Optimización en la elaboración de levocetirizina

jarabe
Estimación del modelo de estabilidad

Herrera Acosta Roberto José Peña Colina Ninoska Steffi

Docente de planta: Facultad de Ingeniería Estudiante: Facultad de Ingeniería
Programa de Ingeniería Industrial, Programa de Ingeniería Industrial,
Barranquilla, Colombia Barranquilla, Colombia
robertoherrera@mail.uniatlantico.edu.co nspena@mail.uniatlantico.edu.co

Salcedo Romero Alejandro

Estudiante: Facultad de Ingeniería
Programa de Ingeniería Industrial,
Barranquilla, Colombia
alejandrosalcedo@est.uniatlantico.edu.co

Abstract— farmacocinético es el mismo cuando se administra como

In the present study, the effects of volume, density and
expiration factors on levocetirizine titration were evaluated and
it was obtained that the most significant effects are density and
expiration, for a more detailed analysis a study was conducted.
2k-1 where the previous result was corroborated.
Keywords—effects, volume, density.
Introducción
La levocetirizina, el enantiómero (R) de la cetirizina, es un
antagonista potente y selectivo de los receptores H1 periféricos.
Los estudios de afinidad han demostrado que la levocetirizina
presenta una elevada afinidad por los receptores H1 humanos
(Ki = 3.2 nmol/l). La afinidad de la levocetirizina es dos veces
mayor que la de la cetirizina (Ki = 6.3 nmol/l). La levocetirizina
se disocia de los receptores H1 con una vida media de 115 ± 38
min. Los estudios farmacodinámicos realizados en voluntarios
sanos han demostrado que con la mitad de la dosis, levocetirizina
presenta una actividad comparable a la de la cetirizina. Relación
farmacocinética/farmacodinámica: 5 mg de levocetirizina
proporcionan un patrón de inhibición similar al de 10 mg de
cetirizina. Al igual que sucede con la cetirizina, la acción sobre
las reacciones cutáneas inducidas por la histamina no está
relacionada con las concentraciones en plasma. Propiedades
farmacocinéticas: las propiedades farmacocinéticas de la
levocetirizina son lineales con las dosis e independiente del
tiempo, con una baja variabilidad entre sujetos. El perfil
enantiómero único o como cetirizina. La levocetirizina es rápida
y ampliamente absorbida tras ser administrada por vía oral. Las
concentraciones máximas en plasma se alcanzan 0,9 horas tras
la administración. El estado de equilibrio se alcanza dos días más
tarde. Las concentraciones máximas suelen ser 270 ng/ml y 308
ng/ml tras la administración de una dosis única de 5 mg y una
dosis repetida de 5 mg cada día, respectivamente. El grado de
absorción es independiente de la dosis y no se modifica con la
comida, pero reduce y retrasa el pico de concentración. La vida
media en plasma y en adultos es de 7.9 ± 1.9 horas. El clearance
medio total aparente es de 0.63 ml/min/kg. La orina es la
principal vía de excreción de levocetirizina y sus metabolitos,
por ella se elimina alrededor del 85.4% de la dosis. Sólo el
12.9% de la dosis se excreta por las heces. Levocetirizina se
excreta tanto por filtración glomerular como por secreción
tubular activa.
I. MARCO TEÓRICO
A. Antecedentes
En la actualidad existen diversas estrategias y/o herramientas
enfocadas al mejoramiento continuo de los procesos, una de
ellas es el denominado diseño de experimentos (DoE).
El pionero del diseño de experimentos fue Ronald Fisher en el
año 1920 al aplicar sus estudios experimentales a la agronomía,
enfocando a la mejora de la producción de patatas en la estación
agrícola experimental de Rothamstede en Londres. Dada la
experiencia pública su primer libro en el año de 1935  Variables y factores
denominado Design of Experiments [3].
Las variables y/o factores son las herramientas que permiten
Después de Ronald Fisher, muchos autores se han pronunciado determinar el efecto o resultado en una prueba de experimento
con respecto al diseño de experimentos. En la siguiente tabla se [2].
presentan las principales definiciones (ver tabla 1).
 Niveles y Tratamientos
TABLE I. DEFINICIONES DE DISEÑO EXPERIMENTAL
Autor Concepto Se denominan niveles a los diferentes valores que se le asignan
Schmidt Aproximación científica que permite conocer los procesos a cada valor estudiado en un diseño experimental, y a la
Launsby y determinar cómo afectan las variables involucradas [4]. combinación de dichos niveles se les denomina tratamientos [2].
Taguchi Técnica que permite el incremento de la eficiencia al
adquirir información técnica a través de la experimentación
[5]. D. Etapas del diseño de experimentos
Box et al Técnica eficiente de optimización de procesos o productos
a través de la recolección y análisis de datos [6].
Lye Metodología de aplicación sistemática de la estadística a la A través de la historia diversos autores han enunciado las etapas
experimentación [7]. que se requieren para llevar a cabo un diseño experimental. Uno
Fuente: Autores de los procedimientos más utilizados es el planteado por D.
Montgomery [1] quien establece siete etapas relacionadas a
Para fines del presente artículo se adopta el concepto de los continuación (ver figura 1).
autores de [2] que establecen que el diseño de experimentos es
la aplicación del método científico para estudiar de fondo un
sistema o proceso, mediante pruebas planificadas Figura 1. Etapas del diseño de experimentos
adecuadamente.
B. Enfoques del diseño de experimentos

