DISEOS

EXPERIMENTALES
APLICADO A
PROCESAMIENTO DE
MINERALES
Diseos Factoriales
La siguiente gua es la publicacin de la primera parte, de
un conjunto de resmenes de datosreales, que se aplican
en procesamiento de minerales en base a la estadstica.
Alvaro Paitan Q.
13/12/2011

PERU
AlvaroPAITAN Q.

Primera Parte: 1

INTRODUCCION
Las actividades de planear y realizar una investigacin tienen implicaciones de estadstica,
es por ello que a la estadstica se le considera como la base fundamental que relaciona
una estructura sistematizada de los factores que intervienen en un proceso para obtener
un resultado.

alvaropaitan@hotmail.com

PERU
AlvaroPAITAN Q.

Primera Parte: 1

DISEOS FACTORIALES
Que son los Diseos Factoriales?
Los diseos factoriales permiten el estudio de las simulaciones de varios efectos del factor
sobre el proceso conocido como respuesta. Para dicho estudio es necesario variar los
niveles de los factores que intervienen.
El diseo factorial se aplica:
Para determinar los efectos de los factores en estudio, para la funcin respuesta.
Eficiente en trminos del tiempo y costo, porque disminuye el numero de
tratamiento o pruebas.
Permite el estudio de interacciones entre los factores.
Cundousar los diseos factoriales?
Se usa para:
Obtener eficiencia en las estimaciones de los efectos de cada factor de la
respuesta.
Estimar los efectos de interacciones entre dos o ms factores en la respuesta.
Probar la curvatura en la respuesta incluyendo el centro de los puntos de rplica
en el diseo.
Determinar la varianza de error experimental.

Por quusar los Diseo Factoriales?

En la mayor parte de los diseos factoriales se usa para contestar preguntas como:
Cules son la preparacin de las variables ms influyentes en la respuesta?
Cules son los factores que optimizaran la respuesta?
PRINCIPIOS PARA EL DISEO EXPERIMENTACION EN LA INVESTIGACION
Para una buena investigacin un investigador debe conocer los problemas de manera
sistematizada con la finalidad de responder a las preguntas que se genera durante el
anlisis del problema.
La buena planeacin ayuda al investigador organizar las tareas necesarias para llevar al
desarrollo una investigacin. Un investigador debe tomar decisiones crticas, en base a la
observacin de los factores para buscar los mejores resultados de un proceso.
Al iniciar una investigacin es necesario una lista de verificaciones de aspectos concretos
entre ellos tenemos:
Planteamiento del problema
alvaropaitan@hotmail.com

PERU
AlvaroPAITAN Q.

Primera Parte: 1

Formulacin del problema

Objetivos trazados
Justificacin
Limitaciones
Antecedentes del estudio
El marcoterico
Hiptesis del tema en estudio
Variables de la investigacin
Mtodos
Poblacin y muestra
Diseo
Procedimiento e instrumentos de recoleccin de datos
Procedimientos de anlisis.

Entre estas etapas es necesario conocer tambin:

Los factores que influyen y cules de ellos varan y cuales permanecen
constantes.
Nmero de repeticiones del experimento bsico a realizar.
Los recursos y materiales disponibles.
Culesson las preguntas sencillas para enfocar las actividades de una investigacin.
Las preguntas que centran nuestra atencin a travs del proceso de diseo incluyen:
''Cul es mi objetivo?", ''Qu quiero saber?" y "Por qu quiero saberlo?".
Las preguntas de seguimiento productivo para cada actividad en el proceso, tales como:
"Cmo voy a realizar esta tarea?" y ''Por que hago esta tarea?", dirigen la atencin a
definir el papel de cada actividad en el estudio de investigacin.
Con lo que respecta a la investigacin en procesamiento de minerales el investigador debe
conocer las caractersticas del mineral a detalle, porque mediante el cual definir los
mejores procesos mediante los factores.

alvaropaitan@hotmail.com

PERU
AlvaroPAITAN Q.

