FUNDAMENTOS TEORICOS DEL DISEO EXPERIMENTAL

INTRODUCCION:
La Metalurgia Extractiva est dedicada a estudiar el comportamiento de los
procesos de extraccin, tal como la flotacin, separacin magntica,
adsorcin-elucin u otros; frecuentemente el objetivo es determinar las
condiciones de operacin que hacen factible la recuperacin ptima de fino a
bajo costo de operacin.
Por lo tanto esto es un problema de optimizacin y es sumamente complejo de
estudiar, por el hecho que estn influyendo un gran nmero de variables en el
sistema.
Tradicionalmente se adopta cambiar de una variable en cada experiencia, pero
este mtodo es de alto costo y exceso de tiempo ocupa realizarlas.
Para resolver este problema es necesario estudiar las bases que rigen el
"Diseo y anlisis de Experimentos", herramienta til en la investigacin.
DEFINICION DEL PROBLEMA.
Consideremos un sistema de n variables independientes y llamaremos Y la
variable dependiente que nos interesa.
La variable respuesta que deseamos investigar depende de las n variables o
factores X1, X2, X3.Xn factible de medir y controlar; los factores Xi
quedan definidos por sus respectivos niveles experimentales.
Para una combinacin de niveles j la variable respuesta Y puede representarse
como una funcin
YJ = (Xij) = (X1j, X2J, X3j,. Xnj)
con j = 1, 2, 3, ..., N

En el hiper espacio de n dimensiones existe una regin R

encerrada por limitaciones prcticas de variacin de los factores, la
denominamos Regin experimental.
El problema es encontrar con el mnimo de experiencias los puntos (X1s, X2s,
X3s,.Xns), dentro de R en el cual la variable Y sea mnima o mxima. En el
caso de un proceso Metalrgico, la respuesta Y puede representar al % de
recuperacin, la ley de un concentrado, el costo de extraccin u otra variable
dependiente que deseamos estudiar. Los factores Xi que afectan estas
respuestas, tales como el pH, tiempo de extraccin, % de slido u otras, se
definen de acuerdo al proceso mismo y del investigador.
DISEOS FACTORIALES.
Los Diseos Factoriales permiten obtener el mximo de informacin, con el
nmero mnimo de experiencias. Estos diseos se utilizan para estudiar los
efectos que las variables tienen sobre las respuestas, en que todas las n
variables estn en dos niveles.
Estudiaremos los diseos 2n y en particular los diseos 23 y 22. Para esto es
necesario definir los siguientes conceptos:
i)

Nivel de un Factor: Son los distintos valores asignados a un factor o

variable en nuestro experimento.

ii)

Combinacin Experimental: es el conjunto de todos los factores, en

diferentes niveles empleados en una experiencia determinada.

iii)

Respuestas: El resultado numrico de una experiencia se denomina

RESPUESTA. La respuesta puede expresarse en una unidad
conveniente para cada investigacin.

iv)

Efecto de un Factor: El efecto de un factor (variables), es la

variacin en la respuesta producida por un cambio en el nivel del
factor. Cuando se analiza un factor en dos niveles, el efecto es
simplemente la diferencia entre el promedio de las respuestas en el
nivel superior y el promedio del nivel inferior. Si hay ms de dos
niveles, la definicin anterior es incompleta.

En el diseo factorial 2n se estudian los efectos de todas las combinaciones de

n variables, tomando en cada una de ellas en dos niveles, y donde 2n = N,
indica el nmero de experiencias que deben rea1izarse para distintos valores
de las n variables. Si cada variable es continua, los dos niveles son el
SUPERIOR y el INFERIOR.