A continuación en la tabla 2 se presentan los enfoques del diseño

de experimentos:

TABLE II. ENFOQUES DEL DISEÑO DE EXPERIMENTOS

Enfoque Características
Clásico Etapa 1 Aplicación de diseños
(1920) (Fisher) factoriales
Análisis de varianza
Diseños factoriales
fraccionados
Etapa 2 Metodología dela superficie de
(Box et Wilson) respuesta
Diseños compuestos centrales
Diseños de Box Behnken
Fuente: Autores
Etapa 3 (Taguchi y Diseño robusto de parámetros
Shainin) El autor de [1] plantea que las etapas 1, 2 y 3 del diseño de
Etapa 4 Seis sigma experimentos se conocen como planeación previa al
Software estadístico
Diseños óptimos
experimento y además que las etapas 2 y 3 generalmente se
Taguchi Ingeniería de la calidad Diseño del sistema hacen simultáneamente o en orden inverso, pero esto no afecta
(1980) Diseño de parámetros el desarrollo experimental.
Diseño de tolerancias
Shainin Combinación de Principio de Pareto
(1991) técnicas Diseños factoriales completos E. Principios básicos del diseño de experimentos
Fuente: Autores
De acuerdo con los autores de [2] para poder llevar a cabo un
C. Fundamentación teórica diseño de experimentos de forma efectiva es necesario tener en
cuenta los siguientes principios básicos:
 Experimento
 Aleatorización: Es realizar corridas en una prueba de
experimento de manera aleatoria (azar) y con material
Un experimento es la atribución de cambios voluntarios en las
también seleccionado aleatoriamente.
condiciones de operación de un producto, procesos o sistema y
que busca identificar y medir sus efectos [2].
  Repetición: Se trata de correr más de una vez un
tratamiento o una combinación de factores con el fin de
distinguir mejor que parte de la variabilidad de los
datos se debe al error aleatorio y cal a los factores.
 Bloqueo: Consiste en considerar de manera adecuada
todos los factores que puedan afectar la respuesta
observada. De modo que al bloquear el subconjunto de
datos dentro de cada bloque debe resultar más
homogéneo que el conjunto total de datos.
Como apoyo de la presente investigación se realizó la búsqueda
de material bibliográfico referente al diseño de experimentos, y
una de las referencias destacadas es la investigación realizada
por M. Tanco y E. Viles denominada “Metodología para la
aplicación del Diseño de Experimentos (DoE) en la industria”
[3], cuyo objetivo fundamental fue desarrollar una metodología
que simplificara la implementación del diseño de experimentos
en las industrias. Para la consecución de dicho objetivo se
propusieron las siguientes etapas:
 Profundizar en las barreras existentes para la aplicación
del DoE.
 Desarrollar un modelo teórico útil para la metodología.
 Desarrollar un conjunto de guías y plantillas para la
metodología como guía a lo largo de la
experimentación.
 Validar la metodología con la comunidad científicas y
con otras empresas del entorno.
Además, plantearon que los experimentadores deben apoyarse
en la aplicación informática para como guía durante el desarrollo
de la metodología utilizada, se debe adoptar un software sencillo
que mejor se adapte a las características del experimento y se
deben realizar nuevas experiencias prácticas en otros ámbitos de
la industria.
Otra de las investigaciones referentes para el presente artículo
fue la realizada por J. Baldemar denominada “Aplicación de
diseño de experimentos para el análisis de secado de un
producto” [8], quien expuso un estudio realizado sobre el
pintado de un producto para determinar los factores que
minimizan el tiempo de espera para el secado total; para esto
efectuó un diseño factorial de tres factores con 2 niveles cada
uno y realizó tres réplicas. Este autor concluye que si se desea
disminuir el tiempo de secado, la mejor opción es la
combinación de un esmalte de secado rápido sin agua fría y solo
una capa de pintura.
aplicaban cada una al caso práctico de mejorar el alcance del tiro
de una catapulta.
F. Diseño factorial 2𝑘
Los autores de [2] establecen que un diseño factorial 2𝑘 es un
modelo que considera k factores con dos niveles cada uno. Este
diseño es una opción experimental que permite estudiar efectos
de curvatura, efectos lineales y efectos de interacción.
El modelo estadístico para el diseño 2𝑘 se puede escribir
considerando el efecto individual de cada factor (A, B y C) y de
la interacción entre los factores, y queda como sigue (ver
ecuación 1).
𝒀𝒊𝒋𝒌 = 𝒀𝟎 + 𝒀𝟏𝑿𝟏 + 𝒀𝟐𝑿𝟐 + 𝒀𝟑𝑿𝟑 + 𝒀𝟏𝟐𝑿𝟏𝑿𝟐 +
𝒀𝟏𝟑𝑿𝟏𝑿𝟑 + 𝒀𝟐𝟑𝑿𝟐𝑿𝟑 + 𝒀𝟏𝟐𝟑𝑿𝟏𝑿𝟐𝑿𝟑+ 𝜺𝒊𝒋𝒌
(1)
con 𝑖 = 1,2,3; 𝑗 = 1,2, 3; 𝑘 = 1, . . . , 𝑛 y donde 𝛾𝑖
es el efecto del factor A en su nivel 𝑖, 𝛿𝑖 representa el efecto del
factor B en su nivel j, Ωi representa el efecto del factor C en su
nivel k, 𝛾𝛿𝑖𝑗 es el efecto de interacción de ambos en los niveles
𝑖𝑗, 𝜀𝑖𝑗𝑘 es el error de la medición y 𝑛 es el número de
repeticiones de cada tratamiento.
Las hipótesis que se prueban mediante el análisis estadístico son:
𝑯𝟎 ∶ 𝜸𝒊 = 𝟎 (2)
La ecuación (2) plantea que no hay efecto significativo del factor
A sobre la variable de respuesta.
𝑯𝟎 ∶ 𝜹𝒊 = 𝟎 (3)
La ecuación (3) plantea que no hay efecto significativo del factor
B sobre la variable de respuesta.
𝑯𝟎 ∶ 𝜸𝜹𝒊𝒋 = 𝟎 (4)
La ecuación (4) plantea que no hay efecto significativo de
interacción de los factores A y B sobre la variable de respuesta.
Para probar las hipótesis planteadas en (2), (3) y (4) usualmente
se utiliza el análisis de varianza (ANOVA) (ver tabla 3) donde
las sumas cuadradas de los efectos incluidos en la ecuación (1)
están dadas por:

Finalmente, también se soportó la presente investigación el (𝑎+𝑎𝑏+𝑎𝑐+𝑎𝑏𝑐−(1)−𝑏−𝑐−𝑏𝑐)2

artículo elaborado por L. Ilzarbe, M. Tanco, E. Viles y M. 𝑺𝑪𝑨 = (5)
8𝑛
Álvarez denominado “El diseño de experimentos como (𝑏+𝑎𝑏+𝑏𝑐+𝑎𝑏𝑐−(1)−𝑎−𝑐−𝑎𝑐)2
𝑺𝑪𝑩 = (6)
herramienta para la mejora de los procesos. Aplicación de la 8𝑛
(𝑐+𝑎𝑐+𝑏𝑐+𝑎𝑏𝑐−(1)−𝑎−𝑏−𝑎𝑏)2
metodología al caso de una catapulta” [9]; estos autores 𝑺𝑪𝑪 = (7)
8𝑛
resaltaron la planificación como parte fundamental en el (𝑎𝑏𝑐−𝑏𝑐+𝑎𝑏−𝑏−𝑎𝑐+𝑐−𝑎+(1))2
desarrollo del diseño de experimentos y para ello presentaron la 𝑺𝑪𝑨𝑩 = (8)
8𝑛
explicación teórica de las etapas del proceso y al mismo tiempo ((1)−𝑎+𝑏−𝑎𝑏−𝑐+𝑎𝑐−𝑏𝑐+𝑎𝑏𝑐)2
𝑺𝑪𝑨𝑪 = (9)
8𝑛
 ((1)+𝑎−𝑏−𝑎𝑏−𝑐−𝑎𝑐+𝑏𝑐+𝑎𝑏𝑐)2 De acuerdo a lo planteado por [2], es importante mencionar que
𝑺𝑪𝑩𝑪 = (10)
8𝑛 el ANOVA asume que la variable de respuesta se distribuye
(𝑎𝑏𝑐−𝑏𝑐−𝑎𝑐+𝑐−𝑎𝑏+𝑏+𝑎−(1))2
𝑺𝑪𝑨𝑩𝑪 = (11) normalmente, con varianza constante y que las mediciones son
8𝑛
independientes entre sí.
𝒀𝟐 ...
𝑺𝑪𝑻 = ∑𝟑𝒊=𝟏 ∑𝟑𝒋=𝟏 ∑𝒏𝒌=𝟏 𝒀𝟐 𝒊𝒋𝒌 − (12)
𝒏𝟑𝟐

