. Se usa el prefijo hiper para indicar cualquier extensión de la
geometría sólida al espacio multidimensional. A sí, el hiperespacio de (n+1)
dimensiones se refiere al conjunto de puntos (X1,X2, X3,.....Xn ;Y).

El conjunto de puntos (6.1) es una superficie respuesta de n dimensiones

contenida en un espacio de (n+l) dimensiones. Similarmente se concibe la
intersección de la hipersuperficie respuesta con cualquier hiperplano
constante Y, como un hipercontorno de (n-1) dimensiones. Cada punto
(X1,X2, X3,.....Xn ) para Y constante, corresponde a posibles experiencias y
cada porción del hiperplano X1,X2,X3,..... Xn constituirá una región
experimental. Cada serie de experiencias nos dará la forma de la superficie
respuesta en la región experimental estudiada, información que nos
permitirá progresar en la búsqueda del óptimo (44).

El ejemplo dado, los contornos de la superficie respuesta Y se visualizan en

la Fig. 6a y la superficie respuesta misma, en la Fig. 6b. La información
obtenida en la región experimental A 1 permite ubicar A 2 y así
sucesivamente hasta determinar la región experimental que encierra el
óptimo.

La dirección de la pendiente ascendente es la inversa de la pendiente

descendente, Esto es lógico, pues si en una dirección se incrementa la

74
Diseño Experimental

respuesta, en la contraria se producirá una disminución de ella. lo anterior se

esquematiza en la Fig. 7a.

El factor direccional proporcionado por las pendientes de un plano a partir de

los datos de un diseño factorial 2n y 2n-p da la dirección de la pendiente
ascendente, es decir, de un incremento en la respuesta. De aquí que sea
necesario invertir los signos de las pendientes estimadas al aplicar el
método de la pendiente descendente (45).

75
Diseño Experimental

El método de las pendientes descrito anteriormente puede fallar si el

sistema investigado tiene más de un máximo o mínimo. En tales casos, el
óptimo que se ubique dependerá de la región experimenta¡ de partida

Así por ejemplo, en la Fig. 7b se muestra un sistema con dos máximos,

pudiéndose elegir cualquiera de las regiones señaladas como zona
experimental de partida.

Eligiendo la región experimental Q, es probable que el método de las

pendientes no nos diga nada. En general, estos tipos de superficies
respuestas podrían indicar un cambio fundamental en el mecanismo de
reacción del sistema. La metodología desarrollada en el presente capítulo se
refiere sólo a sistemas que presentan un máximo o mínimo, puesto que el
estudio de los sistemas anteriores requiere otro tipo de consideraciones. Un
estudio completo de¡ método de la pendiente ascendente y descendente así
como de otros métodos más refinados pero basados en los mismos
conceptos anteriores, se encuentra en (46). Resumiendo, podemos decir:

Para determinar el rango que encierra el óptimo,elegimos una región

experimental , hacemos unas pocas pruebas, analizamos los datos para
estimar el plano propuesto , nos movemos hacia una nueva región
experimental y luego repetimos la operación. El diseño más conveniente en
la primera fase es 2n-p.
Lo anterior implica:

- Un cálculo cuidadoso de las pendientes.

- Un cálculo cuidadoso de la varianza asociada a los coeficientes.
- Un análisis de la varianza, a fin de determinar las variables de real
significadas en el rango elegido.

Es indudable que cuando hay suficiente información previa y se conoce el

rango optimo, esta técnica estaría demás y solo serpia necesario ajustar el
modelo matemático en dicha región experimental para obtener la superficie
de respuesta correspondiente.
Cuando el proceso depende de 2 ó 3 variables, se puede utilizar el método
de variar un factor cada vez para determinar el rango optimo de las variables
y posteriormente aplicar la metodología de la superficie de respuesta, pero
el método de diseño expuesto es mucho más económico y rápido, sobre
todo en aquellos casos en que el número de variables es numeroso.

Ejemplo ilustrativo

Para explicar el método de la pendiente ascendente tomaremos el siguiente

caso:

76
Diseño Experimental

En la filtración de un mineral sulfurado de cobre, se eligen los siguientes

factores, a fin de determinar que combinación de ellos produce una
recuperación máxima.