Se acostumbra usar la siguiente notacin alternativa para designar los niveles

superior e inferior de los factores.
Para el diseo 23 es:

TABLA 1
Experiencia

1
2
3
4
5
6
7
8

Notacin 1
Variables
1
a
b
ab
c
ac
bc
abc

A
+
+
+
+

Notacin 2
Variacin
B
+
+
+
+

La combinacin experimental ab significa que las variables A y B estn en su

nivel superior y la variable C en su nivel inferior. El diseo 2n puede
considerarse como un hiper-cubo contenido en un hiper-espacio de n
dimensiones, correspondiendo cada combinacin experimental a un vrtice,
cuyas coordenadas son 1.
Un mtodo que puede programarse en el computador y que permite realizar
los clculos y el anlisis del diseo factorial en forma rpida, es el siguiente:

C
+
+
+
+

Se define la matriz D que corresponde al conjunto de combinaciones

experimentales del experimento, una matriz de variables independiente X
formada a partir de la matriz D y un vector observacin Y, que es una lista de
los resultados experimentales obtenido en cada experimento. Se presentan en
la tabla 2.

TABLA 2
Matiz de diseo
D
A
B
C
+
+
+
+
+
+
+
+
+
+
+
+

1
+
+
+
+
+
+
+
+

Matriz de variables independientes

X
a
b
c
ab
ac
bc
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+

Observa
Yi
abc
+
+
+
+
+

Y1
Y2
Y3
Y4
Y5
Y6
Y7
Y8

La columna 1 de la matriz X consiste de signos positivos (+), se usa para

estimar la media. El vector AB se obtiene tomando los productos internos de
los vectores A y B. En forma idntica se generan las otras columnas.
Para calcular los efectos principales e interacciones, se toman los productos
interiores del vector observacin con los correspondientes elementos del
efecto deseado, en la matriz de variables independientes X y se divide el
resultado por 2n-1, es decir:
Ex= Yi*Vectorx /2n-1

Ec. 1 .

Figura 1: Representacin geomtrica de los diseos factoriales 22 a) y para el

diseo 23 (b)
Donde:
n = Para efectos principales
n(n - 1)/2 = Para efectos de las interacciones de segundo
orden.
n(n - 1)*(n - 2)/6 = Para efectos de las interacciones de
tercer orden.

TECNICA DEL CONFUNDIDO.

Como en una investigacin se estudian tres o ms factores
simultneamente, sucede a menudo que el nmero de experiencia dado por un
diseo factorial 2n es mucho mayor del que podemos realizar bajo condiciones
experimentales homogneas, sea por el tiempo disponible en realizar los
experimentos o el costo que significa.
Este problema se puede resolver eficientemente con 1a Tcnica del
Confundido.

Un diseo confundido es una ordenacin experimental en la cual ciertos

efectos se confunden con otros. Es una tcnica mediante la cual se confunden
deliberadamente ciertos efectos sin importancia, con el propsito de fijar los
efectos ms importantes con mayor precisin. En diseo experimental se
denomina Bloqueo a una agrupacin homognea de experiencias.
Para explicar mejor esta tcnica, supongamos un diseo factorial 2 3 y dos
bloques para confundir una cuarta variable: el bloque I se considera normal y
el bloque II con una diferencia en la respuesta.

BLOQUE I (P1)

BLOQUE II (P2)

1+p

(Efecto
bloque P)

ab

b+p

ac

c+p

abc

bc + p

El efecto de A es:
A = 1/4 (a + ab + ac + abc) - ((1 + P) + (b + P) +

(c + P) + (bc + P))

del

Se ve claramente que el efecto del bloque P se confunde con el efecto

principal de A, ya que es funcin de P. En otras palabras, el efecto total de A
se debe no so1amente a este factor, sino que tambin a posibles diferencias de
la variable confundida.
Consideremos ahora los otros efectos principales:
B = 1/4 (b + P) + ab + (bc + P) + abc) - 1/4 ((1 + P) + a + (c + P) + ac).
Es obvio que la influencia de P se anula quedando inalterado el efecto
principal de B.
Por inspeccin sabemos que el efecto C, las interacciones de segundo orden y
la interaccin ABC, no son alterados por el efecto P.
De esto se deduce que el experimentador puede hacer su diseo de manera que
un efecto o interaccin deseada se confunda con la influencia del bloque P,
quedando el resto inalterado, lo lgico es confundir el efecto P con 1a
interaccin ABC. Para hacer esto simplemente anotamos los signos del vector
interaccin ABC y asignamos el bloque 1 a los signos (-) y el bloque II a los
signos (+) o vice-versa, tal como se muestra en la tabla 3.