𝑺𝑪𝑬 = 𝑺𝑪𝑻 − 𝑺𝑪𝑨 − 𝑺𝑪𝑩 − 𝑺𝑪𝑪 − 𝑺𝑪𝑨𝑩 − 𝑺𝑪𝑨𝑪 − 𝑺𝑪𝑩𝑪 −

𝑺𝑪𝑨𝑩𝑪 (13) II. CONCLUSIONES Y RECOMENDACIONES

En las ecuaciones (5), (6), (7), (8), (9), (10), (11),(12), (13), SCA Una vez analizado los datos mediante el ANOVA, se emitieron
es la suma cuadrada del factor A, SCB es la suma cuadrada del las conclusiones prácticas acerca de los resultados y las
factor B, 𝑆𝐶𝐴𝐵 es la suma cuadrada de la interacción de los recomendaciones para la empresa objeto de estudio.
factores A y B, SCT es la suma cuadrada total, 𝑆𝐶𝐸 es la suma
cuadrada del error, 𝑛 es el número de réplicas, Y
A. Resultados y discución
∑𝟑𝒊=𝟏 ∑𝟑𝒋=𝟏 ∑𝒏𝒌=𝟏 𝒀𝟐 𝒊𝒋𝒌 es la suma de todas las observaciones al
cuadrado, 𝑌𝑖.. es el total en el nivel 𝑖 del factor A, 𝑌. 𝑗. es el total
en el nivel j del factor B, 𝑌𝑖𝑗.el total de la suma de las réplicas Para poder realizar el análisis de los efectos de los factores
volume, densidad y caducidad sobre la valoración de la
de cada tratamiento, 𝑌𝑖𝑗𝑘 es el valor individual de cada
Levoceterizina, se tomaron 3 replicas para cada combinación
observación.
del diseño factorial 23.
TABLE III. ANOVA PARA DISEÑO FACTORIAL 23
P- TABLE IV. MATRIZ DE DISEÑO
FV SC GL CM Fcalc
Valor
Factor A Ec.(5) 1 CMA CMA/CME Levoceterizina
Factor B Ec.(6) 1 CMB CMB/CME Combination Replica (1) Replica (2) Replica (3)
Factor C Ec.(7) 1 CMC CMAB/CME (1) 101,420 101,920 101,560
Interacción Ec.(8) 1 CMAB CMAB/CME a 101,200 101,160 101,800
AB b 101,430 101,390 101,390
Interacción Ec.(9) 1 CMAC CMAC/CME ab 100,100 100,090 100,060
AC c 98,050 98,900 98,010
Interacción Ec.(10) 1 CMBC CMBC/CME ac 101,200 101,160 101,080
BC bc 99,720 99,730 99,710
Interacción Ec.(11) 1 CMABC CMABC/CME abc 99,210 99,170 99,220
ABC Fuente: Autores
Error Ec.(13) 2K(n-1) CME
Total Ec.(12) 2Kn-1
TABLE V. NIVELES DE LOS FACTORES
Fuente: Autores
A Volumen 60,1 60,15
En la Tabla III, se tiene: FV es la fuente de variabilidad, SC es B Densidad 1,11 1,115
C Caducidad 3 24
la suma cuadrada, GL son los grados de libertad de cada fuente, Respuesta Valoración
CM es el cuadrado medio de cada fuente, Fcal es el estadístico Fuente: Autores
de prueba y Fcrít es el estadístico de comparación.

El valor de CM se determina al dividir la suma cuadrada de cada
fuente de variabilidad entre sus respectivos grados de libertad, el
valor de Fcal se determina al dividir el cuadrado medio de cada
factor entre el cuadrado medio del error, y el valor de Fcrít se
obtiene para una significancia de α = 0,05 buscando en la tabla
A4 del apéndice A del libro de [2]; en esta tabla los grados de
libertad en el numerador son los grados de libertad del
tratamiento de interés y los grados de libertad en el denominador
son los grados de libertad del error.
Si P-valor es menor 0.05, para cada factor o sus interacciones,
entonces se debe rechazar la hipótesis nula planteada de que el
efecto del factor es cero, Ec(2).
En la Tabla IV se evidencian los resultados obtenidos para la
variable de respuesta luego de experimentar las 24 corridas del
experimento. Los resultados se organizaron de acuerdo al factor
y nivel que correspondan.
La normalidad de los datos se puede corroborar en la figura 2,
puesto que los datos provenientes de resultados aleatorios caen
aproximadamente en la línea recta. Por lo tanto los resultados
obtenidos se totalizaron en la tabla IV para proceder con el
ANOVA.
Figura 2. Probabilidad normal de la variable de respuesta
 TABLE VI. ANOVA DEL EXPERIMENTO
Gráfica de Probabilidad Normal para Valoración FV Suma de Gl Cuadrado Razón- p-
Cuadrados Medio F valor
99,9 A:Volumen 0,20535 1 0,20535 3,62 0,0751
99 B:Densidad 1,6224 1 1,6224 28,63 0,0001
C:Caducidad 14,0454 1 14,0454 247,90 0,0000
95
AB 7,32615 1 7,32615 129,30 0,0000
porcentaje

80 AC 5,62602 1 5,62602 99,30 0,0000

50 BC 0,365067 1 0,365067 6,44 0,0219
20
ABC 1,93802 1 1,93802 34,21 0,0000
Error 0,906533 16 0,0566583
5
Total 32,0349 23
1
Fuente: Autores
0,1
-16 -11 -6 -1 4 9 14
Efectos estandarizados En la tabla VI se evidencia que:

 Para el factor A:volumen, con un 95% de

Fuente: Autores
B. Análisis de varianza (ANOVA)
Se efectuó un ANOVA para determinar la significancia de los
factores y comprobar las siguientes hipótesis:
 El efecto del factor A sobre la variable de
respuesta es 0,185.
 El efecto del factor B sobre la variable de
respuesta es -0,52.
 El efecto del factor C sobre la variable de
respuesta es -1,53
 El efecto de la interacción de los factores A y B
sobre la variable de respuesta es -1,105.
 El efecto de la interacción de los factores A y C
sobre la variable de respuesta es 0,968.
 El efecto de la interacción de los factores B y C
sobre la variable de respuesta es 0,246.
 El efecto de la interacción de los factores A, B y
C sobre la variable de respuesta es -0,568.
El ANOVA del experimento de este artículo, ver TablaVI, se
realizó teniendo en cuenta la Tabla IV y calculando las sumas
cuadradas de los factores y la interacción de estos con las
ecuaciones (5), (6), (7), (8), (9), (10), (11) respectivamente. La
suma cuadrada del total se calculó con la ecuación (12) y la
suma cuadrada del error se calculó con ecuación (13).
confiabilidad el P-valor es mayor a 0.05, por lo
que se considera que este factor no tiene efecto
sobre la variable de respuesta valoración y se
acepta la hipótesis planteada al comienzo del
análisis.
 Para el factor B:densidad con un 95% de
confiabilidad el P-valor es menor que 0.05, por
lo que se considera que este factor tiene efecto
sobre la variable de respuesta valoración y
rechaza la hipótesis planteada al comienzo del
análisis.
 Para el factor C:caducidad con un 95% de
confiabilidad el P-valor es menor que 0.05, por
lo que se considera que este factor tiene efecto
sobre la variable de respuesta valoración y
rechaza la hipótesis planteada al comienzo del
análisis.
 Para la interacción A y B con un 95% de
confiabilidad el P-valor es menor que 0.05, por
lo que se considera que este factor tiene efecto
sobre la variable de respuesta valoración y
rechaza la hipótesis planteada al comienzo del
análisis.
 Para la interacción A y C con un 95% de
confiabilidad el P-valor es menor que 0.05, por
lo que se considera que este factor tiene efecto
sobre la variable de respuesta valoración y
rechaza la hipótesis planteada al comienzo del
análisis.
 Para la interacción B y C con un 95% de
confiabilidad el P-valor es menor que 0.05, por
lo que se considera que este factor tiene efecto
sobre la variable de respuesta valoración y
rechaza la hipótesis planteada al comienzo del
análisis.
 Para la interacción A B y C con un 95% de
confiabilidad el P-valor es menor que 0.05, por
lo que se considera que este factor tiene efecto
 sobre la variable de respuesta valoración y mayor cantidad xxxxxxx y con la xxxxxx el rendimiento es
rechaza la hipótesis planteada al comienzo del inferior.
análisis.
Figura 4. Efectos principales para la respuesta valoración
 El valor de R-cuadrada ajustado es 95,9321 lo que
implica que el análisis experimental, está interpretando
correctamente el experimento.
Gráfica de Efectos Principales para Valoración

101,4
El modelo completo SATURADO es:
101

Valoración= 100,362 + 0,0925 × Volumen − 0,26 × 100,6

Valoración
Densidad − 0,765 × caducidad − 0,5525 × Volumen ∗
100,2
Densidad + 0,484167 × Volumen ∗ Caducidad + 0,123333 ×
Densidad ∗ Caducidad − 0,284167 × Volumen ∗ Densidad ∗ 99,8
Caducidad
99,4

Antes de realizar el experimento, cuando se conoció el 99

problema de estudio planteado por la empresa se sospechaba -1.0 1.0 -1.0 1.0 -1.0 1.0

que tanto la densidad como la caducidad tenían incidencia en la Volumen Densidad Caducidad

valoración del proceso de elaboración de la levoceterizina.

