CAPITULO I

METODOLOGIA DE LA INVESTIGACION Y FUNDAMENTOS DEL

DISEO DE EXPERIMENTOS

1.1 Introduccin

Gran parte de lo que constituye el conocimiento moderno est basado en todo

aquello que se encuentra escrito o documentado. Hoy en da cuando decimos que
conocemos algo usualmente queremos decir que creemos en algo que hemos
ledo o escuchado. Esto ltimo basado en el gran logro del mundo moderno, de
poner al alcance del hombre comn el acceso al conocimiento.

Mediante tcnicas de investigacin podemos descubrir por nosotros mismos

lo que necesitamos conocer. Mediante tcnicas de elaboracin de documentos
podemos recopilar investigaciones, sintetizarlas y expresar nuestras conclusiones
que nuestros lectores aceptarn y creern. Cuando como investigadores adquirimos
tcnicas de aprendizaje, y seguimos los mtodos de las diversas investigaciones,
podremos descubrir informacin novedosa, desarrollar nuevas ideas y contribuir con
conocimiento en nuestro entorno.

Escribir e investigar son dos aspectos inseparables. La palabra escrita hace

al conocimiento visible y transmisible. Para escribir sobre lo que ya existe debemos
investigar y al investigar tenemos que escribir lo que descubrimos. En este crculo se
desarrolla la curiosidad intelectual que nos conduce a insistir en una idea, investigar
sus aspectos colaterales, considerar sus contradicciones, profundizar en lo oscuro
de la idea y con ello dar forma a una fuente adicional de saber.

Nada te ensea mejor que un proyecto de investigacin llevado por nosotros

mismos. Una vez desarrolladas nuestras habilidades de investigacin, nos
convertiremos en un gestor de autoaprendizaje. Finalmente, no caigamos en la
tentacin del facilismo de recolectar y cernir sin mtodo ni propsito fijo una
serie de notas de diversas, y hasta tal vez de dudosas fuentes. La investigacin

1
bibliogrfica sobre nuestro tema de inters deber ser una recopilacin seria y
honesta que servir de base a lo que ser nuestra contribucin al conocimiento.

1.2 La Investigacion Cientifica Experimental.

1.2.1 Criterio bsicos para la investigacin bibliogrfica.

Una nota introductoria: Puede que no sepas nada acerca

I n g e n i e r a d e M a t e r i a l e s , pero con suficiente investigacin puedes
convertirte en un experto en dicho tema ". Con la suficiente motivacin
puedes emprender cualquier tarea. Quien escribe un artculo de recoleccin
bibliogrfica no inventa la informacin, tan slo la colecta, organiza y
sintetiza. En este discurrir, adquiere el suficiente conocimiento como para
encaminarse a ser un experto y/o investigador de la materia.

A. Inicio de tarea.

Podemos iniciar nuestro trabajo elaborando una lista de los temas de

nuestro inters (ideas posibles a ser investigadas); o listando las principales
ideas de una materia que es familiar. Usemos la oportunidad que tenemos de
escoger nuestro propio tema para dedicarnos a algo que sea de nuestro
completo inters. El consejo clave a seguir en sta y cualquier etapa:
Escribe todos los das.

Preparemos un cuaderno para tomar notas, referencias bibliogrficas,

esbozos, resmenes, etc. Organicemos ese cuaderno como para anotar los
datos de la referencia que tomamos (autor, ttulo, pgina, etc.).

Hagamos un plan de trabajo a realizar. Sistematicemos los

procedimientos de recoleccin de informacin. No importa que tan buena sea
la investigacin que hagamos, si el reporte final est pobremente escrito, todo
habr sido intil; por lo tanto, predispongamos a ejecutar nuestro trabajo
enfocando la etapa culminante: escribir el reporte final.

2
 Asegurmonos de la validez y seriedad de las fuentes que
consultamos: el requerimiento bsico es que toda informacin debe estar
adecuadamente sustentada. Esto significa que debemos proporcionar los
datos para que sea posible verificar alguna aseveracin.

Iniciamos nuestra investigacin con lecturas preliminares. Acudamos a

la biblioteca y realicemos lecturas preliminares de la materia de nuestro
inters y as comprenderemos mejor y empezaremos a definir
adecuadamente las posibilidades de investigacin. Esto tambin nos ayudar
a saber que se ha escrito sobre nuestro tema y tambin nos dar indicios de
fuentes adicionales que podemos consultar.

Seamos conscientes de nuestras limitaciones: tiempo, recursos,

ocupaciones adicionales, etc. Ponderemos nuestras limitaciones y objetivos y
segn ello enmarquemos nuestro trabajo. Con la lectura preliminar
podemos descubrir por ejemplo que un tema aparentemente simple, es en
realidad un asunto muy complicado o de difcil acceso. Todo esto contribuir a
que definamos el marco de la investigacin.

B. Cuatro consejos para la tesis a investigar.

a) Especfica.

Aunque se puede empezar con una idea muy vaga, la investigacin

debe ser clara y especfica. En lo posible evitar temas muy generales.
Centremos la atencin en pequeos componentes o subcategoras de la
materia de nuestro inters.

b) Limitada.

La investigacin requiere una materia puntual desarrollada en gran

profundidad.

3
 c) Valiosa.

Una investigacin demanda de una variedad de recursos, por lo que

debemos elegir un tema que sea til, no tan slo para nosotros.

d) Investigable.

Si hay muy poco material en nuestro tema, ste se torna difcil de

investigar. O si el tema est desarrollado en un lenguaje muy complejo, o
demasiado cientfico, el trabajo se puede tornar muy tedioso e inducirnos
al abandono del tema. Evaluemos nuestras fuerzas y capacidades antes
de abordar un tema.

1.2.2 Uso de la biblioteca.

La investigacin se inicia en la biblioteca. Antes de decidir sobre un

proyecto, acudamos a la biblioteca. Lo que resulte en el proyecto depender
de lo que ste puede ser, y esto depende de la clase de informacin que est
disponible. La investigacin a efectuar se apoya en la existente.

La investigacin bibliogrfica requiere del desarrollo de una eficiente

estrategia de sistematizacin. Sin una estrategia, nos podemos enfrentar con
un mar de aparente aleatoria informacin.

a) Bsqueda de informacin bsica.

Una biblioteca tiene muchos trabajos de referencia bajo el

encabezamiento de enciclopedias. Es todava prematuro dedicarse a la
bsqueda de libros especficos. Las enciclopedias son buenas fuentes de
informacin bsica, historia y referencias bibliogrficas. Como regla
general debemos leer en primer lugar lo que las enciclopedias contienen
con respecto al tema de inters.

4
b) Bsqueda de libros.

Despus de estar enterado del tema a travs de las referencias

generales, podemos iniciar la bsqueda en libros especializados. Como
regla, podemos iniciar elaborando un listado de todo libro que pueda
contener informacin relacionada a tu tema, sin importar cun grande
pueda ser ese listado. La idea es asegurarse de tener a la mano toda la
informacin disponible, pues no es fcil determinar a priori qu libros son
tiles y qu otros no. En esta bsqueda, asegurarse de comprender
adecuadamente el manejo de ficheros o bases de datos en computadoras.

c) Bsqueda de artculos.

Luego de la bsqueda de libros, debes continuar con la bsqueda

de artculos en revistas de la especialidad. Por lo general en ellas
encontraremos la informacin ms actualizada. Como consejo bsico,
empecemos donde estamos, lo que significa que iniciemos una
bsqueda retrospectiva, de lo ltimo que fue publicado hacia lo ms
antiguo.

Para el caso de revistas especializadas con el tema de medio

ambiente el SCI JOURNAL CITATION REPORT tiene 7 revistas
relacionadas a este tema, entre las cuales destacan: Materials Science:
Ceramics, Materials Science: Characterization & Testing, Materials Science:
Biomaterials, Materials Science: Coatings & Films, Materials Science:
Composites, Materials Science: Paper & Wood, Materials Science:
Multidisciplinary y Materials Science: Textiles.

d) Informacin adicional.