Primera Parte: 1

APLICACIN DE LOS DISEOS FACTORIALES EN EL PROCESAMIENTO DE

MINERALES
Los diseos experimentales que se usaron en distintas empresas desde el siglo 19 permiti
en las industrias identificar y controlar a los factores que ms correlacin tena con la
produccin (funcin respuesta), logrndose aumentar la produccin con el mnimo costo.
Es importante en la actualidad enfocar los Diseos experimentales en el procesamiento de
minerales de la metalurgia extractiva, con la finalidad de mejorar la produccin en todos
los aspectos.
En procesamiento de minerales uno de los factores importantes que se bebe estudiar es la
influencia de estos con la funcin respuesta, en este caso la recuperacin del concentrado
de mineral y las leyes de las mismas, la mayora de los factores que se bebe estudiar es
como ejemplo, los colectores, depresores, activadores, tiempo de acondiciona miento,
condiciones de la pulpa, granulometra del mineral y otros.
Para un estudio sistematizado de un problema en procesamiento de minerales es
importante conocer los problemas en base a la identificacin de las variables
independientes y dependientes (Funcin respuesta).
Por ello es de suma importancia la estadstica en la Ingeniera Metalrgica y en todas las
otrasIngenieras.
1.-PRUEBAS METALURGICAS CON DISEO FACTORIAL.
En metalurgia, especialmente en flotacin de minerales, el proceso es complejo, del tipo
caja negra (black box). La relacin del criterio de optimizacin a las variables
independientes del proceso (funcin respuesta), puede ser descrita co n el siguiente
modelo matemtico.
Sea la ecuacin de la funcin respuesta:

Y = (x u z, , ) (1.1)
Donde:
Y:Funcin respuesta.
x : Variable controlable
u : Variable no controlable
z : Variable desconocida
Las variables no controlables pueden medirse pero no controlar, y las variables
desconocidas no pueden medirse ni controlarse y se encuentra dentro de las variables
aleatorias; estas son incluidas dentro de la funcin respuesta como se puede ver en la
ecuacin (1.1)

alvaropaitan@hotmail.com

PERU
AlvaroPAITAN Q.

Primera Parte: 1

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

funcin respuesta es necesario que las variables controladas tomen un rango o parmetro
de operacin esto se representa mediante la ecuacin.

Y = (x1,x2,...,xn) + .(1.2)
Donde:
e : Variable aleatoria (variable no controlada y desconocida).
Xn : Variables controladas o estudiadas.
K

En el diseo factorial 2 se estudian en la mayor parte de los casos los efectos de los
factores y las n interacciones de las mismas.
K
N=2 indica el numero de tratamientos que deben hacerse con los K factores y n
interacciones.
K

En la notacin 2 los niveles superior e inferior estn indicados por los signos (+) y ( -)
(+1) y (-1) respectivamente.
Investigar con diseo experimental es determinar los experimentos que conviene usar
para poder hacer un mejor estudio de las variables, al mismo tiempo determinar la
influencia de cada una sobre la funcin respuesta.
Es por ello importante para que una funcin respuesta se la mejor (optima) en
procesamiento de minerales identificar y seleccionar las variables que ms influyen para
ello existe los diseos experimentales completos, fraccionados y de Planckett Burman que
permite estudiar hasta 20 variables o factores.
PRIMERA ETAPA DE SELECCIN DE VARIABLES.
Es una de las etapas ms importantes en la cual se debe definir las variables o factores a
estudiar, estoy convencido de que en esta etapa el factor humano es importante, porque
mediante el cual los rangos sern elegidos adecuadamente (con lgica), de no ser as el
diseo aplicarse ser poco confiable por no decirlo nulo.
Si tomamos un ejemplo simple de realizar una flotacin de zinc y en planta o
histricamente se determino que el colector xantato se usa un promedio de 30g/TM, seria
en vano escoger parmetros de 10g/TM y 60g/TM para las variables de investigacin,
debido a que estos datos estn lejos del dato promedio.
Para la seleccin de las variables es necesario usar todo los conocimientos en un proceso
metalrgico as como un diagnostico de todos los antecedentes de la operacin, ya que
ser de mucha importancia para la identificacin las posibles variables las cuales se
sometern a pruebas de diseo factorial.
Como ya mencionamos la codificacin de las variables estn en rango inferior con ( -1) y el
rango mximo con (+1) tomando como promedio cero (0).
alvaropaitan@hotmail.com

PERU
AlvaroPAITAN Q.

