See

discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/266328119

Estrategia de utilización del diseño de

experimentos

Article

CITATION READS

1 146

4 authors, including:

Juan Miguel Mesa-Pérez

Bioware Tecnologia
25 PUBLICATIONS 83 CITATIONS

SEE PROFILE

All content following this page was uploaded by Juan Miguel Mesa-Pérez on 07 May 2015.

The user has requested enhancement of the downloaded file.

 Estrategia de utilización del diseño de experimentos
Juan M. Mesa Pérez, Luis E. Brossard Pérez,
José R. Guerrero Haber, Eleazar Henry Izquierdo
Universidad de Oriente

El artículo presenta la Estrategia de Optimización Experimental (EOE) a través de un Esquema

Generalizado de Aprendizaje (EGA) que posibilita conocer la secuencia de pasos necesarios para
llegar a un punto de máxima o mínima respuesta. Se exponen importantes consideraciones para tener
en cuenta en cada fase de la EOE en la toma de decisiones, así como los posibles errores que pueden
cometerse a la hora de realizar un diseño experimental.
A manera de ejemplo, se muestra el uso de la EOE para la optimización de la etapa de extracción básica
de alginato de sodio en el proceso para su obtención, profundizando en la interpretación de los modelos
matemáticos y las superficies de respuestas.
_____________________

This paper introduces the Strategy of Experimental Optimization (SEO) through a Scheme Generalized
of Learning (SGL) that facilitates the understanding of the necessary steps in order to arrive at a point
of maximum or minimum answer depending on the particular situation being studied. Important
considerations that should be kept in mind in each phase of the SEO are exposed in relation to the taking
of decisions as well as avoiding frequent mistakes on carrying out experimental design.
As an illustrative example, a basic extraction stage of sodium alginate obtention process is presented,
emphasizing in the interpretation of mathematical models and response surfaces.

Introducción de condiciones experimentales muy drásticas o la

El mundo genera en la mentalidad humana la
ansiedad de responder, de forma óptima y en el
menor tiempo y costo posible, a las constantes
situaciones que la vida nos impone. En el campo de
las investigaciones, la optimización es también uno
de los problemas de mayor importancia, ya sea para
la localización de las variables que hacen máxima la
eficiencia de un equipo o el establecimiento de
condiciones de procesos que conducen al mayor
rendimiento .
La determinación de las condiciones óptimas se
realiza con la utilización o no de modelos matemáti-
cos, pudiendo estos últimos ser empíricos o
fenomenológicos. La utilización de uno u otro depen-
derá en gran medida del conocimiento teórico que se
tenga del problema, los recursos económicos dispo-
nibles y el avance de las ciencias matemáticas y
computacionales.
Debido a la gran complejidad de los procesos, la
construcción de modelos fenomenológicos resulta
muchas veces imposible, ya sea porque la realidad
presenta condiciones no compatibles con las restric-
ciones que acompañan algunas de las leyes, o
porque la determinación de los coeficientes requiere
solución de las ecuaciones generadas son irrealiza-
bles. En los casos anteriores resulta más convenien-
te la obtención de modelos empíricos mediante un
plan experimental cuidadosamente planeado.
El trabajo que se presenta , para su mayor
comprensión, se divide en las siguientes partes :
1. Pasos de la Estrategia de la Optimización Expe-
rimental (EOE) a través de un Esquema Gene-
ralizado de Aprendizaje (EGA).
2. Consideraciones prácticas para tener en cuenta
en las fases de la estrategia.
3. Utilizar la EOE para tratar la etapa de extracción
básica en el proceso de obtención de alginato de
sodio.
Desarrollo
En muchas ocasiones la magnitud del éxito que
pueda tener un investigador, depende de la calidad y
velocidad con la cual responda a una problemática.
Una interrogante muy frecuente resulta ser por
ejemplo :
¿En qué niveles se ubican las variables
involucradas en un determinado problema para
obtener el mejor resultado?