Bsqueda de reportes y otra informacin especializada,

especialmente de entidades gubernamentales o asociadas relacionadas al
tema que investigas. Como I N D E C O P I , INGEMMET, etc.

5
 No dejemos de lado la posibilidad de encontrar informacin de
grficas), bases de datos en computadoras, redes de computadoras
(Internet), listas de inters va correo electrnico, etc.
http://www.libgen.net; en.bookfi.org; http:// gen.lib.rus.ec y
lib.freescienceengineering.org.

1.2.3 Investigacin a travs de lectura.

Leer es el fundamento de toda investigacin. Todo el trabajo anterior se

concentra hacia este punto: la bsqueda de datos tiles por medio de la lectura.
La lectura ser la gua de trabajo del investigador y por ello no debemos
imponernos lmites artificiales: la lectura por s misma nos indicar lo que
debemos seguir leyendo; as por ejemplo podremos descubrir que necesitamos
leer lo que la Constitucin del Per indica al respecto de nuestro tema o las
normas ISO 14000, por ejemplo.

El propsito de leer.

El investigador no lee todo de la misma manera. Una lectura cuidadosa y

detenida de todo lo disponible puede conducir al cansancio y aburrimiento.
Cuatro son los propsitos de la lectura: leer por bsqueda, leer para anlisis,
leer para interpretar y leer para evaluacin.

a) Leer por bsqueda.

Leer para localizar la informacin, registrarla y componerla en un

arreglo adecuado a nuestros propsitos. Esta debe ser una lectura rpida,
que permita aislar datos para nuestros propsitos y tomar notas al
respecto.
b) Lectura para anlisis.
Se lee aqu para analizar la secuencia de los eventos, la
organizacin de la informacin, la validez de los razonamientos, las
asumsiones del autor, actitudes, prejuicios, etc.

6
 Uno de los ms simples y efectivos mtodos para hacer lectura
para anlisis es escribir un resumen, el cual podr revelar el contenido y
estructura de un trozo de texto. El propsito bsico de un resumen es el
de sintetizar lo mximo de informacin en el mnimo de espacio.

c) Lectura para interpretacin.

Una lista y resumen de informacin es tan slo eso, una lista, hasta
que interpretamos lo que ello significa. La lectura interpretativa nos
permite elaborar inferencias predecir lo desconocido de lo conocido,
extrapolar las ideas del autor, elaborar analogas, sugerir implicaciones y
conclusiones, etc.

d) Lectura para evaluacin.

Este tipo de lectura responde las preguntas: Y qu?, Cun

bueno es esto?, Qu tan importante es? Para esta etapa es decisivo
estar seguro de que se ha entendido bien la idea del autor.

En esta etapa evaluamos el contenido y el estilo. Al evaluar el

contenido definimos: Qu informacin se proporciona; cul es el
propsito del autor?; la informacin es precisa o distorsionada?; de
dnde se obtuvo la informacin?; hay un adecuado razonamiento por
parte del autor?; quin es el autor; es un tema novedoso?; es un tema
significativo?; cul es nuestra evaluacin final del artculo?; etc.

El contenido y el estilo siempre van juntos, nunca separados. El

estilo puede alterar significativamente la interpretacin del contenido. El
contenido nos condiciona el estilo a utilizar. Una buena escritura puede
compensar mgicamente en algo una investigacin defectuosa; pero
una pobre escritura casi invariablemente malograr una buena
investigacin.

7
1.2.4 Documentacin.

Documentacin se refiere al mtodo por el cual el escritor le dice a sus

lectores de dnde proviene la informacin. Notas al pie de pgina, notas finales,
citaciones textuales dentro del texto, bibliografa normalizada son varios estilos de
documentacin.

Es normal elaborar un reporte de investigacin bibliogrfica enteramente

basado en resmenes, parafrases o citaciones de los autores consultados. La
regla general para saber cunto es suficiente para documentar, es cuando se
consigne todo lo que exista.

Qu se debe documentar?:

- Citaciones directas.
- Ideas obtenidas de la fuente.
- Parafrases.
- Alusiones o referencias incompletas de la fuente.

Qu no se debe documentar? Conocimiento general, aquel se encuentra en

fuentes de carcter general, enciclopedias, almanaques, peridicos, etc. Si hay
duda en la documentacin, documntese.

Documentacin bibliogrfica bsica.

Existe gran variedad de formas de cmo debe referirse las fuentes

consultadas. Los siguientes son tan slo unos ejemplos:

Vizcarra Andreu, M. La Atmsfera contaminada y sus relaciones con el

pblico. Per: Ed. Pacifica Press S.A., 1982.

Bordas, F. and Bourg, A. Effect of solid/liquid ratio on the remobilization of Cu,

Pb, Cd and Zn from polluted river sediment, Water, Air and Soil Pollution, 128,
2001, pp. 391-400.

8
 CARROLL, Lewis. Alices Adventures in Wonderland [en lnea]. Texinfo ed. 2.1.
[Dortmund, Alemania]: WindSpiel, noviembre 1994 [citado febrero 10, 1995].
Disponible de World Wide Web:
http://www.germany.eu.net/books/carroll/alice.html. Disponible tambin en
versiones de PostScript y ASCII de Internet:
ftp://ftp.Germany.EU.net/pub/books/carroll/.

Al hacer referencia de una cita del autor consultado dentro del texto que
estamos elaborando, colocar el nmero correlativo correspondiente entre
corchetes o parntesis.

Absorbance values (A) were determined between 4000 and 400 cm-1. These
values were chosen because they are proportional to the concentration (Lambert-
Beer law). We can determine the DA of chitosan samples by comparing the peak
(for us 1655 cm-1), which is proportional to the DA (measurement peak M), to
another peak (for us 3450 cm-1), which is independent of the DA (reference peak
R). To obtain the peak M or R, their respective base lines (2b and 1a) can refer
to which in the literature [4].

1.2.5 El reporte de investigacin.

En general un reporte de investigacin debe constar de las partes que se

anotan a continuacin. Obviamente ese esquema depender del tipo de
reporte que se elabore.

A. Portada.
Incluye el ttulo de la investigacin, nombre del autor o autores,
nombre de la afiliacin o instituciones u organizacin que patrocina la
investigacin y la fecha de presentacin.

B. Indice del reporte con apartados y subapartados.

9
 La progresin formal de un ndice va de preferencia segn: los
nmeros romanos, letras maysculas, nmeros arbigos, letras minsculas,
nmeros arbigos entre parntesis y letras minsculas entre parntesis.

I.
A.
1.
2.
a.
b.
(1)
(2)
(a)
(b)

B.
1.
2.
a.
b.
(1)
(2)
(a)
(b)
II.
............

Cada I debe tener su II, cada A debe tener su B, y as sucesivamente.

No tiene sentido una sola subdivisin.

C. Resumen (Abstract).
Que constituye el contenido esencial del reporte de investigacin. No
debe superar las 175 palabras. Debe consignarse en hoja individual.

10
D. Introduccin.
Incluye el planteamiento del problema (antecedentes, objetivos,
justificacin e hiptesis); el contexto general de la investigacin (cmo y
dnde se realiz), variables y trminos de la investigacin; limitaciones.

E. Marco terico.
Revisin bibliogrfica que incluye estudios e investigaciones
antecedentes y las teoras a manejar.

F. Materiales y metodologa.
Describe como fue llevada a cabo la investigacin. Incluye: diseo
experimental utilizado, instrumentos, equipos y procedimiento.

G. Resultados.
Producto del anlisis de datos. Normalmente resume los datos
recolectados y el tratamiento estadstico que se les practic. Los resultados
en tablas no deben ocupar ms de una pgina y debe ir encabezada con:
Tabla 1.1: Ttulo. Los resultados en figuras deben aparecer luego que se
hizo mencin de ellos en el texto y con: Figura 1.1: Ttulo al pie de la
figura.