Factores Niveles
-1 0 1
A=tiempo de molienda(min) 5 6.5 8 X1
B=pH 8.5 9.5 10.5 X2
C=dosificación de colector (lb/ton) 0.1 0.15 0.2 X3
D=dosificación de espumante(lb/ton) 0.2 0.3 0.4 X4

Como colector se uso Z-2000 y como espumante Dowfroth 2000.

Consideramos que la recuperación de cobre es una función lineal de los
factores definidos anteriormente.

Y = B0 +B1X1 + B 2X2+ B3X3+ B4X4 + E (6.2)

Recordando que es necesario codificar Las variables originales entre –1 y

+1, siendo, Xi = +- 1(i=1,2,3.........n)

A fin de determinar los coeficientes de este modelo haremos un diseño

factorial 24-1 =23
Haciendo D =ABC

Combinac Matriz de variables

Observaciones
Experiment. Independientes X
X0 X1 X2 X3 X4
1 1 - - - - 87.70
ad 1 + - - + 90.40
bd 1 - + + - 87.50
ab 1 + + - - 92.00
cd 1 - - + + 84.00
ac 1 + - + - 86.40
bc 1 - + + - 85.00
abcd 1 + + + + 88.20
1 0 0 0 0 88.00
1 0 0 0 0 88.60
1 0 0 0 0 89.00

Calculo del error experimental.

Restamos 88 a las respuestas en el centro del diseño a fin de facilitar los
cálculos tenemos:

φ Cuadrado Medio
∑Yi2 = 1.36 3
(∑Y) i2 = 0.85 1
0.51 2 0.25

77
Diseño Experimental

Puesto que la matriz es ortogonal, podemos aplicar las fórmulas ya

presentadas (3-1) y (3-2):

Bi = ∑XiYi/∑Xi2

(VBi)= (∑XiYi)2/∑Xi2

Constante XiYi (XiYi)2

Xi XiYi F
Estimada Xi2 Xi2
b0 11 967.20 87.80 - -
b1 8 12.40 1.55 20.50 #
b2 8 4.60 0.57 2.63 #
b3 8 -13.60 -1.70 13.10 #
b4 8 -2.20 -0.27 0.60 -

# = significativa α= 0.05
De acuerdo con los cálculos anteriores, el modelo propuesto queda como
sigue:

Y = 87.80 + 1.55X1 + 0.57X2 - 1.7X3 -0.27X4 + E (6.3)

Del análisis de varianza deducimos que la pendiente puede considerarse

igual al error experimental. Esto significa que el efecto del factor 0 es
despreciable y que no tiene influencia alguna en el rango experimental
estudiado.
La secuencia de cálculos necesarios para obtener el in cremento y la
dirección en que debemos variar los factores, se ve en la tabla siguiente:

Paso de la pendiente
Ascendente
Variables X1 X2 X3 X4
Nivel base 6.50 9.50 0.15 0.30
Unidad (ui) 1.50 1.00 0.05 0.10
[Link] (bi) 1.55 0.57 -1.70 -0.27
uibi 2.32 0.57 -0.09 0.02
Xi 1.00 0.25 -0.04 -0.01

Fijado el incremento de una de las variables, las restantes se calculan

proporcionalmente:

∆X 1 ∆X 2 ∆X 3 ∆X i
= = = ............. =
u1b1 u 2 b2 u 3 b3 ui bi

En este caso hemos elegido el incremento de las variables X1, luego:

1.0 ∆X 2 1.0 × 0.57

= = ∆X 2 = 0.25
2.32 0.57 2.32

78
Diseño Experimental

Es evidente que podemos tomar cualquiera de las varia y asignarle un

incremento conveniente. Esto por supuesto depende del criterio del
investigador, pero se acostumbra usar las variables con b. mayor.
Formamos a continuación una serie de experiencias tomando en cuenta
los incrementos calculados restándolos o sumándolos según, sea el caso.
Esta suma o resta debe hacerse de a- cuerdo al signo de la pendiente
estimada.