TECNOLOGÍA QUÍMICA Vol. 18, No. 3, 1998

101
 Precisamente se está tratando de definir los
valores de las variables que generan la respuesta
deseada, constituyendo esto un punto dentro de un
hiperespacio. Buscar al azar este punto puede
llevarlo a dos resultados :
1. Tener la suerte de hallarlo.
2. "Morir de viejo" tratando de hallar el punto
escondido.
Estrategia de la optimización experimental
La estrategia de la optimización experimental
que se presenta indica el camino mediante el cual un
X1
X1c
II
25
70
40
I
55
Fig. 1. Contornos de un sistema con un óptimo.
El modelo ajustado indicará la dirección en la
cual la respuesta se aproxima más rápidamente al
óptimo, pudiendo ser éste un punto de máximo o
de mínimo. Una vez determinada esta dirección, que
en este caso corresponde al vector I-II, se realizan
experimentos sobre esta trayectoria hasta obtener
una respuesta significativamente menor que la ante-
102
investigador puede encontrar de forma razonable
los resultados deseados.
Supongamos que se desea optimizar un proceso
cuyos contornos presentan un óptimo en el punto
C (figura 1). La estrategia para localizar los niveles
de los factores que proporcionan una respuesta
óptima, en este caso los valores X1c y X2c, consiste
en escoger una región que contenga al punto I,
realizar en ella una serie de experimentos planeados
convenientemente y determinar un modelo de pri-
mer orden que solamente será válido para la región
escogida.
100
85
55 40
X2c X2
rior; cuando esto ocurre se toma el punto de más alta
respuesta como centro de un nuevo diseño experi-
mental (II), también de primer orden.
El número de pasos necesarios para llegar al
óptimo dependerá de la localización de la zona donde
se comience la experimentación. Evidentemente,
mientras más alejada se encuentre del óptimo, ma-
TECNOLOGÍA QUÍMICA Vol. 18, No. 3, 1998
yor será el número de etapas para llegar a él,
dependiendo esto enteramente del experimentador
y de su entendimiento del problema.
Cuando la zona escogida contiene un punto
estacionario, un modelo de primer orden es insufi-
ciente para describir el comportamiento de la res-
puesta objeto de estudio, necesitando incrementar el
número de niveles y de experimentos. De esta
manera, se pueden estimar los nuevos coeficientes
que contiene la correlación de segundo orden, a la
cual se le realizan las manipulaciones matemáticas
necesarias para determinar el punto de óptimo
buscado y efectuar experimentos en su entorno para
determinar la estabilidad de la respuesta .
Todo lo anterior puede resumirse en cuatro fases
fundamentales, las cuales componen la EOE. /2/
1. Se identifica un modelo de primer orden para
determinar la dirección más favorable (máxima
o mínima de la búsqueda).
2. Se realizan movimientos (experimentos) según
la trayectoria más favorable.
3. Cuando dejan de obtenerse buenos resultados
en la dirección seleccionada, se identifica una
correlación de segundo orden.
4. Se determina la solución óptima en un análisis
de la correlación (superficie de respuesta).
Aquí pueden aplicarse métodos de optimización
analíticos y numéricos.

Esquema Generalizado de Aprendizaje (E.G.A.) para la optimización experimental

Definición del problema:
1.Definir el objetivo de la investigación.
2.Seleccionar las respuestas para medir, las variables para estudiar y los intervalos
para cubrir (zona de experimentación).

Discriminar los factores decisivos de los no decisivos

Ajuste de una correlación de primer orden

¿Existe curvatura
No Sí
en la zona de
¿Que desea encontrar en su experimentación
investigación? escogida? Ajuste de una correlación de
do
2 orden

Un óptimo Estudiar el comportamiento de Estrategia para el análisis de la

una variable respuesta en la superficie de respuesta
zona seleccionada

Realización de experimentos a lo largo de la

trayectoria de máxima pendiente hasta dejar de Determinación del punto óptimo y realización
obtener buenos resultados de experimentos en su entorno.

Comprobación del ajuste del modelo.