H. Conclusiones.
Recomendaciones e implicaciones (o discusin).

I. Bibliografa.
Todas las referencias bibliogrficas utilizadas por el investigador y
ordenadas numricamente conforme aparecen citadas en el texto.

J. Apndices.
Describen con mayor detalle cierto material, sin distraer la lectura del
texto principal.
Poner especial atencin en los detalles de presentacin: mrgenes,
justificacin del texto, espaciamiento entre lneas, sangras, numeracin de

11
 pginas, ttulos y subttulos no cortados en fin de pgina, ortografa,
puntuacin, tipo y tamao de letra, etc.

1.3 Recoleccin de Datos

Se puede establecer una interesante comparacin entre el trabajo de un escul-

tor y el de un investigador estadstico. Ambos necesitan algn recurso bsico con el
cual trabajar. Para el escultor, ese recurso es algn tipo de medio o un material.
Para el investigador, el recurso bsico necesario para cualquier esfuerzo estadstico
son los datos. As como el escultor utiliza diversos implementos para crear una obra
con el material seleccionado, el investigador, al igual que el artista, tambin debe
seleccionar los instrumentos apropiados para moldear su material los datos en un
producto terminado. No obstante, aqu termina la analoga. Si el producto terminado
del escultor se va apreciar por su valor intrnseco, como un fin en s mismo, ms
bien que un medio para un fin, el trabajo terminado del investigador se debe apreciar
en un sentido extrnseco de cmo auxiliar a la solucin de diversos problemas de la
realidad circundante. Ahora bien, tanto para el escultor como para el investigador, la
calidad del producto final depende de la calidad de la materia prima utilizada. Por
ello, la recoleccin correcta de datos es de extrema importancia para el investigador.
Si los datos carecen de substancia debido a prejuicios, ambigedades u otro tipo de
errores, todos los instrumentos seleccionados por el investigador, por muy
extravagantes o refinados que sean, para moldear sus datos, quiz no resulten de
gran utilidad para la solucin final de un problema.

1.3.1 Fuentes de datos para investigacin

Existen tres mtodos bsicos con los cuales el investigador puede obtener los
datos deseados:
En primer lugar, el investigador puede buscar datos ya publicados por fuentes
gubernamentales, industriales o individuales.
En segundo lugar, puede disear un experimento para obtener los datos
necesarios.
En tercer lugar, puede efectuar una encuesta.

12
 1.3.2 Tipos de datos

El estadstico, con toda seguridad, querr desarrollar un instrumento en que se

hagan diversas preguntas y trate con una variedad de fenmenos. Por tanto, la
materia manejada por el estadstico son variables aleatorias o sean fenmenos de
inters, cuyos resultados (datos) observados pueden diferir entre una respuesta y
otra. Existen dos tipos bsicos de variables aleatorias que producen dos tipos de
datos.

Cualitativos
Cuantitativos

La diferencia entre ellos es que las variables aleatorias cuantitativas arrojan

respuestas categricas, mientras que las variables aleatorias cuantitativas dan
respuestas numricas. Por ejemplo, la respuesta a la pregunta Cree usted que
una central trmica produce contaminacin atmosfrica? es categrica. Est claro
que las selecciones son s o no. Por, otra parte, las respuestas a las preguntas
como A cuntas revistas de medioambiente est usted suscrito? o Cul es la
concentracin de CO producida por el parque automotor en Tacna? son
evidentemente numricas. Se debe sealar que los datos cuantitativos se pueden
considerar como discretos o continuos. Los datos cuantitativos discretos son
respuestas numricas que surgen de un proceso de conteo, mientras que los datos
cuantitativos continuos son respuestas numricas que surgen de un proceso de
medicin. El nmero de revistas a que est suscrito es un ejemplo de una variable
cuantitativa discreta ya que la respuesta toma uno de un nmero finito de valores
que se pueden contar. La persona, en la actualidad, no est suscrita a ninguna revis-
ta o lo est a una revista, dos revistas, etc. Por otra parte, la concentracin de CO
producida por el parque automotor en Tacna es un ejemplo de una variable
cuantitativa continua, ya que la respuesta puede tomar cualquier valor dentro de un
continuo o de un intervalo, segn sea la precisin del instrumento para medicin.

1.3.3 Seleccin del tamao de la muestra para la encuesta

En vez de levantar un censo completo, los procedimientos de muestreo

18
estadstico se han vuelto el instrumento preferido en la mayora de las encuestas.
Existen tres razones principales para preferir una muestra: primero que todo, se
suele necesitar demasiado tiempo para hacer un censo completo; en segundo lugar,
es muy costoso hacer un censo completo, y en tercer lugar, es muy engorroso e
ineficiente obtener encuestas de toda la poblacin objetivo. Por ello, el objetivo del
investigador es hacer inferencia en relacin con la poblacin total de usuarios, con
base en los resultados obtenidos con la muestra.

G. Tipos de muestras

Como se ilustra en la figura siguiente, existen dos clases bsicas de muestras:

la muestra probabilstica y la muestra no probabilstica. Esta ltima, que suele ser
mucho ms sencilla y barata de obtener, comprende un agrupamiento de
procedimientos como muestras de juicio, muestras de cuota y el trozo de pastel.

Tipos de muestras

probabilisticas No probabilisticas

simple sistematica estratificada agrupada De juicio De cuota trozo

Figura 1.1: Tipos de muestras

Muestras no probabilsticas

En la muestra de juicio, el entrevistador selecciona a cualesquiera sujetos que

19
desee, mientras que en las muestras de cuota, este tipo de seleccin est
restringido por varias cuotas preestablecidas en relacin con sexo, raza, edad, etc.,
que tratan de simular caractersticas conocidas de la poblacin. En cualquier caso,
es improbable que el entrevistado elija trabajar en vecindarios muy pobres, en zonas
de depresin o en lugares poco accesibles. Con esto, los resultados tienen un
prejuicio o sesgamiento automtico, porque se omitiran grupos enteros del proceso
de seleccin.

Ahora bien, en el otro extremo est el trozo en el cual el entrevistador no

interviene en el proceso de seleccin. El trozo se compone por un proceso de
autoseleccin, es decir, un trozo es una mera muestra de conveniencia, un
conjunto de sujetos fcilmente agrupados, como los miembros de una clase en
particular, el pblico de un teatro en particular, personas que responden a un cupn,
anuncio, o personas que visitan una exhibicin en un centro comercial. Tambin en
este caso, la desventaja principal de los procedimientos para muestra no
probabilstica, es que no hay forma probabilstica de interpretar cun representativa
es la muestra, de la poblacin total. La nica forma correcta en la cual el
investigador podra hacer inferencias estadsticas de una muestra a una poblacin e
interpretar los resultados en forma probabilstica, es por medio del uso de una
muestra probabilstica.

Muestras probabilsticas

El tema de las tcnicas para el muestreo probabilstico es de tal amplitud que

existen cursos sobre la teora y mtodos para el muestreo. Hay que imaginarse la
prediccin de los resultados de una eleccin nacional o tratar de predecir las ventas
de automviles el ao prximo o estimar el nmero de consumidores que
compraran un nuevo producto.

Por ello, es suficiente desarrollar una comprensin de los conceptos bsicos

del muestreo probabilstico y, sobre todo de los cuatro tipos en uso ms comn: la
muestra aleatoria simple, la muestra sistemtica, la muestra estratificada y la
muestra de conglomerados.

20
 Una muestra probabilstica es aquella en la cual los sujetos de la muestra se
seleccionan con base en probabilidades conocidas. En particular, en la muestra
aleatoria simple cada sujeto tiene la misma oportunidad de seleccin que cualquier
otro sujeto en cada etapa sucesiva del proceso de seleccin. Asimismo, una muestra
aleatoria simple se puede interpretar como una en la cual cada posible muestra que
se ha sacado, tiene la misma posibilidad de seleccin que cualquier otra muestra.