Primera Parte: 1

Qu son las variables codificadas?

Las variables codificadas son los datos que debe tomas las variables en rangos de una
unidad sea (-1) (+1) con la finalidad de simplificar la interpretacin de la correlacin con
el factor respuesta o factor observado, en la mayora de los casos se toma este dato para
tener referencia de una figura geometra en el plano cartesiana o en el espacio con centro
en las orgenes (0).
Qu son las variables reales?
Son las variables que toman datos reales del factor o variable sometido a prueba.
CALCULOS PARA MATRIZ A ESCALA CODIFICADA
Una de las formas ms adecuadas, para pasar de la escala codifica sea X , a la escala real Z,
es utilizando las ecuaciones siguientes:
o

Z j = Z j + X j.Z j (1.3)
Donde:
Zj :Centro del diseo
Zj : Radio del diseo
Xj : Escala codificada
max

min

+ Zi
.(1.4)
2
max
min
Zi Zi
Zj =
...............(1.5)
2
Para la seleccin de variables existen las plantillas codificadas y dependen del nmero de
variables ofactores.
o

Zj =

Zi

DISEOS FACTORIALES COMPLETOS

En un experimento de Diseo factorial, las respuestas son medidas como una combinacin
de niveles de los factores experimental. La combinacin de niveles de factores representa
las condiciones de las cuales las respuestas sern medidas. Una condicin experimental es
una Corrida o prueba y la medida de la respuesta es una observacin. Las pruebas enteras
son el diseo.
La aplicacin de un diseo factorial completo en procesamiento de minerales es
recomendable usar para el estudio desde dos hasta tres factores, esto se debe a que las
pruebas que se realiza son como mximo hasta ocho y son econmicamente posibles.

alvaropaitan@hotmail.com

PERU
AlvaroPAITAN Q.

Primera Parte: 1
2

Plantilla para el factorial 2 este diseo se aplica para estudiar los efectos de las dos
variables A y B as como sus interacciones AB, AA y BB es aplicable en la mayora en la
etapa de optimizacin a mas detalle se tocara en la etapa siguiente.
Tabla 1.
N pruebas
1
2
3
4
5

A(X1)
+
+
0

B(X2)
+
+
0

Plantilla para el factorial 2 este diseo se aplica para identificar los efectos de tres
variables A, B, C y sus interacciones AB, AC, BC y ABC
Tabla 2.
N
pruebas
1
2
3
4
5
6
7
8

A(X1)

B(X2)

C(X3)

+
+
+
+

+
+
+
+

+
+
+
+

Para realizar una regresin es necesario que la diferencia entre el nmero de pruebas
menos las variables y menos uno esto sea igual o mayor a uno en todas las plantillas a
disear, por ejemplo en la Tabla 2 tenemos 8 pruebas y 3 variables entonces para la
regresin quedan 4 a esto se le conoce como grados de libertad de la regresin. Esto se
debe a que la ecuacin lineal que forma es el siguiente:

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

En la ecuacin 1.6 se observa que tenemos tres variables y una constante entonces los
grados de libertad ser:
GL: 8 4 = 4 Para la regresin.
Si queremos hallar la interaccin AB, AC, CB y ABC entonces el grado de libertad ser:
GL: 8 8 = 0 tenemos grados de libertad igual a cero en estos casos no se puede realizar la
regresin, para aumentar los grados de libertad mnimo a uno es necesario aum entar las
replicas en el centro (aprovechando que las replicas en el centro en necesario realizar
como mnimo 2 pruebas para encontrar el error experimental, curvatura de la ecuacin y
los clculos con ANOVA).
alvaropaitan@hotmail.com

PERU
AlvaroPAITAN Q.

Primera Parte: 1

El nuevo cuadro con interaccin.