Luego de ejecutar el experimento y realizar el análisis
estadístico de los resultados se conoció que efectivamente
ambos factores, así como su interacción resultaron ser Se realizó posteriormente un diseño 2𝑘−1 , obteniendo los
significativos para un nivel de significancia del 0,05 y por lo siguientes resultados
tanto se concluye que la modificación de los niveles de cada
uno de estos cambia la valoración obtenida al finalizar el TABLE VII. ANOVA DEL EXPERIMENTO 2K-1
proceso, ver Figura 3 FV Suma de Porcentaje
Cuadrados
Figura 3. Diagrama de Pareto estandarizado A:Factor_A+BC 0,559008 2,456 %
B:Factor_B+AC 0,603008 2,650%
C:Factor_C+AB 20,8297 91,532%
Error total 0,764933 3,371%
Total (corr.) 22,7566
Diagrama de Pareto Estandarizada para Valoración
Fuente: Autores
C:Caducidad +
-
AB
Figura 5. Diagrama de Pareto 2k-1
AC

ABC

B:Densidad
Diagrama de Pareto Estandarizada para Var_1
BC

A:Volumen
+
0 4 8 12 16 -
C:Factor_C+AB
Efecto estandarizado

B:Factor_B+AC

Fuente Autores A:Factor_A+BC

En la Tabla VI se observa que hay mayor significancia por 0 3 6 9 12 15

parte del factor C: caducidad y esto se debe a que generalmente Efecto estandarizado

los proveedores XXXXXX manejan diferente proceso de

XXXXXXXXX y tienen diferente terreno donde se realiza el Fuente: Autores
cultivo.