Los procedimientos para muestreo estratificado, muestreo de conglomerados y

muestreo sistemtico, son versiones ms complejas del muestreo probabilstico. Por
ejemplo, en una muestra estratificada, primero se desarrollan agrupamientos o
estratos homogneos en toda la poblacin y, despus se toma una muestra aleatoria
simple dentro de cada estrato para asegurar la cobertura completa de todos los tipos
de sujetos en la poblacin, algo que no por necesidad se logra con la muestra
aleatoria simple. En el ejemplo, si el investigador desea asegurarse una respuesta
proporcional de los trabajadores contratados y nombrados, se podra lograr una
muestra estratificada al extraer muestras aleatorias simples dentro de cada uno de
los dos grupos y combinar los resultados. Aunque el muestreo estratificado
probabilstico es ms costoso y complejo, por lo general produce resultados ms
eficientes que el muestreo aleatorio simple.

H. Seleccin de la muestra aleatoria simple

En esta seccin se tratar del proceso de seleccionar una muestra aleatoria

simple el cual, aunque no es el ms eficiente de los procedimientos para muestra
probabilstica, suministra la base a partir de la cual se han ampliado procedimientos
ms complejos para muestreo. La clave para la seleccin apropiada de la muestra
es lo adecuado del listado de todos los sujetos entre los cuales se tomara la
muestra. Si no existe ese listado hay que construirlo; si el listado ya es obsoleto, se
debe actualizar. Este listado de la poblacin servir como poblacin objetivo por lo
cual, si se fueran a tomar muchas muestras probablisticas diferentes con esa lista,
es de esperar que cada muestra sera una representacin en miniatura la poblacin
y arrojara estimaciones razonables de sus caractersticas.

21
 Si el listado es inadecuado porque no se incluyeron en forma apropiada ciertos
grupos de sujetos en la poblacin, las muestras probabilsticas aleatorias solo
suministraran estimaciones de las caractersticas de la poblacin objetivo, no de la
poblacin real y ocurrirn desviaciones en los resultados.

Supngase, para la encuesta, que el investigador decide tomar una muestra

aleatoria simple de 80 trabajadores entre la poblacin de 900 trabajadores. El jefe de
personal dara acceso al listado de todos los trabajadores. Es muy probable que
cualquier expediente o listado incluya informacin como el nombre, nmero del
Seguro Social, tiempo de servicio, residencia y telfono actuales, residencia
permanente si es en otra ciudad, categora de estudios, estado civil, cargo, etc.

Sea N el tamao de la poblacin y n el tamao de la muestra. Para tomar una

muestra aleatoria simple de tamao n=80, es concebible que se registraran los
nombres de cada uno de los N=900 sujetos de una poblacin en una tarjeta o ficha
separada, se colocaran las N tarjetas en un recipiente grande, se mezclaran muy
bien las tarjetas y, luego, al azar, se seleccionaran los n sujetos para la muestra.
Naturalmente, a fin de asegurar que cada sujeto (as como cada muestra) tuviera la
misma oportunidad de ser seleccionados, todas las tarjetas deben ser de las mismas
dimensiones.

Muestreo con o sin reemplazo de poblaciones finitas

Hay que tener en cuenta que hay dos mtodos bsicos utilizables para selec-
cionar la muestra: la muestra se podra obtener con reemplazo o sin reemplazo de
la poblacin finita. El investigador debe enunciar con claridad el mtodo empleado,
ya que las diversas frmulas subsecuentes utilizadas para fines de inferencia
estadsticas dependen del mtodo para seleccin. Al muestrear con reemplazo, la
probabilidad de que cualquier sujeto particular, digamos Mara Prez, sea
seleccionada en el primer sorteo en el recipiente, es 1/N (o 1/900 para el ejemplo).
Quienquiera que resulte seleccionado en el primer sorteo, la informacin pertinente
se registra en un archivo maestro y la tarjeta particular se reemplaza en el recipiente
(muestreo con reemplazo).

22
 Las N tarjetas que hay en el recipiente se mezclan bien y se saca una segunda
tarjeta. Dado que se reemplaz la primera tarjeta, la probabilidad de seleccin de
cualquier sujeto particular, incluso Mara Prez, en el segundo sorteo haya o no
sido seleccionada antes todava es de l/N. Tambin en este caso se anota la
informacin pertinente en un archivo maestro y se reemplaza la tarjeta para el tercer
sorteo. Se repite este proceso hasta obtener el tamao deseado de la muestra. Se
ver pues que al muestrear con reemplazo, cada sujeto en cada sorteo siempre
tendr la probabilidad uno entre N de ser seleccionado.

Pero, desear el investigador, la posible seleccin del mismo sujeto ms de

una vez? Cuando se muestrea en poblaciones humanas, por lo general se considera
ms apropiado tener una muestra de diferentes sujetos que permitir mediciones
repetidas del mismo sujeto. Por tanto, el mtodo de seleccin que empleara el
investigador, es el mtodo de muestreo sin reemplazo, mediante el cual, una vez
que se ha elegido a un sujeto, no se lo puede seleccionar otra vez.

Igual que antes, al muestrear sin reemplazo, la probabilidad de cualquier

sujeto en la poblacin, quiz Mara Prez, vuelva a ser seleccionada en el primer
sorteo, todava es de 1/N. Quienquiera que resulte seleccionado, la informacin
pertinente se anota en un archivo maestro y la tarjeta particular se pone a un lado,
en vez de reemplazarla en el recipiente (muestreo sin reemplazo). Las restantes N
1 tarjetas en el recipiente, se mezclan bien y se extrae la segunda tarjeta. La
probabilidad de que cualquier persona no seleccionada previamente sea
seleccionada en el segundo sorteo, es ahora de uno entre N 1. Este proceso de
seleccionar una tarjeta, anotar la informacin en un archivo maestro, mezclar las
tarjetas restantes y volver a sortear contina hasta que se obtiene la muestra:
deseada de tamao n.

Determinacin del tamao de muestra

a) Tamao de muestra para una poblacin con conocida
/  

=

23
b) Tamao de muestra para una proporcin

 

 = 


Ejemplo 1
Se realiza un ensayo de traccin para estimar la resistencia de un material
metlico. Preliminarmente se ensayan 09 probetas dando como
r e s u l t a d o : 291, 140, 223, 219, 195, 248, 251, 163 y 292 MPa. Cul es el
tamao necesario de la muestra para calcular la verdadera r e s i s t e n c i a d e l
m a t e r i a l con un error de 20 MPa?.
Solucin
En primer lugar obtenemos de los datos la media y desviacin estndar:
x = 234,2 ppm y s = 57,9632 ppm
Suponiendo adems que nuestra estimacin la hacemos con un nivel de confianza
del 95% ( z / 2 = 1,96 ) tenemos:

n=(1,96x57,96/20)2=32

Ejemplo 2
Una proporcin desconocida p de lotes malos de material se han recepcionado
incorrectamente y deben retirarse. Para estimar la magnitud del problema, los
encargados desean estimar la proporcin de l o t e s m a l o s r e c i b i d o s. Cuntos
lotes deben ser examinados
^
aleatoriamente de modo que el p estimado est dentro del 0,08 de la verdadera
proporcin p con un 95% de confianza? Basndose en las quejas de clientes
anteriores se sabe que p20%.
Solucin
Reemplazando datos tenemos:

n=(1,96/0,08)2x0,2x(1-0,2)=96 lotes

Si hubieran recibido menos de 96 lotes habra que revisarlos todos.

24
1.4 Diseo Experimental (DOE)

En 1964 las compaas americanas generaban alrededor de 6 mil millones de

dlares en supervit comercial de exportacin, sin darse cuenta que estaban bajo el
ataque de compaas extranjeras. Ya por el ao de 1984 en los Estados Unidos se
produca un dficit de la balanza comercial de 123 millones de dlares. En este
perodo de 20 aos la productividad en los Estados Unidos se increment tan solo
en un 35% comparado con un 60% de algunos pases europeos y con un
sorprendente 120% en el Japn. El mismo pas que tena la reputacin de reproducir
"chatarra" en los aos 50 - 60, ahora amenazaba la supervivencia de la industria
americana al producir productos de alta calidad y bajos precios.