Tabla 3.
N
Pruebas

A(X1)

B(X2)

C(X3)

AB

AC

BC

ABC

Y
Respuesta
(1)
a

1
-1
-1
-1
1
1
1
-1
2
+1
-1
-1
-1
-1
1
1
3
-1
+1
-1
-1
1
-1
1
b
4
+1
+1
-1
1
-1
-1
-1
ab
5
-1
-1
+1
1
-1
-1
1
c
6
+1
-1
+1
-1
1
-1
-1
ac
7
-1
+1
+1
-1
-1
1
-1
bc
8
+1
+1
+1
1
1
1
1
abc
9
0
0
0
0
0
0
0
10
0
0
0
0
0
0
0
Los signos de la interaccin de las variables se completa multiplicando los signos de las
mismas variables.
Es importante considerar que los cuadros de diseo factorial deben cumplir la
ortogonalidad.
Comprobacin ortogonal.
Para evaluar el ortogonal de un diseo, se necesita cambiar la hoja de trabajo a cdigo de
unidad. Tambin se puede entender el diseo fcilmente en cdigo automtico como ya
mencionamos.
Las columnas de los cuadros deben ser ortogonales una a la otra, se pude tener las
siguientes condiciones:

La suma de cada columna es cero.

La correlacin entre cada columna es cero.

Cuando los factores en un diseo son ortogonales, se puede estimar los factores de cada
factor independientemente.
Ventaja de un diseo ortogonal

Se pueden estimar trminos de modelo.

Debido a que se puede encontrar la contribucin independiente de cada efecto, el

anlisis es ms simple al reducir un modelo, usted puede quitar todos los trminos no
significativos simultneamente.
En la tabla 3 se aumento las replicas en el centro con la finalidad de aumentar los grados
de libertad. En la columna de Y funcin respuesta (respuesta observada) en cada fila
representa un dato que permite calcular los efectos y la suma de cuadrados as como
determinar el error experimental.

alvaropaitan@hotmail.com

PERU
AlvaroPAITAN Q.

Primera Parte: 1

CALCULO DE EFECTOS DE UN DISEO FACTORIAL 2 3

Los efectos se calculan con la siguiente formula.
ContrasteA
EfectoA =
.(1.7)
K1
n2
Donde:
A: Variable
n : Numero de replicas de Y(obs)
K : Numero de variables independientes
Los contrastes de cada variable se calculande la siguiente forma.
ContrasteA = [b + ab + ac + abc (1) b c bc]

ContrasteB = [b + ab + bc + abc (1) a c ac]

ContrasteC = [c + ac + bc + abc (1) a b ab]
ContrasteAB = [ab b a + abc + (1) bc ac + c]
ContrasteAC = [(1) a + b ab c + ac bc + abc]
ContrasteBC = [(1) + a b ab c ac + bc + abc]
ContrasteABC = [abc bc ac + c ab + b + a (1)]

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

ContrasteA
SCA =
..(1.8)

n2K
La media de suma de cuadrados se determina:
SCA
CMA =
..(1.9)
gl.
Donde:
K
g.l : Grados de libertad de la variable, en un diseo factorial 2 es la unidad.
Ejemplo:
En una planta metalrgica el gerente de operaciones, busca mejorar la produccin de
concentrado de zinc, para ello selecciona tres variables ms influyentes en el proc eso con
la finalidad interpretar los efectos en la produccin, y buscar una posible optimizacin.
Las variables seleccionados X1 (altura de espuma), X2 (Suministro de aire), X3 (agua de
lavado) en rangos de 800:900mm, 25:35Ipm y 8:12lpm y la variable Y representado como
la recuperacin del concentrado de Zinc (es importante tambin relacionar con las leyes
del concentrado, cabeza de mineral y la recuperacin conocida como factor metalrgico)

alvaropaitan@hotmail.com

10

PERU
AlvaroPAITAN Q.

Primera Parte: 1

El cuadro de diseo factorial 2 con dos pruebas centrales y una columna Xo para obtener
la constante:
n

x0
1
2
3
4
5
6
7
8
9
10

A (x1)

B(x2)

1
1
1
1
1
1
1
1
1
1

C(x3)

-1
1
-1
1
-1
1
-1
1
0
0

x1x2

-1
-1
1
1
-1
-1
1
1
0
0

-1
-1
-1
-1
1
1
1
1
0
0

x1x3
1
-1
-1
1
1
-1
-1
1
0
0

x2x3
1
-1
1
-1
-1
1
-1
1
0
0

1
1
-1
-1
-1
-1
1
1
0
0

X1X2X3 Yobs
-1
86,4
1
89,5
1
86,1
-1
90,3
1
84,5
-1
85,7
-1
87,2
1
90,4
0
85,9
0
86,2