Factores
Experiencias
X1 X2 X3 X4
posibles
1 6.50 9.50 0.150 0.300
2 7.50 9.75 0.144 0.290
3 8.50 10.00 0.140 0.298
4 9.50 10.25 0.136 0.297
5 10.50 10.50 0.132 0.296
6 11.50 10.75 0.128 0.295
7 12.50 11.00 0.126 0.294
8 13.50 11.25 0.122 0.293
9 14.50 11.50 0.118 0.292
10 15.50 11.75 0.114 0.291

Una vez que hemos formado la secuencia de experiencias, elegimos 2 ó

3 de ellas que quedan fuera del rango estudiado y las hacemos, Por
ejemplo, podemos tomar las experiencias (5), (8) y (10). La respuesta
obtenida en cada una de ellas nos servirá como guía para elegir la nueva

79
Diseño Experimental

región experimental. Supongamos que realizadas las experiencias, la

mejor recuperación corresponde a la experiencia (8), Esto nos permite
concluir que es conveniente tomar como nivel base o central de] próximo
diseño la experiencia (8). Es evidente que cuando se tiene experiencia y
se conoce el proceso que se está investigando, podemos elegir la nueva
región experimental utilizando sólo la información dada por la pendiente
ascendente, Sin embargo, se puede correr el riesgo de que exista una
superficie respuesta de contornos ascendente y elegir una región
experimental inconveniente, según se muestra en la figura 8 .
Para mostrar la forma de proceder cuando deseamos aplicar el método
de la pendiente ascendente, tomaremos el mismo caso anterior.
Supongamos, a titulo de ejemplo solamente, que deseamos disminuir la
recuperación. Como hemos dicho, basta invertir los signos de las
pendientes del plano ajustado (6.2) el cual queda:

Y = 87.50 + 1.55X1 + 0.57X2 - 1.70X3 -0.27X4 + E (6.3)

Siendo los cálculos exactamente los mismos, tendremos:

Variables X1 X2 X3 X4
∆ Xi -1.0000 -0.2500 0.0400 0.0010

Experiencias
Posibles
1 6.50 9.60 0.150 0.300
2 5.50 9.26 0.154 0.301
3 4.50 9.00 0.158 0.302
4 3.50 8.75 0.162 0.301
etc --- --- --- ---

Observaciones generales

a) La elección de la nueva región experimental debe estar de acuerdo

con la dirección dada por la pendiente ascendente o descendente, y
depende fundamentalmente de las características, del proceso
estudiado y del criterio del investigador.

b) Cuando una de las variables no tiene significación, es decir, su efecto

es pequeño comparado con los otros efectos de-las variables, puede
deberse a:

- El nivel base para este factor es cercano a las condiciones

óptimas, lo cual significa que el rango experimenta¡ para este

80
Diseño Experimental

factor cuando las otras variables permanecen constantes, pero no

en el óptimo entre todas las variables.

- Los niveles han sido elegidos fuera de la región experimental

donde el factor-tiene influencia, es decir, el rango es inadecuado.

- La unidad adoptada es desproporcionalmente pequeña Hemos

elegido bien el rango, pero los niveles son cercanos y el factor
produce un efecto prácticamente nulo.

- El factor no tiene influencia alguna en el sistema estudiado.

Para decidir cuál es la situación real al hacer la próxima serie de

experiencias, se elige, para esta variable un rango experimental fuera del
calculado por el método de la pendiente ascendente o descendente, en
su dirección y utilizando un rango experimental más amplio. Si la variable
tiene significación en el sistema, se detectará un efecto real.

Determinación del Rango Optimo

Después de una, dos o más aplicaciones del método anterior, se llega a

detectar la región experimental que en cierra el óptimo, Esto lo podemos
saber analizando:

Las interacciones. cuando los efectos de segundo orden son mayores en

valor absoluto que los efectos principales de las variables, concluimos
qué:

- Se ha determinado la región experimental que encierra el óptimo y

por lo tanto, ya no es posible ningún progreso por el método de
la pendiente ascendente o descendente.

- La relación entre las variables y la respuesta ya no es posible

aproximarla por un plano y es necesario ajustar un modelo más
complicado. En otras palabras, la superficie es curva.