TABLA 3
ABC=D BLOQUE I

BLOQUE
11

EXPERIENCIA

a+P

b+P

ab

ac

1 + P1

ab t P1
c+P
ac + P1

bc
abc

+
+

+
+

be + P1
abc + P

Vemos que el efecto de bloque se confunde con la interaccin ABC, pero cada
uno de los efectos de segundo orden est libre del efecto de bloque.
Esta tcnica es totalmente general y permite confundir el efecto o interaccin
que el experimentador desee.
OBTENCION DEL MODELO.
La tcnica de la superficie respuesta est dada fundamentalmente en la
obtencin de una ecuacin que permita buscar y determinar las condiciones
experimentales ptimas del sistema en estudio.
En las primeras fases del estudio del sistema, lo ms adecuado y 1gico es
suponer que hay dependencia lineal entre la variable respuesta y los factores
(variables independientes), ecuacin que se contrasta mediante un Anlisis de
varianza que permite progresar en la bsqueda de la regin experimental
ptima.
En general los diseos 2n y 20n-p permiten nicamente estimar los coeficientes
del modelo lineal, cuyo plano respuesta est dado en la ecuacin 2, diseos 2np

, p es la variable confundida).

Dnde:
n

Y Bo X o ( Bi X i )
i 1

Y = Respuesta predicha por el modelo

Bo = Media o promedio
Bi = Efectos principales unitarios

E c. 2.

Xo = Variable muda cuyo valor es siempre 1.

Xi = 1

.., n

con i = 1, 2, 3,

Las variables Xi son una funcin adecuada (lineal, logartmicas u

otra) de los factores A, B, C, ...,Q codificadas entre 1.

As por ejemplo para la variable B si el nivel inferior (-) es 4,31

mg/l y en el superior es 8,43 mg/l,
tenemos:

X2

4,31 a1
1
b1

X2

8, 43 a1
1
b1

Entonces:
a1 = 6,37, ,,b1 = 2.0
Luego:

X2

B 6,37
2, 06

Arreglando:
B = 6,37 + 2,06 X2

Ec.3.

La ecuacin 3 representa una recta en el plano, que son ortogonales con las
otras variables, luego los efectos unitarios se pueden determinar fcilmente,
adems se puede calcular los coeficientes del modelo lineal.

Cuando el fenmeno o proceso estudiado es complejo y el modelo lineal es

claramente inadecuado, se debe postular a modelos ms complicados. Una
tcnica que es til en diseos experimental para ajustar cualquier tipo de
modelo, sea cuadrtico, cbico u otro, es el Mtodo de Doolitle Abreviado,
basado en el mtodo de los mnimos cuadrados, el cual trata de minimizar la
expresin:
R = (Y Yi)2 0

Ec.4.

Donde:
R = Residuo
Y = Respuesta predicha por el modelo ajustado
Yi= Respuesta experimental
Para explicar esta tcnica, supongamos que disponemos de datos
experimentales de un diseo 22 y deseamos determinar los coeficientes del
modelo lineal:
y = Bo Xo + B1 X1 + B2 X2

Ec.5

Los Bi (i = 0, 1, 2) son los coeficientes del modelo del plano.

Primero debemos escribir la matriz de variables independientes con el vector
observacin dado en la Tabla 4.

TABLA 4
Exp.

COMB. EXP.