Como ocurri aquello? Es bien conocido que mucho de este sorprendente

cambio en la calidad de los productos japoneses se debi a controles de calidad de
los productos introducidos mediante el uso del diseo de experimentos y el control
de calidad durante la produccin mediante tcnicas estadsticas. Irnicamente, estas
tcnicas fueron desarrolladas mayormente en los Estados Unidos hace unos 60
aos atrs, pero las compaas americanas no se preocuparon en implementar
estas tcnicas. Esta despreocupacin era debida a la escasa competencia que
exista despus de la postguerra lo que no hacia til el preocuparse excesivamente
por controles de calidad.

Despus de la Segunda Guerra Mundial, los japoneses eran muy receptivos a

las ideas de los estadsticos, y como resultado los japoneses llegaron a ser expertos
en calidad y pronto sus empresas prosperaron. As, todos en una compaa, desde
los gerentes hasta los operarios de lnea, fueron adiestrados en estas tcnicas, no
solo para controlar la calidad de produccin, sino para mejorar continuamente los
procesos productivos.

A pesar de que la tcnica del diseo de experimentos (DOE) no surgi hasta el

siglo XX, la experimentacin es tan vieja como la existencia del hombre. Durante
muchos aos se utiliz la estrategia de un factor por vez (OFAT), conocida como el
mtodo cientfico y atribuida a Francis Bacon en el siglo XVII, aunque basada en la
cultura helnica. La estrategia de un factor a la vez consiste en ir modificando cada

25
vez un factor (variable) y distinguir los efectos que tiene sobre la respuesta cada
factor por separado. Esta estrategia a pesar de ser la ms utilizada en las empresas
y seguir el mtodo cientfico, es ineficiente para hallar mejores condiciones del
proceso. Dicha metodologa tuvo su apogeo con Thomas Edison, que aplic la
estrategia OFAT para inventar la bombilla de luz.

Estas estrategias quedaron obsoletas, cuando Sir Ronald Fisher en los aos
1920 descubri un mtodo mucho ms eficiente para experimentar basado en los
diseos factoriales. El diseo de experimentos fue aplicado por primera vez por
Fisher en Inglaterra en la agricultura, y sus experiencias se llegaron a publicar en
1935, en su libro Design of Experiments. Sus estudios estaban centrados en
mejorar la produccin de papas, trabajando para la Estacin Agrcola Experimental
de Rothamstede en Londres.

Existen tres enfoques ms populares del Diseo de Experimentos: Clsico,

Taguchi y Shainin. A pesar de ellos muy pocos cientficos saben entender la
diferencia entre ellos y ser capaces de decidir correctamente que enfoque es ms
conveniente para su investigacin. La respuesta a esta pregunta est fuertemente
influenciada por el conocimiento y la experiencia que se posee sobre cada enfoque
del DOE. Es importante recordar que los tres enfoques son muy superiores a la
estrategia OFAT.

Cada uno de los enfoques tiene sus partidarios, por lo que el debate entre ellos
fue durante muchos aos muy intenso y generalmente poco constructivo. A pesar de
ello, Deming deca: Cualquier tcnica puede ser til, si se conocen y entienden sus
limitaciones. En esta parte solo mencionaremos el enfoque clsico, los enfoques de
Taguchi y Shainin se tocarn en captulos posteriores.

Enfoque Clsico
Montgomery [2] considera que hubo cuatro etapas en el desarrollo del diseo
de experimentos clsico. La primera etapa, iniciada en los aos veinte por Fisher,
se caracteriza por la introduccin sistemtica del pensamiento cientfico, la
aplicacin de los diseos factoriales y en anlisis de varianza (ANOVA) en las
investigaciones experimentales cientficas. En la dcada de los 30s y 40s, se

25
introdujeron los diseos experimentales fraccionados, como solucin al exceso de
experimentos necesarios para llevar a cabo factoriales completos.

La segunda etapa, iniciada por Box y Wilson, se caracteriza por el desarrollo

de lo que posteriormente se llamar como metodologa de la superficie respuesta
(RSM). Estos autores notaron que los experimentos industriales diferan de los
experimentos en la agricultura en dos aspectos: a) inmediatez, porque la respuesta
se puede observar bastante rpido, sin tener que esperar tanto como en la
agricultura, b) secuencialidad: el experimentador puede realizar unos pocos
experimentos y planificar los siguientes experimentos en funcin de los resultados
(MULTISIMPLEX). Durante los siguientes aos, el DOE y el RSM se extendieron a la
industria qumica y a los procesos industriales, en especial en las reas de
investigacin y desarrollo (I+D). En esta etapa surgen los diseos para estimar
funciones cuadrticas tales como los diseos compuestos centrales (CCD) y diseos
de Box-Behnken.

La tercera etapa, comienza a principios de los 80s, con la aparicin de los

enfoques de Taguchi y Shaining, presentados como metodologas sencillas y
eficientes para la experimentacin. La primera reaccin fue la crtica a dichos
enfoques atacando su validez estadstica. A pesar de ello, principalmente los
trabajos de Taguchi sobre diseo robusto de parmetros (RPD) sirvieron para
difundir el inters y el uso del DOE en otras reas, como en automocin, industria
aeroespacial, electrnica o industria de los semiconductores. Como consecuencia,
muchos acadmicos y estadsticos comenzaron a apreciar muchas ideas de los
nuevos enfoques, lo cual gener un cambio profundo en el enfoque clsico del DOE.
Por ejemplo, la reduccin de la variabilidad empez a ser un rea de mucha
investigacin, al igual que el esfuerzo por desarrollar metodologas y guas para
simplificar la aplicacin del DOE, lo que dio pie al comienzo de la cuarta etapa del
diseo de experimentos en los aos noventa.

En esta cuarta etapa, la democratizacin de la estadstica, gracias en parte a

la expansin del Seis Sigma y la gran oferta de software estadstico, ayudaron a que
el DOE se aplicado en todos los tipos de industria. En estos ltimos aos existi un
incremento en las publicaciones sobre el Diseo de Experimentos, lo que permiti

26
desarrollar significativamente la tcnica. Adems la automatizacin de los clculos y
grficas a travs de software, permiti simplificar la tcnica para que fuera utilizada
por ms cientficos e ingenieros. En esta etapa surge el concepto de optimalidad,
lo cual lleva a la utilizacin de diseos ptimos generados por una computadora.

1.4.1 Qu es un diseo experimental?

Los investigadores realizan experimentos virtualmente en todos los campos del

saber, por lo general para descubrir algo acerca de un proceso o sistema particular.
Literalmente un experimento es una prueba o un ensayo. Un experimento diseado
es una prueba o una serie de pruebas en las cuales se inducen cambios deliberados
en las variables de entrada de un proceso o sistema, de manera que sea posible
observar o identificar las causas de los cambios en las variables de salida o
respuesta. Dicho de otra manera, el diseo experimental es una aproximacin
cientfica que le permite al experimentador hacer cambios intencionales en las
variables de entrada de un proceso o sistema para identificar y observar las razones
de los cambios que se producen en las variables respuesta.

Un experimento es como una ventana a travs de la cual vemos la naturaleza.

Nuestra visin nunca es perfecta. Las observaciones que hacemos estn
distorsionadas. Las imperfecciones incluidas en esas observaciones se denominan
ruido. Un diseo estadsticamente eficiente revela la magnitud y caractersticas de
ese ruido. Incrementa el tamao y mejora la claridad de la ventana experimental.
Utilizando un diseo pobre es como ver sombras borrosas detrs de las cortinas de
la ventana, o peor an, ver por la ventana incorrecta.

El aprendizaje es un proceso iterativo, cuyos elementos clave se muestran en

la figura 1.2. El ciclo empieza con el planteo de una hiptesis de trabajo, la cual se
basa tpicamente en un conocimiento a priori acerca del sistema en estudio. La
hiptesis usualmente se formula en forma de un modelo matemtico que ser
utilizado en la presente aplicacin y al mismo tiempo puesto a prueba por la
verificacin experimental. De cualquier forma la hiptesis debe ser probada
pudiendo fallar de acuerdo a la disponibilidad de los datos que vamos obteniendo.