Adicionalmente, los resultados registrados en la Tabla X Al realizar el diseño fraccionado pudimos corroborar que el
permiten evidenciar que con la XXXXXXXXX se obtiene factor más significativo es el de la caducidad.
C. Conclusiones
El diseño de experimento es una herramienta que permite a las
industrias conocer un proceso, así como también averiguar la
manera en que diversos factores presentes influyen sobre los
resultados de este.
La aplicación del diseño factorial en el proceso de elaboración
de levoceterizina de la empresa objeto del presente estudio,
permitió identificar que los factores B:Densidad y
C:Caducidad, y todas las interacciones, influyen
significativamente en la valoración, y por lo tanto si se
modifican los niveles de estos, la valoración se afecta.
La optimización obtenida en el modelo indica que utilizando un
volumen, con un XXXXXX de aproximadamente XXXX se
obtiene el máximo número XXXXXXX.
Por lo tanto el modelo simplificado para optimizar la caducidad
de la levoceterizina está definida mediante:
Valoración= 100,362 + 0,0925 × Volumen − 0,26 ×
Densidad − 0,765 × caducidad − 0,5525 × Volumen ∗
Densidad + 0,484167 × Volumen ∗ Caducidad + 0,123333 ×
Densidad ∗ Caducidad − 0,284167 × Volumen ∗ Densidad ∗
Caducidad
REFERENCES
[1] D. Montgomery, Diseño y análisis de experimentos, USA: Editorial
Limusa Wiley. 2004, p.p. 1-681.
[2] H. Gutiérrez Pulido, R. De la Vara, Análisis y diseño de experimento,
México: Mcgraw Hill, 2008, p.p. 1-537.
[3] M. Tanco, E. Viles. Metodología para la aplicación del diseño de
experimentos (DoE) en la industria. Tesis para optar al grado de doctor.
España, 2008.
[4] R. Launsby, Understanding industrial designed Experiments. Cuarta
edición.
[5] G. Taguchi, System of Experimental Desing: Engineering Methods to
optimize Que and Relia Bility Engineering Internacional, 1993, p.p. 185-
202.
[6] Box, G.E.P. and K. B. Wilson, On the Experimental Attainment of
Optium Conditions Journal of the Royal Statistical Society, 1951, p.p. 1-
45.
[7] Lye, L. M, Design of Experiments in Civil Engineering: Are we still in
the 1920s, Proceedings of the 30th Annual Conference of the Canadian
Society for Civil Engineering, Montreal, Quebec, June. 2002.
[8] Juan Baldemar Garza Villegas Universidad de Monterrey, Av. Ignacio
Morones Prieto 4500 Pte., 66238 San Pedro Garza García, N.L. México.
[9] L. Ilzarbe, M. Tanco, E. Viles, M. Álvarez. El diseño de experimentos
como herramienta para la mejora de los procesos. Aplicación de la
metodología al caso de una catapulta. Revista Tecnura, No. 20, 2007.
[10] Cakmak, T., Dumlupinar R., Erdal, S. (2010). Acceleration of
germination and early growth of wheat and bean seedlings grown under
various magnetic field and osmotic conditions. Bioelectromagnetics, 31,
120-129. De Souza, A., Garcia, D., Sueiro, L.,
III. ANEXO SALIDA COMPLETA DE STATGRAPHICS
[11] Gilart, F. (2006). Pre-sowing magnetic treatments of tomato seeds
increase the growth and yield of plants. Bioelectromagnetics, 27(4 mayo),