MATRIZ D

MATRIZ X

V. 08S.

Xo

X1

X2

Yi

+1

-1

-1

Y1

+1

+1

-1

Y2

+1

-1

+1

Y3

ab

+1

+1

+1

Y4

+1

Y5

+1

Y6

Las experiencias 5 y 6 se han realizado en el centro del diseo (notacin 0

representa el nivel central del factor), para determinar los errores que puedan
hacerse durante el experimento; estas experiencias deben considerarse en el
desarrollo de Doolitle.
El modelo lineal propuesto cuyos coeficientes deseamos estimar, se puede
escribir en forma matricial como:

Yi X B

X Yi X X B
T

Ec.6.

Al desarrollar la ecuacin 6, se obtienen las denominadas "ecuaciones

normales" del mtodo de los mnimos cuadradas, que esta dado por el
siguiente sistema de ecuaciones:

X
X
X

B0 X 0 X 1 B1 X 0 X 2 B2 X 0Yi

X 1 B0 X 12 B1 X 1 X 2 B2 X 1Yi

X 2 B0 X 1 X 2 B1 X 22 B2 X 2Yi

La solucin a este sistema de ecuaciones permite determinar los coeficientes

del modelo lineal. Tambin entrega un anlisis de varianza para decidir si el
modelo propuesto se ajusta a los resultados experimentales.

Se observa que las ecuaciones normales forman una matriz simtrica (la
matriz aij = aji) y nicamente se necesita la mitad de los trminos para
resolverla. Escribimos las ecuaciones normales en la siguiente forma:
B0
a11

B1
a12
a22

B2
a13
a23
a33

Se procede de la siguiente forma:

i.

Se toma la primera fila.

B1j = a1j / a11

ii.

j = 2,4

Se usa el b12 como pivote

c1j = a2j - (a1j - b12)

J = 2,4

iii.

Se divide el primer coeficiente.

iv.

d1j = c1j / c12

j = 2,4
Se usan dos pivotes
e1j = a3j - (a1jb13 + C1jd13)

j= 3,4

Es decir:
a11
1

a12
b12
c12

a13
b13
c13
d13

a14
b14
c14
d14

e13

e14

f14

a14
a24
a34

Los coeficientes se determinan segn:

B2* 1 = f14
B1*1 + B2*d13 = d14
B0*1 + B1*b12 + B2*d23 = b14
La tabla 5 muestra el anlisis de varianza proporcionado por el mtodo de
Doolitle, formndose de la siguiente manera:
TABLA 5
ANALISIS DE VARIANZA
FUENTE DE
VARIACION
Suma bruta de
cuadrado

SUMAS DE
CUADRADO
S
Yi2

GRADO
LIBERTA
D

VARIAN
ZA F

Xo

Yi2/ Xo

Debido a Bo

b 14 * a 14

b 14 * a 14

Debido a B1

c 14 * d 14

c 14 * d 14

Debido a B2

e 14 * f 14

e 14 * f 14

X0 -3

R( Xo -3)

Z/e

R-Z

X0 -3-e

(R-Z)/( X
-3-0 )

Suma
de
residuo
Error
experimental
Desajuste

OBSERVACIONES:
1.

2.

El error experimental puede determinarse haciendo experiencias

repetidas, en el centro del diseo, en cuyo caso determinaremos la
suma bruta de cuadrados, grados de libertad y cuadrado medio. Si no
se ha determinado se puede considerar el residuo como una
estimacin anticipada del error experimental. Los puntos que
corresponden a las experiencias repetidas deben necesariamente
aparecer en la matriz X para que sean consideradas en el desarrollo
de Doolitle, pues de lo contrario puede llegarse a absurdos, como por
ejemplo, obtener grados de libertad cero o negativos para el
desajuste.
Cuando el cuadrado medio (varianza) del residuo es menor que el
cuadrado medio del error experimental, indudablemente no es
necesario hacer un test estadstico para estudiar el desajuste de
nuestro modelo de los resultados experimentales y simplemente lo
aceptamos. Si no ocurre esto debemos hacer un estudio estadstico
para probar el modelo, procedindose de la siguiente manera:

PROCEDIMIENTO:
Es til calcular el cuadrado del coeficiente de correlacin mltiple R2,
definido como:
R2

suma de cuadrado debido a la regresin

suma bruta de cuadrado

Su magnitud mide el xito del modelo en explicar la variacin de los datos o

respuestas.
Posteriormente se establece la siguiente hiptesis nula:
1. H0 : Varianza del residuo < Varianza del error experimental. Si se
acepta H0 significa que las diferencias detectadas en el residuo corresponden al error experimental, por lo tanto se acepta el modelo.
2. H0 : Varianza del desajuste < Varianza error experimental. Ho usual en
los anlisis de regresin, se obtiene de:

(r e )
Desajuste
con
2
Se
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. La solucin a esta hiptesis, segn el test
estadstico F es:
Si F > F (1 - 2), entonces se rechaza H0.
El procedimiento a seguir es, en trminos generales, el descrito anteriormente,
pero es importante saber que el experimentador es quien decide el test que
debe aplicarse en el caso particular.
OPTIMIZACIN:
Optimizar significa determinar el conjunto de valores de las variables
independiente, considerando las restricciones propias del proceso en estudio,
tal que den un rendimiento ptimo, es decir maximicen o minimicen la
funcin respuesta.
Para encontrar las condiciones ptimas en un sistema multivariable, que
consiste fundamentalmente en lo siguiente:
i.
ii.

iii.

Determinar el rango que encierra el ptimo mediante 1a aplicacin

secuencial del mtodo de la pendiente ascendente o descendente.
Determinado el rango ptimo, se hace un diseo detallado que
permite buscar un modelo matemtico adecuado. Esta ecuacin
ajustada da una superficie respuesta del sistema en estudio.
Ajustado el modelo matemtico, se da una forma cannica que
facilita enormemente el anlisis de la superficie respuesta ajustada.

METODO DE LA PENDIENTE ASCENDENTE O DESCENDENTE

Este mtodo permite encontrar la regin experimental de mxima o mnima

respuesta y luego ajustar un modelo matemtico que permite analizar y

predecir el comportamiento del proceso en dicha regin experimental. A esta
tcnica se denomina Metodologa de la Superficie respuesta.
Para explicar este mtodo, supongamos que hay relaci entre las respuestas Yi,
con las variables X1 y X2, que tiene una regin experimental A1, tal que se
encuentra lejos del ptimo. En esta regin la funcin respuesta Y puede
representar un plano como:
Y = Bo + B1 X1 + B2 X2

Ec.7.

Si consideramos un plano perpendicular al anterior, este apuntar a una regin

experimental de mayor o menor respuesta. Se sabe por geometria ana1tica
que este plano es proporcional 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, y ubicar la regin experimental que
interesa. En la figura 2 representa grficamente este mtodo.
Se repite el experimento en las nuevas regiones experimentales A1, A2. Como
se busca un mximo o un mnimo, llega un instante que es imposible
aproximarse a un plano, por lo tanto, se debe hacer un diseo ms detallado y
determinar la forma verdadera de la superficie respuesta.
El factor direccional proporcionado por las pendientes de un plano ajustado a
partir de los datos experimentales de un diseo factorial 2n y 2n-p, se rige por el
mtodo de la Pendiente Ascendente que d un incremento en la respuesta.
Si se busca un mnimo se invierte los signos de los coeficientes, para
determinar el factor direccional.

FIGURA 2: Representacin esquemtica del mtodo de la pendiente

ascendente o descendente, muestra los contornos Que encierra el ptimo.
Para obtener el incremento en la superficie respuesta se deben hacer los
siguientes clculos a partir de la tabla .