Validación del mismo. FIN

TECNOLOGÍA QUÍMICA Vol. 18, No. 3, 1998

103
Consideraciones para tener en cuenta en
algunas fases de la E.O.E.
Definición del problema:
Definir el objetivo de la investigación : Luego de
realizar un proceso de búsqueda de información se
podrán trazar los objetivos, para de esta manera dar
respuesta a las siguientes interrogantes.
¿Cuáles serán las respuestas para estudiar y cuál
será el orden jerárquico ?
Es importante establecer un orden jerárquico
cuando se selecciona más de una respuesta, debido
a que éstas serán afectadas por los mismos factores,
resultando casi siempre imposible encontrar una
combinación de dichos factores que optimicen todas
las respuestas a la vez.
¿Cuáles son los factores independientes que
pueden afectar la respuesta ?
Mientras mayor sea el número de factores inde-
pendientes, mayor será el número de experimentos.
La eficiencia de esta etapa estará en la capacidad
de selección del investigador.
Selección de la zona de experimentación
para estudiar
El espacio ocupado por la zona de experimenta-
ción estará determinado por la separación que exista
entre el nivel superior e inferior de cada factor.
a b c d
Fig 2. Comportamiento de la respuesta Y al variar el nivel del factor Xi.
104
1. Si se escogen dos niveles demasiado próximos, es
posible que la variación de la respuesta (Y) no se
observe en el experimento o quede en el orden de
magnitud de las fluctuaciones aleatorias, por
tanto, el modelo encontrado será Y = Constante.
(Fig. 2 , a ≤ Xi ≤ b)
2. Si se seleccionan demasiado espaciados, pueden
cometerse dos errores. (Fig. 2 , a ≤ Xi ≤ d)
- Los puntos a y d pueden encontrarse a ambos
lados de un máximo o un mínimo y la diferencia
entre los valores de Y resulte inobservable.
- Que los errores cometidos en diferentes pun-
tos de la región sean significativamente distintos,
indicando en este caso la carencia de homoge-
neidad de varianza y por tanto, las pruebas
paramétricas usadas, por ejemplo t y F no serían
tan poderosas, ya que éstas se apoyan para su
efectividad en la suposición de la existencia de
homogeneidad de varianza entre otras condicio-
nes.
El intervalo (Fig. 2 , a ≤ Xi ≤ c) resulta el más
deseable, al contener los cambios relevantes de la
respuesta. Por supuesto, antes de realizar los expe-
rimentos estas situaciones se desconocen, de mane-
ra tal que en la selección inicial de los valores de las
variables operativas influirán /7/ :
a) El conocimiento histórico del sistema bajo es-
tudio.
Xi
TECNOLOGÍA QUÍMICA Vol. 18, No. 3, 1998
b) Las razones teóricas de que se pueda disponer.
c) La realización de experimentos exploratorios.
d) Factor suerte.
Discriminar los factores decisivos de los no
decisivos
Esta fase constituye una de las más importan-
tes, determinando en algunos casos la eficiencia de
las restantes. Para evitar seleccionar factores que
tienen muy poca o ninguna significación, debe
acudirse a las correspondientes técnicas de tamiza-
do o screening conocidas /4, 6, 8/. Sin embargo, si un
factor de marcada influencia no es controlado, es
imposible obtener resultados confiables, pues en un
diseño experimental los factores deben ser domi-
nados estrictamente por el investigador, de lo con-
trario, la respuesta quedará alterada por una
variable indomable y éste asociará parte de los
cambios a factores sin responsabilidad, y en otros
casos, no encontrará una base racional a los resul-
tados observados. Si el factor es controlado y se
mantiene durante los experimentos en una posición
fija, entonces los resultados estarán condicionados
por su ubicación.
Ajuste de una correlación de primer orden
(diseño factorial completo 2 k* )
- Es empleado para indicar la dirección más
favorable de la búsqueda.
- No debe dedicarse más del 25 % de los recursos
destinados para una investigación.
Los diseños factoriales completos son utilizados
cuando el número de factores es pequeño (menor
que 4), o de alguna manera se tiene la seguridad
que los seleccionados influyen significativamente
sobre la respuesta en la zona de experimentación
escogida.
¿Cómo verificar la presencia o no de
curvatura?
La interrogante anterior puede ser solucionada
de dos maneras:
1. Comprobando estadísticamente que existe dife-
rencias significativas entre el valor predicho por
el modelo (bo) y el determinado experimental-
*k corresponde al número de variables independientes
(x 1 , x 2 ,...,x n)
TECNOLOGÍA QUÍMICA Vol. 18, No. 3, 1998
mente para el punto central del plan experimental
(chequeo de curvatura).
La consideración anterior será más poderosa en
la medida en que se garantice que el punto de óptimo
se encuentre cercano a la región que contiene al
punto central.
2. Si el valor de un coeficiente de segundo orden
(interacciones) supera en magnitud al mayor de
los coeficientes que acompañan a las variables
independientes, además de evidenciar la presen-
cia de curvatura, se observará en la superficie de
respuesta una doble tendencia, o sea, un minimax.