Para facilitar el clculo de efectos se determina por matrices en Excel (se puede calcular
con las formulas de efectos descritos con anterioridad).
N

Ej =

i=1

Xij.Yi [X] T.[Y]

=
N r
N r
2
2

[X]T: Transpuesta de la matriz codificada

[Y] : Matriz de la funcin respuesta.
N : Numero de pruebas.
r : Replicas en el centro.
[X]T
1
-1
-1
-1
1
1
1
-1

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

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

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

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

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

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

1
1
1
1
1
1
1
1

1
0
0
0
0
0
0
0

1
0
0
0
0
0
0
0

[X]T.[Y] Efecto
872,2
11,7
2,925
7,9
1,975
-4,5
-1,13
3,1
0,775
-2,9
-0,72
6,9
1,725
0,9
0,225

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

segundo lugar le sigue X2 con +1,9, estas dos variables influyen directamente debido al
signo positivo y mientras que la variable X3 influye negativamente con -1,13. Pero los
efectos no determinan la confiabilidad del grado de influencia por lo tanto se realiza la
regresin para evaluar con t student.

alvaropaitan@hotmail.com

11

PERU
AlvaroPAITAN Q.

Primera Parte: 1

Hallando las constantes con la siguiente ecuacin en Excel:

T

[B] = ([X] .[X]) .([X] .[Y ])

[B] : Constantes de la regresin
-1

INVERSA ([X]T.[X])
0,1
0
0
0
0,125
0
0
0
0,125
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

0
0
0
0,125
0
0
0
0

0
0
0
0
0,125
0
0
0

0
0
0
0
0
0,125
0
0

0
0
0
0
0
0
0,125
0

0
0
0
0
0
0
0
0,125

Desarrollando obtenemos las constantes de la ecuacin.

[B]
87,22
1,4625
0,9875
-0,5625
0,3875
-0,3625
0,8625
0,1125

constante
X1
X2
X3
X1X2
X1X3
X2X3
X1X2X3

La ecuacin.
Y= 87,22 + 1,46X1 +0,9875X2-0,56X3 +0,387X1X2-0,362X1X3 +0,86X2X3 +0,11X1X2X3

Analizando con t-student, para el anlisis es importante realizar una regresin con las
variables para los resultados.
Estadsticas de la regresin
Coeficiente de correlacin mltiple
0,954770042
Coeficiente de determinacin R^2
0,911585832
R^2 ajustado
0,602136245
Error tpico
1,316671941
Observaciones
10

Intercepcin
Variable X 1
Variable X 2
Variable X 3
Variable X1X2
Variable X1X3
Variable X2X3
alvaropaitan@hotmail.com

Coeficientes
87,22
1,4625
0,9875
-0,5625
0,3875
-0,3625
0,8625

Error tpico
0,41636823
0,46551383
0,46551383
0,46551383
0,46551383
0,46551383
0,46551383

Estadstico
t
209,47804
3,1416897
2,12131185
-1,2083421
0,83241351
-0,7787094
1,85279136

Probabilidad
2,2788E-05
0,08812773
0,16795073
0,35039974
0,49274304
0,51765713
0,20509867

12

PERU
AlvaroPAITAN Q.

Primera Parte: 1

Variable X1X2X3

0,1125 0,46551383 0,24166844

0,83155634

Es importante observar que el coeficiente de determinacin sea en la mayora de los casos

mayor a 0,9 como se puede ver en los resultados con un valor de 0,91158. Haciendo un
entre parntesis el anlisis clsico de estadstica esta siendo remplazado con el anlisis de
probabilidades.
En el anlisis con t-student se compara el error estadstico t de la regresin con t de la
tabla con n-1 pruebas y 90 a 95% de probabilidad en dos colas.
Para el ejemplo n-1 es 9 con una probabilidad de 90% en tabla es +1,83 y -1,83, para
determinar qu factores influyen el error t debe estar fuera del rango de y + de 1,83 y
los nicos que salen de estos intervalos son los factores X1, X2 y la int eraccin X2X3, de
esto se concluye que los factores que msinfluyen son X1 y X2.
Analizando con ANOVA. Se aplica solamente cuando se realiza pruebas con replicas en el
centro del diseo. La comparacin de probabilidades se determina con Fisher con una cola
hacia la derecha.
Factores
x1
x2
x3
x1x2
x1x3
x2x3
x1x2x3
ERROR
TOTAL