Los efectos cuadráticos. Una estimación de los efectos cuadráticos b 11

se obtiene haciendo la diferencia en valor absoluto del promedio de
respuestas en las experiencias periféricas y del promedio de las
respuestas en el centro del diseño (47)

Así:

Si Y p > Yc se tiene Y p − Yc = ∑b
ij

81
Diseño Experimental

Si se detecta una diferencia apreciable, concluimos que los datos

cuadráticos ya no se pueden despreciar. A esto hay que incluir las
conclusiones del punto (a).

Posteriormente, para confirmar el análisis anterior, hacemos algunas

experiencias de la secuencia dada por la pendiente ascendente o
descendente. Estas experiencias deben indicar que se ha llegado a una
región experimental de respuestas estacionarias, es decir, a una zona

En la cual ya no es posible mejorar la respuesta por el método anterior,.

Las experiencias debe ser una respuesta máxima constante que varia
muy poco, o que en todo disminuya.
Hubiendose determinado la región experimental que encierra el optimo,
nuestro próximo paso es diseñar en dicha región experimental un
experimento que proporcione información suficiente para poder ajustar un
modelo de segundo orden.

Para ello lo podemos utilizar los diseños presentados en el capitulo V

Una vez que hemos determinado la región experimenta óptima y la

superficie respuesta a escala de laboratorio, debemos continuar la
investigación a escala de planta piloto: utilizamos entonces las
condiciones ,experimentales óptimas en el laboratorio, como punto de
partida de la experimentación a escala planta piloto. Luego debería

82
Diseño Experimental

continuarse la investigación a escala industrial usando por supuesto las

condiciones óptimas determinadas en la planta piloto, lo cual conducirá
finalmente a determinar la superficie respuesta real y las condiciones
óptimas correctas.

Esto como consecuencia de que las condiciones óptimas de

experimentación a escala de operación (48).

En la Fig. 9 se puede apreciar lo dicho anteriormente de que la superficie

respuesta determinada a escala de laboratorio se ha desplazado a causa
de los efectos de escala.;

Otra alternativa es experimentar directamente en la planta partiendo de

las condiciones óptimas de laboratorio, sin determinar previamente la
naturaleza de la superficie respuesta. Sin embargo, siempre es
conveniente determinar la superficie respuesta en el laboratorio,
información que nos ayudará en la determinación de las condiciones
óptimas en la planta, pues la superficie respuesta se desplazará o se
distorsionará, pero no cambiarán sus características fundamentales.

En todo caso, el criterio a seguir depende de las características propias

del trabajo experimental.

Análisis Canónico de los modelos de segundo orden

En la mayoría de los casos es suficiente ajustar modelos de segundo

orden en la región experimenta¡ que encierra el óptimo y por simple
inspección de los coeficientes de estos modelos, usualmente no podemos
percibir el tipo de superficie respuesta que representan. Esta es la razón
del empleo de análisis canónico, que consiste esencialmente en tomar la
información contenida en los coeficientes de la ecuación original y darle
una forma más comprensiva.

En esta sección consideraremos el análisis canónico tipo de aquello

casos en que disponemos de dos y de tres variables independientes En
general, cuando se optimiza un sistema multivariable, casi siempre es
posible reducir el número de factores a dos o tres más importantes lo cual
facilita enormemente el control de las condiciones óptimas y la predicción
del comportamiento o del sistema.

Análisis de un modelo de dos variables

Para dos factores X1,X2 el modelo de según los calores correspondiente

es :

Y=Bo+B1X1+B2X2+B11X222+ B22X222+ B12X1X2+ E (6.4)

83
Diseño Experimental

Existen básicamente sólo dos tipos de superficie respuesta que puede

representar la ecuación anterior, que son las representadas en las figuras
10a y 10b, y veremos que las figuras 10c y 10d son Formas especiales de
éstas

Para las superficies 10a y 10b tomaremos el centro del sistema como
origen de un nuevo sistema de coordenadas Z1 y Z2. Al reducir la
ecuación (6.4) al nuevo sistema de coordenadas, queda:

Y-Ys = B11Z21+ B22Z22 (6.5)

A esta forma que adquiere la ecuación: (6.4) se le denomina forma

canónica y en ella tenemos:

Ys = respuesta en S coordenadas X15 y X26

Z2 = F(X2) (6.6)

S corresponde al máximo o mínimo de la ecuación (6.4) para estimar la

respuesta en S es necesario derivar la ecuación anterior respecto de
cada variable independiente y hacer la derivada igual a cero. Posterior
mente se resuelve el sistema formado y se determinan, las coordenadas
X1s y X 2s que, reemplazadas en (6.4)

Análisis de los coeficientes

a) Si B11 y B22 tienen el mismo signo, se tiene una superficie respuesta

de contornos elípticos como la figura l0a. En esta figura B11 y B22 son
negativos y el centro del sistema S un máximo. Si B11 y B22 son
positivos, se tiene un mínimo.

b) Si a B11 y B22 son de signos opuestos, tenemos una superficie

respuesta de contornos semejantes a la Fig. 10b. En tres
dimensiones sería una figura parecida a una silla de montar.

Y-Ys = B11Z21+ B2Z22 (6.7)

Si uno de los coeficientes es pequeño comparado con el otro, la

superficie es atenuada a lo largo del eje correspondiente a la Fig.
10a, B22 es menor que B 11.

c) Si B22 fuera cero, tendríamos una superficie cuyos contornos los

muestra la Fig.10C, que puede considerarse semejantes a la Fig.
10b, pero infinitamente atenuada a lo largo del eje Z2 No existe un

84
Diseño Experimental

centro único, puntual, sino una líneas de centro a lo largo de Z2. La

ecuación canónica es de la forma:

Y-Ys = B11Z21 (6.6)

donde YS es la respuesta en cualquier punto del eje Z.

d) Si B22 fuera cero y el centro del sistema estuviese, en el infinito, se

tendría una superficie respuesta de con tornos parabó1icos, según
se muestra en la Fig. 10d.

Si en general uno de los coeficientes es pequeño comparado con el otro,

y el centro está muy lejos del centro del diseño, no podemos sacar
conclusiones acerca de la naturaleza de la superficie respuesta.

Podemos usar sin embargo, el centro calculado, el cual sólo con la

información relativa a la dirección de los ejes, nos permite determinar
aproximadamente la naturaleza de la superficie local. Tomando como
origen cualquier punto conveniente del eje Z2 la ecuación canónica
queda:

Y-Ys = B11Z21+ B22Z22 (6.7)

El coeficiente B22, mide el incremento de la respuesta al avanzar a lo

largo de Z2

En el trabajo experimenta¡ es poco probable que la ecuación ajustada

represente superficies del tipo con valores de S iguales a cero y por el
contrario tenga valores positivos o negativos pequeños. Sin embargo,
haciendo las consideraciones correspondientes podemos analizar los
casos particulares comparándolos con las superficies tipos presentadas.

Denotando los coeficientes B11 y B22 en la ecuación canónica por los

signos (-), (+), (0), las superficies respuestas tipos las podemos nombrar:

Fig. 10a (-,-)

Fig. 10b (-,+)
Fig. 10c (-,0)
Fig. 10d (-,0,centro de el ∝ )

Análisis de un modelo de tres variables

El modelo para las variables X1,X2,X3 es :

Y=Bo+B1X1+B2X2+ B3X3 +B11X21+ B22X22+ B33X23+B12X1X2+ B13X1X3+ B23X2X3 + E (6.8)

85
Diseño Experimental

Forma canónica de la ecuación anterior es:

Y-Ys = B11Z21+ B22Z22+ B33Z23 (6.9)

Modelos de n variables

La Fig. 11 muestra algunas de las superficies tipos generados por

ecuaciones de segundo orden en tres dimensiones. Anotando los
coeficientes de la ecuación canónica igual que en el caso anterior,
tenemos las siguientes esquematizaciones de las figuras presentadas:

Fig. 11a (-,-,-)

Fig. 11b (-,-,-)
Fig. 11c (-,-,+)
Fig. 11d (-,0,0 )
Fig. 11e (-,0,+)
Fig. 11f (-,0,0) centro en el ∝
Fig. 11g (-,-,0) centro en el ∝

86
Diseño Experimental

Modelos de n variables

En general, en el análisis canónico de una ecuación de segundo grado de

n variables, seguimos el mismo procedimiento anterior.