X1

Variables
X2

X3

Nivel Base (Ni)

N1

N2

N3

Unidad (ui)

u1

u2

u3

Pendiente estimada Bi)

B1

B2

B3

Ui * Bi

u1B1

u2B2

u3B3

Diferencia de la Variable

X1

X2

X3

La primera fila (Ni) representa el nivel central de la variable. La segunda fila

(ui) es la diferencia entre el nivel central y el nivel superior o inferior. La

tercera fila (Bi) es la pendiente estimada (considerando el signo), se acuerdo a
estas vara en un incremento de los factores. La cuarta fila (Ui * Bi) muestra
estos cambios y define la direccin de ascenso ms pronunciada, a partir de
los niveles centrales, dado en la primera fila.
La trayectoria desde el centro del diseo a la superficie S, se hace tomando un
incremento (X ) conveniente en una de las variables, las otras diferencias de
los dems factores quedan determinadas por la siguiente proporcin:
X 1 X 2 X 3

u1 B1 u2 B2 u3 B3

Ec.8

Luego sumando la diferencia calculada (Xi) al nivel central se obtienen los

niveles de los factores en 1a regin de avance, para luego ajustar un diseo
experimental y estudiar nuevamente una superficie respuesta.
Las posibles experiencias se pueden realizar o tomar de ellas la informacin
necesaria para real izar un diseo; est en la tabla 7.
OBSERVACIONES GENERALES:
i.

ii.

La eleccin de una nueva regin experimental debe estar de acuerdo

a la direccin dada por 1a pendiente ascendente o descendente,
depende fundamentalmente de las caractersticas del proceso en
estudio y el criterio del investigador.
Cuando una variable no tiene significacin, es decir su efecto es
pequeo comparado con los otros efectos de las variables, puede
deberse a:
a. El nivel base para este factor es cercano a las condiciones
ptimas, lo cual significa que el rango experimental para este
factor, cuando las otras variables permanecen constante, est en
el ptimo pero no para las variables.
b. Los niveles han sido elegidos fuera de la regin experimental
donde el factor tiene influencia, es decir, eleccin del rango
inadecuado.
c. La unidad adoptada es desproporcionalmente pequeo. Se ha
elegido bien el rango pero los niveles son cercanos y el factor

produce un efecto prcticamente nulo.

d. El factor no tiene influencia alguna en el sistema estudiado.
Para decidir cual es la situacin real, al hacer la prxima serie de experiencias,
se elige para cada variable en particular, un rango experimental fuera o dentro
del calculado por el mtodo de la pendiente ascendente o descendente,
considerando la direccin de las pendientes. Si la variable tiene significacin,
se detectar un efecto real.
DETERMINACION DEL RANGO PTIMO.
Despus de aplicar el mtodo anterior, se llega a detectar la regin
experimental que encierra el ptimo. Esto lo podemos averiguar analizando:

i.

ii.

Las interacciones: Cuando los efectos de segundo orden son mayores

en valor absoluto que los efectos principales de las variables, se
concluye que:
a. Se ha determinado la regin experimental que encierra el ptimo
y por lo tanto, ya no es posible ningn progreso por el mtodo de
la pendiente ascendente.
b. La relacin entre las variables y la respuesta, no es posible
aproximarla a un plano y es necesario ajustar un modelo ms
complicado. En otras palabras la superficie es curva.
Los efectos cuadrticos: Una estimacin de los efectos cuadrticos
se obtiene haciendo la diferencia en valor absoluto del promedio de
la respuesta las experiencias perifricas y del promedio de las
respuestas en el centro del diseo, as:
Si Yp

Ycse tiene Yp Yc Bii

Si detecta diferencia apreciable, se una se concluye que los efectos cuadrticos

ya no se pueden despreciar. A esto hay que incluir las conclusiones del punto
i.
Para confirmar el anlisis, se realizan algunas experiencias con los niveles
propuestos por el mtodo anterior, las respuestas de los experimentos deben
indicar que se ha llegado al ptimo, es decir, a una zona en que ya no es

posible mejorar la respuesta o en otro caso que disminuya.

Habindose determinado la regin ptima, el prximo paso es disear en dicha
regin experimental un nuevo diseo, que proporcione informacin suficiente
para poder ajustar un modelo de segundo orden.