27
Las hiptesis que no se ponen a prueba son como las buenas intenciones que
nunca se realizan. Permanecen hipotticas.

FIGURA 1.2: La naturaleza es vista a travs de una ventana experimental. Nuestro

conocimiento se incrementa por la iteracin entre el diseo experimental, coleccin de datos
y anlisis de los mismos. En cada ciclo el investigador puede formular una nueva hiptesis,
aadir o suprimir variables, cambiar condiciones experimentales y probar nuevos mtodos
de anlisis de datos.

El proceso o sistema bajo estudio puede representarse por medio del modelo
de la figura 1.3. De este modo, suele ser posible visualizar el proceso como una
combinacin de una serie de recursos (mquinas, mtodos, personas, etc.) que
transforman alguna entrada (por lo general un material) en una salida que tiene una
o ms respuestas observables. Algunas variables del proceso son controlables,
x1,x2,....,xk, mientras que otras z1,z2,.....,zk, son incontrolables (aunque en un
experimento es posible controlarlas). Por ejemplo, en un proceso de flotacin de
minerales sulfurados, donde se quiere estudiar el efecto de la concentracin de
colector y del pH sobre la recuperacin, la dosificacin del colector y el pH son
variables controlables; mientras que la ley del mineral o la mineraloga son variables
incontrolables o de ruido.

28
 Xi
PROCESO O SISTEMA Yi

Zi

Figura 1.3: Modelo general de un proceso o sistema.

En esencia, un diseo experimental es un acercamiento cientfico que permite
a un investigador entender mejor un proceso y a determinar la manera en que las
variables de ingreso afecten una respuesta o variables de salida.

Las condiciones de cada una de las variables de ingreso tienen efecto en las
respuestas de produccin; algunas de ellas tendrn un efecto ms pronunciado que
otras. Adems estas variables interactan entre s, es decir, se desarrolla entre ellas
una independencia que modifica su efecto individual. Un aporte tan importante como
el de evaluar el efecto de cada variable, es que un diseo experimental tambin
permite medir el nivel de interaccin entre las variables de ingreso y fijar los mejores
valores de estas variables de modo que la respuesta proporcione las mejores
condiciones.

Ejemplo 1:
Un investigador est interesado en estudiar si es posible utilizar el quitosano
para extraer As del agua considerando dos variables o factores independientes. Los
rangos en que debe experimentar son los siguientes:

FACTOR Nivel bajo (-1) Nivel alto (+1)

quitosano (g/l) 0,4 0,8
pH 2,5 3,5

Tabla 1: Factores y niveles considerados en el estudio

Supongamos que la extraccin del As est dado por la siguiente ecuacin

matemtica que simular los experimentos en el laboratorio:
29
 [
Extraccin (%) = 100 15 pH 0,5(q + 1)
2 2
] + 4,5(2 q ) + 2 ALEATORIO () 1
2

En este caso el objetivo del investigador es determinar cul de los dos factores
tiene mayor efecto sobre la extraccin. El investigador debe someter un cierto
nmero de muestras del efluente a distintas dosificaciones de quitosano y a distintos
pH, y despus, calcular la extraccin. La extraccin promedio de las muestras en
cada experimento servir para determinar cul de los dos factores es ms
importante.

Al disear el experimento en mencin, viene a la mente algunas preguntas

importantes:
a. Son estos factores los nicos que influyen en la extraccin del As?.l
b. Existen otros factores que pueden afectar la extraccin?.
c. Cuntas muestras se deben considerar para el estudio?
d. Que diferencia en los niveles promedio de extraccin entre las muestras debe
considerarse importante?

En cualquier experimento, los resultados y conclusiones que pueden obtenerse

dependen, en gran parte, de la forma en que los datos fueron recopilados. Por
ejemplo, supngase que en las pruebas se usen muestras heterogneas para los
ensayos. Luego al comparar los resultados, no ser posible decir cuanta de la
diferencia observada se debe a los efectos de la dosificacin del quitosano y del pH
y cuanto al tipo de muestra. De este modo, el mtodo utilizado en la obtencin de
los datos ha afectado las conclusiones que pueden deducirse del experimento.

1.4.2 Tipos de experimentacin.

Ahora bien, la manera como pueden ser llevados a cabo los experimentos
pueden ser de dos formas:

- Experimentacin pasiva, denominado tambin convencional o clsica.

- Experimentacin activa, conocida como diseos experimentales.

30
 A. Experimentacin pasiva

En este tipo de experimentacin los experimentos son llevados a cabo variando

un factor a la vez. Esto es por ejemplo en el caso de dos variables controlables, en
una primera corrida experimental se hace variar la primera variable mientras que la
segunda se mantiene constante, y despus variar la segunda variable, mientras que
la primera se mantiene constante.
Ejemplo 2:

De la tabla anterior el investigador decide entonces disear unos experimentos

para probar el efecto de la dosificacin del quitosano y del pH sobre la extraccin del
As. El diseo consiste en (1) seleccionar dos niveles de dosificacin de quitosano,
0,4 y 0,8 g/l y dos niveles de pH, 2,5 y 3,5 y, (2) Mantener el pH a 2,5 y variar la
dosificacin de quitosano. Hecha la experimentacin se observa los siguientes
resultados:
quitosano pH Extraccin
(g/l) (%)
0,4 2,5 76,38
0,8 2,5 95,68

Tabla 1.2: Aproximacin uno a la vez (parte I)

Se concluye de esto que la combinacin quitosano=0,8 g/l y pH =2,5

proporciona la mayor extraccin del As. A continuacin se vara el pH y se mantiene
constante la dosificacin de quitosano a 0,8 g/l. Los resultados se observan en la
siguiente tabla:

quitosano pH Extraccin
(g/l) (%)
0,8 2,5 95,68
0,8 3,5 52,60

Tabla 1.3: Aproximacin uno a la vez (parte II)

31
 A primera vista se concluye que la combinacin quitosano= 0,8 g/l y pH= 2,5
proporciona la mayor recuperacin de As. Este tipo de experimentacin se denomina
"diseo uno a la vez".

Este mtodo no es muy conveniente cuando se investiga dos o ms variables,

ya que no considera la posible interaccin que ocurre entre las variables, teniendo la
probabilidad de conducirnos a un falso ptimo.

B. Experimentacin activa

Los experimento son llevados a cabo mediante un diseo predeterminado

(diseo de experimentos), el cual es un plan organizado de experimentos que
permiten evaluar simultneamente todas las variables consideradas y adems
evaluar la fuerza de interaccin entre las variables y reducir el nmero de
experimentos a llevarse a cabo.

Ejemplo 3:

Lo ms apropiado en la experimentacin es que debera probarse todas las

posibilidades de dosificacin de quitosano y de pH, adems evaluar las
interacciones, tal como se hace en un diseo factorial completo.

quitosano pH Extraccin
(g/l) (%)
0,4 2,5 76,38
0,8 2,5 95,68
0,4 3,5 16,08
0,8 3,5 52,60
0,6 3,0 63,67
0,6 3,0 65,36
0,6 3,0 64,72

Tabla 1.4: Aproximacin todos a la vez

32
 En la optimizacin de los procesos, la utilizacin de los diseos experimentales,
junto con una estrategia adecuada de optimizacin, es el mejor mtodo para
encontrar los valores ptimos de las variables de la manera ms rpida y eficiente
posible.

1.4.3 Aplicacin del Diseo Experimental

Los mtodos de diseo experimental tienen amplia aplicacin en muchas

disciplinas. En efecto, es posible considerar a la experimentacin parte del proceso
de investigacin cientfica y una de las formas en que aprendemos acerca de la
manera en que funcionan los sistemas o procesos.