Si las interacciones son significativas, indepen-
dientemente de que no superen en valor a los
términos de primer orden, puede asegurarse la
evidencia de curvatura, la cual se incrementará
en la medida en que dichas interacciones sean
más importantes.
Puede suceder que los factores independientes
seleccionados no interaccionen, y por tanto, el valor
de los coeficientes que lo miden (segundo o tercer
orden) no sean significativos; sin embargo, nos
encontramos que la zona contiene un óptimo, descri-
to por interacciones de segundo orden del factor con
el mismo. En este caso un chequeo de curvatura
será más ventajoso.
Trayectoria de máxima pendiente
Si el modelo nos indica curvatura y el coeficiente
de determinación es alto para determinado nivel de
significación, entonces las interacciones explican la
curvatura y el modelo puede ser adecuado. En estos
casos la trayectoria de máxima pendiente seguirá
funcionando mientras no se sobrepase el valor del
óptimo (Fig. 1). Luego que esto último suceda se
hace necesario el ajuste de una correlación de
segundo orden .
Consideraciones por tener en cuenta para el
ajuste de una correlación de segundo orden
Los diseños de segundo orden más conocidos
son:
1. Diseños centrales compuestos ortogonales.
2. Diseños centrales compuestos no ortogonales.
3. Diseños compuestos no centrales.
4. Diseños centrales compuestos rotacionales.
105
 Los diseños centrales compuestos ortogonales
son construidos tomando como núcleo el diseño
factorial, agregando además 2k+1 puntos experimen-
tales ubicados de forma conveniente. Fig. 3 (a).
Estos diseños son más precisos cuando:
- El óptimo se encuentra muy próximo al centro
de la zona de experimentación, lo cual se logra
mediante la trayectoria de máxima pendiente.
- No hay tendencia de tiempo que cambie el nivel
de la respuesta entre el primer experimento
(factorial) y el segundo (los 2k+1 puntos axiales).
Cuando ocurre lo contrario son convenientes los
diseños centrales compuestos en bloques
incompletos.
En un diseño central compuesto ortogonal, no
siempre resulta factible tomar los valores de α
(distancia a los puntos axiales) de forma tal que
X1
α, 0
+,- +,+
0 , -α 0,0 0, α
X2
-,- - ,+
- α, 0
(a)
Fig. 3 Estructura de los diseños de 2 do orden: (a) central compuesto ortogonal (b) compuesto no central.
Diseños rotacionales
El carácter rotacional de estos tipos de diseños
exige valores específicos para la distancia a los
puntos axiales (α) y un número determinado de
corridas en el centro, lo cual tiene como objetivo
asegurar que la desviación estándar de la respuesta
en el centro y en los puntos interiores de un círculo
de radio igual a la unidad sea la misma. /4/
Lo explicado hasta el momento puede ser veri-
ficado a través del siguiente ejemplo de una investi-
gación realizada por los autores./9/
106
satisfaga las condiciones de ortogonalidad, en estos
casos son usados los diseños centrales com-
puestos no ortogonales.
Los resultados de un factorial 2 k pueden sugerir
que el punto de máxima respuesta esté más cercano
a algunas de las otras combinaciones de factores
que al centro. En este caso un diseño compuesto no
central es probable que dé una localización más
precisa del punto estacionario. Este diseño tiene k
puntos extras, uno para cada factor. El nivel de
cualquier factor se mueve a (1+α) si el óptimo
parece estar más cercano a +1 que a -1 y a (-1-
α) si el nivel óptimo parece estar más cercano a -
1 que a +1. Por ejemplo, si se piensa que el óptimo
está cercano a (+1,-1) con dos factores, las combi-
naciones adicionales se ubicarán en las posiciones
que se indican en la Fig. 3 (b)./5/
1+α , -
X1
+ ,-1- α
+,+
+,-
X2
-,- -,+
(b)
Ejemplo de la E.O.E. mediante el proceso de
obtención de alginato de sodio
Definición del problema:
Objetivo de la investigación
El alginato de sodio es un polímero que se obtiene
a partir de las algas pardas. En el caso que se
estudia, estarán representadas por los sargazos.
El alginato de sodio ofrece propiedades particu-
lares que permite ser utilizado en diversas ramas de
la industria, fundamentalmente, en aquellos proce-
TECNOLOGÍA QUÍMICA Vol. 18, No. 3, 1998
sos que requieren agentes suspensor, gelificantes o
emulsionante en ciertos compuestos.
La viscosidad de una solución de alginato al 1 %
constituye uno de los parámetros de calidad más
importantes usado en las distintas industrias. Desde
el punto de vista económico es de interés extraer
más alginato con la menor cantidad de algas posible
(altos rendimientos).
Se han definido dos variables de respuesta , la
viscosidad de la solución de alginato al 1 % y el
rendimiento en la extracción. El ejemplo que se
presenta se dedicará a estudiar la más importante,
que en este caso resulta ser la viscosidad. /9/
Etapas del proceso para su obtención
Las etapas 2, 3 y 4 se realizan en reactores
químicos con agitación. La etapa de extracción
básica de alginato (etapa 4) será la analizada en este
ejemplo.