De los 1/2(n-l)(n+2) coeficientes de la ecuación original, calculamos:

Las n coordenadas del nuevo centro del sistema X1S , X2S , X3S..... XnS y el
valor Ys de la respuesta en ese punto,

La forma canónica de la ecuación es:

Y-Ys = B11Z21+ B22Z22+ B33Z23 ................. + BnnZ2n

Las n ecuaciones de las nuevas coordenadas Z, en función de las

antiguas coordenadas X.

Una información detallada de lo expuesto en este capítulo se encuentra

en (49) y (50).

87
Diseño Experimental

Para explicar la secuencia de cálculos necesarios en el procedimiento

descrito anteriormente, tomaremos un sistema de tres variables, ecuación
(6.8).

Posición de S, el centro del diseño. Una vez obtenida la ecuación

ajustada, la derivamos parcialmente res p566sebes a cada variable
independiente, según:
∂y
( )= 0
∂xi
con lo cual se obtiene el siguiente sistema de ecuaciones:

2B11X1 +B12X2 +B13X3 =-B1

B12X1 +2B22X2 +B23X3 =-B2
B13X1 +B23X2 +2B33X3 =-B3

Al resolver el sistema anterior, se obtiene las coordenadas del centro del

diseño X1S, X2s X3s Reemplazando estos valores en la ecuación (6.8) se
obtiene 2B11X1 +B12X2 +B13X3 =-B1e el valor de Ys

a) Determinación de la forma canónica. Utilizamos los coeficientes del

sistema anterior para construir el siguiente determinante:

B11 – B 1/2B12 1/2B13

1/2B12 B22 - B 1/2B23 = 0
1/2B13 1/2B23 B33 – B

Resolviendo el determinado anterior, se obtiene una ecuación de tercer

grado en B cuyas raíces son los coeficientes de la ecuación canónica:

aB3 +Bb +Cb + d = 0

Las raíces asociadas a los coeficientes deben ser asociadas tales que:

B11< B22<B33

b) Determinación de los ejes de la ecuación ajustada

Las ecuaciones que nos dan los valores de las nuevas coordenadas
en función de las antiguas son :

Z1=m11 (X1 –X1S ) +m12 (X2 –X2S ) +m13 (X3 –X3S)

Z2=m’11 (X1 –X1S ) +m’12 (X2 –X2S ) +m’13 (X3 –X3S)

Z3=m’’11 (X1 –X1S ) +m’’12 (X2 –X2S ) +m’’13 (X3 –X3S)

Los coeficientes “m” se obtienen resolviendo un sistema que es función

de los valores B según cual sea el eje i. Así para Zi tendremos:

88
Diseño Experimental

(B11 –B11)m11 +1/2B12m 12 +1/2B13 m 13 = 0

1/2 B12m 11 + (B22 –B11)m12 +1/2B13 m 23 = 0

1/2 B13m 11 + 1/2B23 m 12 + (B33 –B11) = 0

Se pude observar que, tanto los sistemas como el determinante son

simétricos. Esta situación permite formarlos finalmente cuando se tiene
un mayor numero de variables.

89
Diseño Experimental

90
Diseño Experimental

BIBLIOGRAFIA

1. Lawyer, James E. "The Technique of Mineral Processing Re search".

Apuntes del curso MET 127, Universidad de
Minnesota.

2. Hicks, Charles R.. Fundamental Concepts in the Design of

Experiments" 1st. Edition, pp. 1-8, Holt-Rinehart
and Winston, New,York, (1965).

3. Makepeace, C.D. Review of Statistical Design of Experiments in

Metallurgical Engineering.,The Canadian Min. Y
Met. Bulletin, Vol. 60, Nº 666, pp. 1173-1177,
October Cl 967)

4. Savas, Emanuel "Computer Control of Industrial Processes” 1st

Edition, pp. 42-49, McGrawHil Book o New York,
(1965).

5. Hamilton, R.E. 'Variables and Sensors of Importance-to EVOP"

The Canadian Min & Met. Bulletin, Vol. 60 N* 666,
pp. 1184-1186; October (1967)

6. ,Lawyer, James E. [Link].