El diseo experimental es un medio de importancia crtica en el medio de la

ciencia e ingeniera para mejorar el rendimiento de un proceso o de un producto.
Tambin se emplea extensamente en el desarrollo de nuevos procesos y nuevos
productos. La aplicacin de tcnicas de diseo experimental en una fase temprana
de un proceso puede dar por resultado las siguientes ventajas:

Da la mayor informacin por experimento, que la experimentacin

clsica, el experimentador que hace uso de esta tcnica
reduce el tiempo de experimentacin y mejora su eficiencia,
especialmente cundo son muchas las variables de potencial importancia.
Permite una coleccin y anlisis organizado de la informacin obtenida,
que conduce a conclusiones confiables mediante un anlisis estadstico.
Gran confiabilidad de los resultados.
Permite evaluar las interacciones entre las variables experimentales, y
que conducen a predicciones ms confiables de las respuestas en reas no
directamente correctas por la experimentacin.
Mejora el rendimiento del proceso.
Menor variabilidad y mayor apego a los requerimientos u objetivo.
Menor tiempo de desarrollo.
Menores costos globales.

33
 El uso de diseo experimental en las tareas de desarrollo de nuevos procesos
y productos en la ciencia e ingeniera, puede dar por resultados productos con
mayor confiabilidad y mejor funcionamiento, menores costos, y menor tiempo de
diseo y desarrollo del producto.

Una secuencia experimental de optimizacin se inicia con experimentos de

seleccin o screening , para determinar que variables del proceso influyen en las
respuestas. El siguiente paso lgico es optimizar, esto es, determinar en que regin
las variables importantes conducen a la mejor respuesta posible. Por ejemplo, para
la respuesta rendimiento, se buscara la regin en que fuese el mximo; mientras
que si la respuesta es variabilidad, se buscara una regin de variabilidad mnima.

Supngase que interesa mejorar la extraccin del As de los ejemplos

anteriores. Se sabe, en base a resultados de experimentos de seleccin, que las dos
variables ms importantes del proceso que influyen en la extraccin son la
dosificacin del quitosano y el pH. En las condiciones actuales de operacin se logra
aproximadamente un 95% de extraccin de As. En una vista de planta de la regin
dosificacin de quitosano - pH de la figura 1.4, se observan zonas o intervalos de
extraccin constante que se unen para formar contornos de respuesta, los cuales
varan de 10 a 100 % de extraccin.

Figura 1.4: Diagrama de contornos de extraccin en funcin de la dosificacin de

quitosano y el pH.

34
 Estos contornos son proyecciones en la regin dosificacin de quitosano - pH
de cortes transversales de la superficie de extraccin que corresponden a las
extracciones antes mencionadas. Dicha superficie se denomina superficie de
respuesta. La verdadera superficie de respuesta es desconocida, de modo que se
requerirn mtodos experimentales a fin de optimizar la extraccin con respecto a la
dosificacin de resina y del pH.

Figura 1.5: Geometra de la superficie respuesta de la extracccin

Para localizar el intervalo ptimo, es necesario realizar un experimento en el

que se logra variar simultneamente la dosificacin de quitosano y el pH. Este se
denomina experimento factorial, que en la figura 1.4 corresponde al intervalo de
color azul, localizado en la esquina inferior derecha. Las respuestas observadas
correspondientes a esas cuatro esquinas, indican que se deben desplazar el
proceso hacia valores de mayor dosificacin de quitosano y de menor pH con el
objetivo de incrementar la extraccin de As. Podran efectuarse algunas pocas
variaciones ms en esa direccin, lo cual bastara para localizar la zona de mxima
extraccin. Esta secuencia, por supuesto se efecta de acuerdo a tcnicas de los
diseos experimentales.

35
1.4.4 Principios bsicos

Para que un experimento se realice de la forma ms eficiente, es necesario

emplear mtodos cientficos en su planeacin. El diseo estadstico de experimentos
es el proceso de planear un experimento para obtener datos apropiados, que
pueden ser analizados mediante mtodos estadsticos, con el objetivo de producir
conclusiones vlidas y objetivas. La metodologa estadstica es el nico enfoque
objetivo para analizar un problema que involucre datos sujetos a errores
experimentales. De este modo, se establecen dos aspectos en cualquier problema
experimental:

- el diseo del experimento; y,

- el anlisis estadstico de los datos.

Los tres principios bsicos en el diseo de experimentos son el de:

a) Obtencin de rplicas;
b) Aleatorizacin; y
c) Anlisis por bloques.

La rplica se refiere a la repeticin del experimento bsico. Este concepto tiene

dos propiedades importantes. En primer lugar permite al experimentador obtener
una estimacin del error experimental; tal estimacin se convierte en la unidad
bsica para determinar si las diferencias observadas en los datos son
estadsticamente significativas.

En segundo lugar, el uso de las rplicas permite al experimentador calcular

una estimacin ms precisa del efecto de un factor en el experimento, si se usa por
ejemplo la media, como una estimacin de dicho efecto; esto porque la varianza,
de una muestra de tamao n, tendr una varianza igual a 2/n , lo que implica que
variabilidad de una respuesta experimental tiende a cero cuando n es ms grande.

La aleatorizacin: Es la piedra angular que fundamenta el uso de mtodos

estadsticos en el diseo de experimentos. Se entiende por aleatorizacin el hecho

36
de que tanto la asignacin del material experimental como el orden en que se
realizan las pruebas individuales se determina aleatoriamente. Los mtodos
estadsticos requieren que las observaciones (o los errores) sean variables
aleatorias independientes. Adems, al aleatorizar adecuadamente un experimento
se ayuda a 'cancelar' los efectos de factores extraos que pudieran estar presentes.

El anlisis por bloques es una tcnica que se usa para incrementar la precisin
del experimento. Un bloque es una porcin del material experimental que sea ms
homognea que el total del material. Al realizar un anlisis por bloques, se hacen las
comparaciones entre las condiciones de inters del experimento dentro de cada
bloque.

1.4.5 Directrices para el diseo de experimentos

Para un enfoque estadstico al disear y analizar un experimento, se requiere

que todos los participantes en l tengan de antemano una idea clara de qu es
exactamente lo que se va a estudiar, cmo se van a recopilar los datos, al menos,
una idea cualitativa de cmo se van a analizar. A continuacin se ofrece una gua
del procedimiento recomendado.

A. Comprensin y planteamiento del problema

Aunque pueda parecer obvio, en la prctica no es sencillo darse cuenta de
que existe un problema que requiere experimentacin, ni disear un
planeamiento claro y aceptable. Es necesario desarrollar todas las ideas
sobre los objetivos del experimento. Suele ser importante solicitar la opinin
de todas las partes implicadas, quienes pueden aportar con conocimientos
detallado de algn proceso. Un planteamiento claro del problema contribuye a
menudo en forma sustancial a un mejor conocimiento del fenmeno y de la
solucin final del problema.

B. Eleccin de factores y niveles

La eleccin de los factores o variables, intervalos o niveles especficos a los
cuales se har el experimento, son tareas que pueden emprenderse desde el
inicio. Tambin la forma de controlar esos factores y los mtodos de medicin.

37
 Es importante fijar todos los factores que pueden ser de inters, y depender
demasiado de experiencias pasadas, en particular durante las primeras
etapas, cuando el objetivo es la caracterizacin del proceso.

C. Seleccin de la variable de respuesta

Al seleccionar la respuesta o variable dependiente, se debe estar seguro que
la respuesta que se va medir realmente provea informacin til cerca del
proceso de estudio. Usualmente, el promedio o la desviacin estndar (
ambos) de la caracterstica medida, sern la variable respuesta. La capacidad
de medicin es tambin un factor importante, y si esta es deficiente, no podr
esperarse ms que la deteccin de efectos relativamente grandes.

D. Eleccin del diseo experimental

Para elegir el diseo que se va a emplear, es necesario considerar el tamao
de muestra (nmero de repeticin), seleccionar el orden adecuado para los
ensayos experimentales, y determinar si hay implicado bloqueo u otras
restricciones de aleatorizacin.