1 Molida de algas

2 Lavado de algas
con agua suavizada

3 Acidificación con ácido clorhídrico

(Transformación de los alginatos de
calcio y magnesio dentro del alga a
ácido algínico)

4 Extracción del ácido algínico en forma

de alginato de sodio al reaccionar el
primero con el solvente (carbonato de sodio)

5 Secado

Selección de las respuestas para medir, las Variables independientes Niveles

variables para estudiar (variables indepen-
-1 0 +1
dientes) y los intervalos para cubrir X1 30 45 60
Variables independientes X2 0,6 1 1,4
X1 : Temperatura °C. X3 10 15 20
X2 : Concentración del solvente (g/L).
X3 : Relación líquido-sólido (kg/kg).
Discriminar los factores decisivos de los no
decisivos
Variable de respuesta Debido a la experiencia de los investigadores
µ : Viscosidad de la solución de alginato al 1 %. acerca del proceso, se decide realizar un análisis

TECNOLOGÍA QUÍMICA Vol. 18, No. 3, 1998

107
teórico para discriminar los factores decisivos de los ¿Existe curvatura en la zona de experimen-
no decisivos, continuando con el próximo paso del tación escogida ?
EGA.
Antes de responder a esta interrogante, el inves-
Ajuste de una correlación de primer orden tigador decidirá si es necesario fijar algún factor en
Matriz de los experimentos Matriz de la respuesta una posición que resulte factible. En este caso, el
LM X 1 X2 X3 OP LM OP modelo matemático sugiere que la relación líquido-
sólido debe trabajarse en el nivel más bajo posible
MM−1 −1 −1 P MM537PP (Fig. 6), hecho que resulta conveniente al necesitar
−1 P
MM+−11 −1
+1 −1 P
P MM370 407P
P menor volumen en los reactores. Sin embargo, si
se continúa disminuyendo llegará un momento en
=M
M +1 +1 −1 P
P µ =M
M556PP que solamente tendremos sólido en el reactor y nada
X
MM−1 −1 +1 P MM463PP de líquido, por lo que no se podrá obtener alginato. En
+1 P estos casos, el investigador con su experiencia es
MM+−11 −1
+1 +1 P
P MM556
370
PP el responsable de ubicar esta variable en una
MM+1 +1 +1 PP MM370PP posición que resulte ventajosa y realizable .
Analicemos qué sucede cuando la relación líqui-
MN0 0 0 PQ MN728PQ do sólido se mantiene fija en el nivel inferior y
El estimado del error puro en estos experimentos superior respectivamente.
fue de: S2exp = 50,33, con dos grados de libertad. El modelo matemático quedará en función de los
Modelo matemático codificado restantes factores :

µ =529-37X1+19X2-14X3+28X1X2-33X1X3-51 X1X2X3 Modelo 1 : Cuando X3 = -1

La correlación obtenida fue ajustada para un

95 % de confiabilidad. µ = 543 - 4X1 + 19X2 - 79X1X2

617
0,6
597
578
0,2
558
Conc.
539
-0,2 519
499
-0,6 480
460

-1 441
-1 -0,6 -0,2 0,2 0,6 1
Temp.

Fig. 4 Comportamiento de la viscosidad (Modelo 1).

108 TECNOLOGÍA QUÍMICA Vol. 18, No. 3, 1998

Modelo 2 : Cuando X3 = +1

µ = 515 - 70X1 + 19X2 - 23X1X2

1 596 565 534 503 472 441

0,6

Conc.
0,2

0,2

0,6

-1
-1 -0,6 -0,2 0,2 0,6 1

Temp.

Fig. 5 Comportamiento de la viscosidad (Modelo 2).