7. Hunter, J. Stuart "Determination of Optimum Operating Con ditions

by Experimental Methods, Part 11-2, Models and
Methods", Industrial Quality Control, pp. 13-14,
January (1959)

8. Wilde - J. Douglas "Optimum Seeking Methods" 2nd. Edition, pp.

159-162, Prentice - Hall Inc. New York ( 196 5)

9. Hicks, Charles A. [Link].9-10

10. Davies, Owen L. "Métodos estadísticos aplicados a la investigación

y a la producción", 2' Edición, pp, 31-41, Aguilar
S.A. S.A. (1965).

11. Davies, Owen L. [Link].58-74

12. Davies, Owen L. [Link].107-164

13. Davies, Owen L "The Design and Analysis of Industrial. Box

[Link] al. Experiments" 2nd Edition, Revised, pp. 579-592.

14. Davies, Owen L "The Design and Analysis of Industrial.

Hunter, J.S. Experiments" 2nd Edition, Revised, pp. 579-592.

91
Diseño Experimental

15. Davies, Owen [Link] al [Link].259-261

16. Box , Hunter [Link].313

17. Davies, Box. et al [Link].283-285

18. Davies, Box. et al [Link].268

19. Draper, N.R. "Applied Regresion Analysis", Ist. Edition, po. 128-
Smith, H. 136. John. Wilwy & Sons, New York, (1966)

20. Box,G.E.P. "Transformations of the Independent Variables”

Midwell, P.W,. Technometrics, Vol. 4pp, 521- 550 (.1962)

21. Hunter J. Stuart "Determination of Optimum Operating Con dition

by Experimental Methods". Part 1 1- 1.

22. Day, B.B. "The Technique of Regresion Analysis industrial

Quality Control, pp. 10-19, August, (1955)

23. Draper, Smith [Link].120-134

24. Hunter, J. Stuart [Link] [Link].8-9

25. Box G.E.P. "The Exploration an Explotation of Response

Surfaces. Some General considerations and
examples", Biometrics, Vol 10, Pp. 28-30,,March
(1954)

26. Lawyer, James E. [Link]

27. Davies, Box et al . [Link].268

28. Box G.E.P "Multificador Experimental Design' Annals of

Mathematics Statistics..Vol. 28. pp. 195-241
(1957).

29. Draper, Smith [Link].150-151

30. Davies, Box. et al [Link]. 367-380

31. Hicks, Charles R. [Link].201-207

32. Davies, Box. et al [Link].360-383

33. Davies, Box. et al [Link]. 410-423

34. Davies, Box. et al [Link].389-394

35. Hicks, Charles R. [Link].221-227

36. Davies, Box. et al [Link].440-475

92
Diseño Experimental

37. Box G.E.P [Link].311-351 Y 449-458

Hunter, J. Stuart

38. Box G.E.P [Link]. (Multifac...)pp. 195-241

39. Hunter, J. Stuart [Link].. Part II

40. Hartley, H.O. 'Smallest Composite Design for Quadratic

Response Surfaces” Biometrics, Vol. 15N* 1-4, pp.
611-624, (1959)

41. Box, G.E.P. Ob. Cit. pp. 39-56 (The Explor ... )

42. Fan, Liang Tseng "The Continuous Maximum Principle" 1st. Edition,
pp. 1-9, John Wiley & Sons. (1966) [Link].

43. Rosenbrock, H.H. “Computational Techniques for Chemical

Engineers", 1st, Edition pp. 48-95, Pergamon
Press Ltd, London (1965)

44. Wilde , J. Douglas [Link].58-59

45. Drapes, Norman [Link].1270-1272

46. Wilde, J Douglas [Link]. cap. 4 y 5

47. …….. “…..”, Biometrics, Vol, 12, pp, 20-22 (1956)

48. Box, G.E.P "Evolutionary Operational Method for increasing

industrial productivity" Applied Statistics Vol. 11,
pp.4 (1955).

49. Davies, Box et, al [Link].495-551

50. Box, G.E.P "On the experimental attainment of Optimum

Wilson K.B conditions", Journal of Royal Statistical Society,
Series B. Vol 13 (1951).

93