E. Realizacin del experimento

Es vital aqu, verificar que el proceso de experimentacin se desarrolle de
acuerdo a lo planificado. En esta fase, los errores en el procedimiento suelen
anular la validez experimental.

F. Anlisis de datos
Se requiere de un anlisis estadstico de los datos, los cuales por lo general
no son complicados. Se debe tener en cuenta que el anlisis estadstico solo
hace posible obtener el probable error de una conclusin o asignarle un nivel
de confiabilidad a los resultados. Las tcnicas estadsticas, a un buen
conocimiento tcnico del proceso y al sentido comn, suelen llevar a
conclusiones razonables.
G. Conclusiones y recomendaciones
Para esta etapa, es muy til utilizar mtodos grficos. Tambin es importante
realizar corridas de seguimiento y pruebas de confirmacin para dar validez a
las conclusiones del experimento.

38
1.4.6. Clasificacin de los diseos experimentales

La gran variedad de aplicaciones de los diseos experimentales

(caracterizacin de procesos, diseo de productos, optimizacin de proceso,
aplicaciones de ingeniera de calidad) no ha permitido una clasificacin bien definida
de estos. Desde el punto de vista de la optimizacin se pueden clasificar teniendo en
cuenta el orden del modelo matemtico a obtenerse (diseo de primer orden o
segundo orden). Desde el punto de vista de la manera en que son llevados los
diseos experimentales pueden clasificarse en simultneos y secuenciales. Desde el
punto de vista del objetivo (caracterizacin de procesos, diseo de productos, etc.)
se tiene diseos por comparacin simple hasta diseos jerrquicos o anidados.

A. Experimentos por comparacin simple

Se usa para comparar dos condiciones (a menudo tratamientos). El objetivo es

analizar si dos frmulas diferentes de un producto producen resultados equivalentes.
Este tratamiento requiere la aplicacin de conceptos estadsticos tales como
variables aleatorias, distribucin de probabilidades, distribuciones muestrales y
pruebas de hiptesis.

B. Diseos experimentales de primer orden

Son experimentos que conducen a optimizacin. Permiten estimar

adecuadamente los coeficientes de la ecuacin o modelo matemtico emprico de
la siguiente expresin:

k k
y i = a 0 + a i xi + aij xi x j + ij
i =1 i< j

39
 Donde yi es la respuesta o variable de salida (variable dependiente) que es
funcin de las variables de entrada x1, x2,...,xk. El caso ms simple, con una sola
variable de entrada, k =1, proporciona un modelo como el siguiente:

y i = a 0 + a1 x1 + i

El modelo permite predecir los valores de y sobre un rango limitado de valores

de x. Para dos o ms variables, la situacin se complica por la posible existencia de
interacciones entre variables, lo que indica que las variables no actan directamente
sobre la variable respuesta, el modelo emprico para dos variables ser:

y = a0 + a1 x1 + a 2 x2 + a12 x1 x2 + ij

Donde a12 es el denominado parmetro de interaccin. Cuando a12 es cero,

se obtiene un modelo estrictamente de primer orden con dos lneas rectas paralelas
entre s. Cuando a12 es diferente de cero el modelo es interactivo, y las lneas no son
paralelas y se interceptan entre s.

Los diseos experimentales que permiten estimar modelos de primer orden

son:

- Diseos factoriales;
- Diseos factoriales fraccionados
- Diseos de Placckett y Burman

La utilizacin de diseos de primer orden son de gran importancia en la etapa

inicial de optimizacin, donde al inicio de la investigacin se tiene gran nmero de
variables. El objetivo es estudiar el efecto de cada una de esas variables en la
respuesta del proceso, eliminando aquellas que resulten poco significativas o con
pendientes cercanas a cero.

C. Diseos experimentales de segundo orden

Se denomina as a aquellos que permiten estimar los parmetros ai, auj, ajj
de la ecuacin general:

40
 k k k
y i = a 0 + a i x i + a ii x i2 + a ij x i x j + ij

i =1 i =1 i< j
Si consideramos el caso de una sola variable controlable, el modelo de
segundo orden toma la forma:
y i = a 0 + a1 x1 + a11 x12 + i

41
 y = a 0 + a1 x1 + a2 x2 + a11 x12 + a 22 x 22 + a12 x1 x2 + ij

Donde a11 y a22 son los parmetros de curvatura y a12 es el parmetro de

interaccin; la siguiente figura muestra en forma grfica una ecuacin como esta, en
la cual se puede observar la regin ptima.

Los diseos experimentales ms comunes que permiten estimar modelos de

segundo orden son:

- Diseos centrales compuestos

- Diseos 3k.
- Diseos de Box-Behnken.
- Diseos de Draper-Lin, etc.

Figura 1.6: Representacin grfica de una ecuacin de segundo orden, producto de

un diseo central compuesto.

Estos diseos de segundo orden son indispensables en la etapa final de

optimizacin, donde un modelo de estos puede descubrir aproximadamente la regin
ptima.

42
1.4.7 Cmo seleccionar un diseo experimental?

La seleccin del diseo experimental ms adecuado depende de los objetivos

del experimento que se va a realizar y del nmero de factores o variables
independientes que se va a investigar.

Vamos a ver a continuacin los diseos experimentales que se pueden utilizar

de acuerdo a los objetivos de la investigacin:

a) Cuando el objetivo es la comparacin

Si tenemos uno o varios factores bajo investigacin, pero el objetivo primario

es obtener una conclusin de uno de ellos a priori (en presencia de, y/o a
pesar de la existencia de otros factores), la cuestin de inters es si ese factor
es o no significativo (hay cambio en la respuesta cuando cambian los niveles
de ese factor), entonces tenemos un problema de comparacin y necesitamos
un diseo comparativo.

b) Cuando el objetivo es la seleccin (screening)

En este caso el propsito primario del experimento es seleccionar o cernir

unos cuantos efectos principales importantes de muchos factores menos
importantes. Estos diseos tambin se denominan diseos de efectos
importantes.

c) Cuando el objetivo es encontrar un ptimo

Este experimento est diseado para permitirnos estimar interacciones y an

efectos cuadrticos, por lo tanto nos da una idea de la geometra (local) de la
superficie respuesta que estamos investigando. Por esta razn, estos diseos
constituyen el mtodo de la superficie respuesta (MSR) y estn diseados
para:

Hacer ajustes a un proceso mejorndolo hacia un ptimo.

43
 Localizar fallas y puntos dbiles en un proceso.
Hacer un proceso o producto ms robusto contra la influencia de
factores externos o no controlables. El trmino robusto significa
insensible a estas influencias.

d) Cuando el objetivo es hallar las proporciones ptimas de una mezcla

Cuando tenemos componentes de una mezcla y queremos conocer las

proporciones ptimas de dichos componentes maximizando o minimizando la
respuesta, entonces necesitamos de un diseo de mezcla.

TABLA 1.5 Gua para seleccionar un Diseo

Nmero
Objetivo Objetivo Objetivo
de
Comparar Seleccionar Encontrar Optimo
Factores
Diseo
1 aleatorizado _ _
de un slo factor
Diseo de bloques Factorial completo Diseo Central
2-4
aleatorizados Compuesto
Diseo de Mezclas
Cuadrado Latino Factorial Diseos Robustos de
5 ms Cuadrado Greco-Latino fraccionado
Hiper Greco-Latino Taguchi
Placket-Burmann Diseos ptimos

La seleccin de un diseo dentro de esta variedad tambin depende de la

cantidad de recursos disponibles y del grado de control sobre las decisiones
incorrectas (errores Tipo I y Tipo II para ensayar hiptesis) que el experimentador
desea.

Es una buena idea escoger un diseo que requiera un nmero de pruebas

menor que el presupuesto que tengamos, luego aadir puntos en el centro del
diseo para detectar la curvatura en un diseo de seleccin con 2 niveles y tener
listos los recursos remanentes para volver a comenzar si fuera necesario.

44