SC
GL
17,111
7,8012
2,5313
1,2013
1,0512
5,9513
0,1012
0,045
35,794

CM
1 17,11125
1
7,80125
1
2,53125
1
1,20125
1
1,05125
1
5,95125
1
0,10125
1
0,045
9 3,9770833

F
380,25
173,3611
56,25
26,69444
23,36111
132,25
2,25

Ftabl(1,1,95%)
161,45
161,45
161,45
161,45
161,45
161,45
161,45

La terminologa SC, GL y CM ya fueron definidos, para calcular F se divide el cuadrado

medio de un factor entre el cuadrado medio del error, por ejemplo en X1 se obtiene
380,25.
Para el anlisis de F tabla se obtiene con los grados de libertad del numerador (factor) y
denominador (error) y una probabilidad de 95%, en nuestro caso es 161,45.
Si F>Ftabla entonces estos factores si influyen en la funcin respuesta y si F<Ftabla no
interfieren en la funcin respuesta. En el ejemplo las variables a seleccionar es X1 y X2,
pero para estar convencidos de que la ecuacin que se formo po r regresin es
representada o no con la funcin respuesta observada y determinada por la ecuacin es
importante calcular el anlisis de residuos.
Anlisis de residuos. Para el anlisis de residuos es importante conocer las replicas en el
centro, y la comparacin de F con de la Ftabla debe ser menor, esto se debe que los
residuos deben tener un error estandar constante y una media igual a cero de tal forma
que la variacin de la ecuacin sea mnima y representativa.

alvaropaitan@hotmail.com

13

PERU
AlvaroPAITAN Q.

Primera Parte: 1

Calculo de Y estimado.
Y = [Y].[B].(1.10)
Yobservado Y estimado (Yobs-Yest)^2
(Yos-Ypromedio)^2
86,4
86,108
0,08555625
0,6724
89,5
89,208
0,08555625
5,1984
86,1
85,808
0,08555625
1,2544
90,3
90,008
0,08555625
9,4864
84,5
84,208
0,08555625
7,3984
85,7
85,408
0,08555625
2,3104
87,2
86,908
0,08555625
0,0004
90,4
90,108
0,08555625
10,1124
85,9
87,22
1,7424
1,7424
86,2
87,22
1,0404
1,0404

SCT= 39,216; SCE = 2,7828

Donde:
SCT: Suma de (Y obs Y promedio del observado)^2
SCE: Suma de (Y obs Y est)^2 en las replicas centrales
Error total =Error Experimental + Error del Modelo
SCT =SCE + SCM
SCM=SCT SCE = 36,43
GL
Error total
Error
experimental
Error del modelo

SSC

CM

39,216

19,608

1
1

2,7828
36,4332

2,7828
36,4332

Error.modelo
GL. 1
F=
= 36,43/2,78 = 13,092
Error.modelo
GL. 2
Ftabla (GL1, GL2, 95%) = 161,45
Entonces F<F tabla; por lo tanto la ecuacin calculada es confiable en un 95%.
Analizando con graficas.
Diagrama de Pareto.

alvaropaitan@hotmail.com

14

PERU
AlvaroPAITAN Q.

Primera Parte: 1

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

magnitud decada efecto.
Mirar cuales trminos contribuyen a la mayor variable respuesta.
Grafica 1.
ParetoChartoftheStandardizedEffects
(responseisY,Alpha=,05)
12,71
A

Factor
A

Name
A

B
C

B
C

B
BC
C
AB
AC
ABC
0

10
StandardizedEffect

15

20

En la grafica 1 observamos que los factores A (X1) y B (X2) son los que intervienen con
mayor efecto a la funcin respuesta, debemos tomar en cuenta siempre un anlisis de
Pareto es importante porque permite identificar los efectos de muchos factores en un
proceso.
La grafica 1 exhibe lo siguiente:
Los trminos desde arriba hacia abajo en orden de importancia decreciente.
Una lnea de referencia
Mientras el diagrama de Pareto muestra una clara visualizacin de la magnitud de un
efecto, este no provee informacin acerca de la direccin del efecto. Usar las graficas
normales de efectos para evaluar la direccin.
Grafica de probabilidad normal.
Una grafica de probabilidad normal identifica el signo de cada efecto. Estos trminos son
los mismos efectos significativos que se muestran en el diagrama de Pareto.
La identificacin de signos se encuentra en la lnea de las abscisas.
Grafica 2.

alvaropaitan@hotmail.com

15

PERU
AlvaroPAITAN Q.