Visc.
680

640

600
X3 = -1
560

520

X3 = +1
480

1
440
-1 -0,6 -0,2 0,2 -0,20,2 0,6
0,6 1
-1 -0,6
Conc.

Temp.
Fig. 6 Comportamiento de la viscosidad (1er. Orden).

TECNOLOGÍA QUÍMICA Vol. 18, No. 3, 1998

109
Observaciones central del diseño. El modelo encontrado ajusta para
un 95 % de confiabilidad y se tiene en cuenta el
1. El coeficiente de la interacción (X1X2) en el factor X3 para demostrar algunas de las considera-
modelo 1 supera en magnitud al mayor de los ciones realizadas en la EOE.
coeficientes que acompañan los términos de
Modelo matemático codificado:
primer orden. La superficie de respuesta indica
la presencia de curvatura con una doble tenden- µ = 967 − 93 X 1 + 59 X 2 − 218 X 3 + 28 X 1 X 3
cia (Fig. 4). En el modelo 2 la interacción no − 33 X 1 X 3 − 51 X 1 X 2 X 3 − 362 X 12 − 324 X 22 + 259 X 32
resulta la más importante y por tanto, la superfi-
cie de respuesta genera un comportamiento prác-
Modelo 3 : Cuando X3=-1
ticamente lineal (Fig. 5). La superposición de
ambas superficies de respuestas mostrará con µ = 1 444 − 60 X 1 + 59 X 2 + 79 X 1 X 2 − 362 X 12 − 324 X 22
mayor precisión lo planteado anteriormente, ob-
servándose además el efecto que presenta X3 al
cambiarla de nivel (Fig. 6).
Modelo 4 : Cuando X3=+1
Siguiendo los pasos de la EOE el lector verá la
posibilidad de dos alternativas: µ = 1 008 − 126 X 1 + 59 X 2 − 23 X 1 X 2 − 362 X 12 − 324 X 22
- Si se trabaja con el modelo 1 debe ajustarse
una correlación de segundo orden.
- Si se escoge el modelo 2 debe realizarse la Como se esperaba, la superficie de respuesta gene-
prueba del chequeo de curvatura, pues indepen- rada por el modelo 3 indica que cercano a la región
dientemente que los factores no interaccionen central la viscosidad del alginato es máxima cuando
apreciablemente entre sí pueden hacerlo con X3=-1. Si se observa la superficie de respuesta gene-
ellos mismos, conteniendo la zona un punto de rada por el modelo 4, se encontrará otro punto de
máximo que no tiene que ser igual al encontrado máxima respuesta cuando X3=+1, o sea, los extremos
en el modelo 1. Lo anterior es cierto si la prueba encontrados son condicionados por las restricciones
asegura la presencia de curvatura. que la realidad impone en algunas situaciones . Lo
La situación antes expuesta debe tratarse con anterior se observa más claramente si se superponen
mucha cautela, pues un análisis precipitado podría las superficies de respuestas, Fig. 7.
sugerir la realización de experimentos a lo largo de
la trayectoria de máxima pendiente (modelo 2) y de Determinación del punto óptimo
esta manera nos alejaríamos de la zona que contiene
Si se determinan las derivadas parciales a los
el óptimo.
modelos 3 y 4 y se igualan a cero, la solución del
2. El chequeo de curvatura realizado arroja diferen-
sistema de ecuaciones define las coordenadas del
cias significativas entre el valor predicho por el
modelo en el punto central (b0) y el obtenido
experimentalmente (728) para ambos casos, evi-
denciando la presencia de curvatura. El paso de Visc.

la EOE para cualquiera de los casos analizados 1 560 X3 = -1

será el ajuste de una correlación de segundo 1 360
orden.
1 160
A manera de resumen, un modelo de primer
960 X3 = +1
orden no resulta suficiente para describir el com- 1
760 0,6
portamiento de la viscosidad. 0,2
560 -0,2
Ajuste de una correlación de segundo orden -1 -0,6 Conc.
-0,6 -0,2 -1
0,2 0,6 1
Se realizó un diseño central compuesto ortogonal Temp.

por las evidencias de curvatura cercanas a la región Fig. 7 Comportamiento de la viscosidad (2do orden).