Primera Parte: 1
NormalProbabilityPlotoftheStandardizedEffects
(re sp onse is Y, Alp ha=,0 5)
99

EffectType
NotSignificant
Significant

95
90

80

70

Factor
A
B
C

Name
A
B
C

60
50
40
30
20
10
5

-10

-5

5
10
StandardizedEffect

15

20

La grafica 2 de probabilidad normal, muestra a los efectos ms resaltantes y son aquellas

que se encuentran alejados a la lnea y estos son A y B, con signos positivos.
Grafica de efectos de las variables seleccionadas.
Es importante que despus de la evolucin de los factores y la seleccin respectiva (en
nuestro caso A y B X1 y X2) se busque evaluar independientemente de cmo afecta en la
funcin respuesta en nuestro caso la recuperacin del Zinc (es importante considerar un
factor metalrgico).
Grafica 3
MainEffectsPlot(datameans)forY
A

PointType
Corner
Center

89,0
88,5
88,0
87,5
87,0
86,5
86,0
-1

-1

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

lleva a concluir que s aumentamos valores hacia la derecha del factor A y B, la
alvaropaitan@hotmail.com

16

PERU
AlvaroPAITAN Q.

Primera Parte: 1

recuperacin aumentar en este caso estamos entrando a la siguiente etapa conocida

como optimizacin.
Grafica de interaccin.
Esta grafica determina si los factores seleccionadas A y B conjuntamente en que grado
pueden influir en la recuperacin del concentrado de Zinc.
Grafica 4.
InteractionPlot(datameans)forY
91

A PointType

90

-1 Corner
0 Center
1 Corner

89
88

87
86

85
-1

0
B

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

entonces la recuperacin de Zinc no aumentara, llegando solamente a 86%; Pero si B
(lnea punteada) toma valores altos con referencia a B entonces la recuperacin de Z inc
aumentar 90%.

alvaropaitan@hotmail.com

17

PERU
AlvaroPAITAN Q.

Primera Parte: 1

Anlisis superficial de respuestas.

Ara a
optimizar

Grafica 5.
Contour Plotof Y vs B;A
1,0

Y
< 87
87 - 88
88 89 -

0,5

89
90

> 90
HoldValues
C -1

0,0

-0,5

-1,0
-1,0

-0,5

0,0
A

0,5

1,0

DISEO FACTORIAL FRACCIONAL

Para la mayora de los experimentos, la cantidad de recursos disponibles (tiempo, dinero)
k
es limitada, como el nmero de factores en 2 se incrementa, el nmero de corridas para
preparar una rplica completa se incrementa rpidamente. En muchos casos, el diseo
factorial completo comienza a ser muy costoso y difcil de preparar.
Los diseos factorial fraccional usa fracciones de un diseo factorial completo para
obtener informacin en relacin a efectos principales y a bajas ordenes de interaccin.
Porque usar diseo factorial fraccional.
Se pueden contestar las siguientes preguntas.
Cules factores tienen un efecto mayor en la respuesta?
Cules factores tienen solo un impacto insignificante en la respuesta?
Cules ordenes de baja interaccin son importantes para explicar la variacin en
la respuesta?

alvaropaitan@hotmail.com

18

PERU
AlvaroPAITAN Q.

Primera Parte: 1

Se usa cuando se busca estudiar los efectos de 4, 5 factores a ms.

Plantilla fraccionado en mitad para 4 factores.
Tabla 4.
N Prueba
A
B
1
-1
-1
2
+1
-1
3
-1
+1
4
+1
+1
5
-1
-1
6
+1
-1
7
-1
+1
8
+1
+1

C
-1
-1
-1
-1
+1
+1
+1
+1

Plantilla fraccionado en un cuarto para 5 factores.

Tabla 5.
N Prueba
A
B
C
1
-1
-1
-1
2
+1
-1
-1
3
-1
+1
-1
4
+1
+1
-1
5
-1
-1
+1
6
+1
-1
+1
7
-1
+1
+1
8
+1
+1
+1

D
-1
+1
+1
-1
+1
-1
-1
+1

D
-1
+1
-1
+1
+1
-1
+1
-1

E
-1
-1
+1
+1
+1
+1
-1
-1

DISEOS DE PLANCKETT BURMAN.

Una clase de diseos desarrollada por Plackett y Burman
(1946), que requiere un nmero de unidades experimentales igual a un mltiplo de 4, se
ha utilizado de manera exhaustiva en experimentos exploratorios dentro de la
investigacin industrial. Ellos establecen diseos para valores intermedios de N que no
sean una potencia de 2 y para N < 100, excepto 92. En la tabla 7 se encuentra una muestra
de los diseos ms prcticos y fciles de construir encuentra para N = 12, 16, 20, 24 y 32
corridas experimentales; los diseos se pueden generar a partir de los renglones con
signos + y -. En esta tabla, cada rengln de generadores tiene N - 1 coeficientes, que son
los coeficientes + y-necesarios para la primera corrida de los N -1 factores.
Los coeficientes del factor para la segunda corrida se generan a partir de la primera,
tomando el primer coeficiente de la primera corrida y colocndolo en la ltima posicin de
la segunda corrida y moviendo los coeficientes de la primera una posicin a la izquierda;
las corridas sucesivas se generan de la misma manera. Al completar el ciclo de reemplazo
de coeficientes para N -1 corridas, se agrega una corrida final con coeficientes -para los N
-1 factores. En la tabla 7 se muestra un diseo para N -1 = 11 factores en N = 12 corridas.

alvaropaitan@hotmail.com

19

PERU
AlvaroPAITAN Q.

Primera Parte: 1

Plantilla de Planckett Burman para seis factores

Tabla 6
N
Prueba
1
2
3
4
5
6
7
8

+1
+1
+1
-1
+1
-1
-1
-1

+1
+1
-1
+1
-1
-1
+1
-1

+1
-1
+1
-1
-1
+1
-1
-1

-1
+1
-1
-1
+1
+1
+1
-1

+1
-1
-1
+1
+1
+1
-1
-1

-1
-1
+1
+1
+1
-1
+1
-1

-1
+1
+1
+1
-1
+1
-1
-1

EL arreglo de los (+) y (-) de las tablas de La Planckett Burman es tal que cuando una
variables esta a un nivel dado la mitad son positivos y la otra mitad negativos y el efecto
neto de una variable se calcula como la influencia de las otras variables. Estos efectos es la
diferencia de los promedios de la suma de cantidades positivos y negativos de la funcin
respuesta y se calcula con la siguiente formula.
sumade. .(+) sumade. .()
Efecto =

Numero(+)
Numero()
Suma (+): Suma de los valores positivos que se obtiene al multiplicar los signos de la
columna de un factor con la funcin respuesta Y observada.
Suma (-): Suma de los valores negativos que se obtiene al multiplicar los signos de la
columna de un factor con la funcin respuesta Y observada.
Numero (+) y (-): Es la cantidad de signos que intervienen en la columna de una variable o
factor.
Determinacin de efectos de cada variable se determina con las ecuaciones mencionadas
anteriormente, es importante considerar en una tabla de Planckett Burman una columna
de un factor como constante en este caso para la tabla tomemos la columna D, esto se
debe a que los efectos calculados se divide entre el error del diseo.
Para determinar la significancia del efecto de las variables por el mtodot student
y se calcula por regresin.
En la mayora de los casos de debe tomar una significancia mayor al 85% valida la
probabilidad.

Tabla 7.
alvaropaitan@hotmail.com

20

PERU
AlvaroPAITAN Q.

Primera Parte: 1

Plantilla de 7 a 10 factores.
Tabla 8.
Prueba

1
2
3
4
5
6
7
8
9
10
11
12

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

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

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

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

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

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

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

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

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

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

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

Un mtodo para estimar la varianza del error experimental de diseos factoriales

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

alvaropaitan@hotmail.com

21