110 TECNOLOGÍA QUÍMICA Vol. 18, No. 3, 1998

 punto estacionario (óptimo condicionado). Los re-
sultados fueron los siguientes:
Para el modelo 1
X1 : Temperatura = 44 °C
X2 : Concentración = 1,033 g/L
X3 : RLS = 10 kg/kg
µopt = 1 449 cps
Para el modelo 2
X1 : Temperatura = 42 °C
X2 : Concentración = 1,038 g/L
X3 : RLS = 20 kg/kg
µopt = 1 064 cps
Intervalo de confiabilidad:
Puede ser determinado por la siguiente expresión
/7/:
e j b
µ = µ opt ± n, α 2 ⋅ X '1 ⋅ X '⋅ X
luego, para el caso que se analiza, la viscosidad en el
punto de óptimo tendrá el siguiente intervalo de
confianza:
µ = µopt ± 15
Conclusiones
La EOE la conforman una serie de etapas gene-
rales aplicables a regiones en las cuales exista sólo
un óptimo y donde todos los factores pueden ser
controlados. El número de etapas necesarias para
llegar al punto estacionario buscado dependerá en-
teramente del conocimiento que se tenga del proble-
ma, lo cual conlleva a iniciar las investigaciones en
regiones cercanas al mismo.
El EGA presentado ofrece grandes posibilida-
des al guiar el camino por el cual un investigador
debe conducir los experimentos para encontrar de
forma rápida, barata y rigurosa la mejor respuesta
a determinadas situaciones, claramente ello po-
drá lograrse sólo si los experimentos son bien
diseñados, pues frecuentemente, las conclusiones
de un experimento bien diseñado se pueden sacar
fácilmente, aun con métodos estadísticos elemen-
tales. Por el contrario, el análisis estadístico más
TECNOLOGÍA QUÍMICA Vol. 18, No. 3, 1998
View publication stats
sofisticado no puede salvar un experimento mal
diseñado.
La interpretación de los modelos matemáticos, a
partir de las superficies de respuesta, posibilita
representar la forma y comportamiento de las varia-
bles dependientes al cambiar el nivel de los factores.
La forma geométrica adquirida por la superficie
estará determinada por las relaciones entre los
factores dentro del sistema. La forma geométrica
será verdadera, sólo si el modelo encontrado es
predictor, cuando el modelo no es adecuado, la
superficie de respuesta sólo podrá ser usada para
determinar el paso siguiente de la investigación.
Finalmente, la estrategia usada en cualquier
ámbito de la vida será más efectiva mientras mayor
sea el nivel de conocimiento previo, pues de esta
manera seremos más precisos a la hora de discernir
lo predecible de lo impredecible.
g −1
⋅ X 1 ⋅ Sexp
2
Bibliografía
1. BARROS NETO, B., I. SPACINO, R. EDWARD:
Planejamento E. Optimicao de Experimentos,
Campinas, SP.Editora de UNICAMP, Brasil, 1995.
2. BOIZÁN JÚSTIZ, M.: Optimización, Ed. Pueblo
y Educación, La Habana, Cuba, 1988.
3. MATE JIMÉNEZ, C.: Curso general sobre
STATGRAFICS, procedimientos, métodos esta-
dísticos, aplicaciones y ejercicios resueltos,
UPCO - Madrid, España, 1995.
4. SUTTON N.L.: "Variables Search: A Simple
Technique", Chemical Engineering, vol. 104,
No. 8, August 1997.
5. COCHRAN, W.G. y G.M. COX: Diseños experi-
mentales, Ed. F. Trillas S.A., México D.F., 1965.
6. GEORGE, E., P. BOX, W. HUNTER, G. HUNTER:
Introducción al diseño de experimentos, análi-
sis de datos y construcción de modelos, Edito-
rial Reverté S.A., España, 1993.
7. GUERRA DEBÉN, J. y E. SEVILLA: Introducción
al análisis estadístico para procesos, Editorial
Pueblo y Educación, Habana, Cuba, 1986.
8. LÓPEZ PLANES, REINALDO: Diseño estadísti-
co de experimentos, Editorial Científico - Técni-
ca, La Habana, Cuba, 1988.
9. MESA PÉREZ, J. M, M. VALLE MATOS, L. E.
BROSSARD, J. R. GUERRERO HABER :
"Optimización de la etapa de extracción basica
de alginato de sodio" Tecnología Química, 18(1-
2): 90-96, Ediciones ISPJAM, Universidad de
Oriente, 1998, ISSN 0041-8420.
111