247-275. Domínguez, H., Fong, A., Reguera, F.,
[12] Castillo, J. (1996). Estimulador electromagnético para cultivos in vitro
(BioNak-03). Patente de Invención. Centro Nacional de
Electromagnetismo Aplicado. Santiago de Cuba.
[13] Dubois, A., Fung-Boix, Y., Isaac-Alemán, E. (2007). Efecto del campo
electroelectromagnético en la callogénesis del cafeto (Coffea arabica L.).
Centro Agrícola, 34(4 octubre-diciembre), 71-75.
[14] Ferrer Dubois, A., Galberto Martins Da Costa, J., Lopes Seeger, R.,
Augusti Boligon, A., Linde Athayde, M., Rolim Campos, A., Batista
Teixeira Da Rocha, J. (2012). Antioxidant Effect of Stryphnodendron
rotundifolium Martius Extracts from Cariri-Ceará State (Brazil): Potential
Involvement in Its Therapeutic Use. Molecules, 17, 934-950.
[15] Fung-Boix, Y., Pimentel Victório, C., Salgueiro Lage, L., Alfarge
Defaveri, A., Olivera Arruda, R. (2010). Efecto de la aplicación de un
campo electromagnético sobre la germinación in vitrode semillas de
Rosmarinus officinalis L.. Biotecnología Vegetal, 10(2 abril – junio), 105
– 111.
[16] Ghodbane, S., Lahbib, A., Sakly, M., Abdelmelek, H. (2013). Bioeffects
of static magnetic fields: Oxidative Stress, genotoxic effects, and cancer
studies. BioMed Research International, 12 pp.,
doi:10.1155/2013/602987.
[17] Isaac-Alemán, E., Hernández, C., Domínguez, A., Cruz, A. (2011). Effect
of pre-sowing electromagnetic treatment on seed germination and
seedling growth in maize (Zea mays L.). Agronomía Colombiana, 29(2
mayo-agosto) 213-220.
[18] Isaac-Alemán, E., Ferrer-Dubois, A., Fung-Boix, Y. (2010). Efecto de la
aplicación de un campo electroelectromagnético sobre el contenido de
proteínas solubles y carbohidratos de embriones cigóticos de Coffea
Arabica L. cultivados in vitro. Biotecnología Vegetal, 10(1 enero –
marzo), 53 – 56.
[19] Badii, M.H., Castillo, J., Landeros, J., Cortez, K. (2007). Papel de la
estadística en la investigación científica. Innovaciones de Negocios, 4(1),
107-145.
[20] Montgomery, D. (2004). Diseño y Análisis de Experimentos. Editorial
Limusa, S.A.
[21] Montoya Márquez, J., Sánchez-Estudillo L., Torres Hernández P. (2011).
Diseños experimentales ¿qué son y cómo se utilizan en las ciencias
acuáticas? Ciencia y Mar, 15(43), 61-70.
[22] Nimmi, V., Madhu, G. (2009). Effect of pre-sowing treatment with
permanent magnetic field on germination and growth of chili (Capsicum
annun L.). Int. Agroph., 23,195-198.
[23] Pietruszewski, S., Muszynski, S., Dziwulska, A. (2007). Electromagnetic
field and electromagnetic radiation as non-invasive external stimulation
for seeds (selected methods and responses). International Agrophysics,
21, 95-100.
[24] Rochalska, M., Orzeszko Rywka, A. (2005). Magnetic field treatment
improves seed performance. Seed Science and Technology, 33 (3 octubre)
669-674.
[25] Rout, G.R., Mohapatra, A., Jain, S.M. (2006). Tissue culture of
ornamental pot plant: A critical review on present scenario and future
prospects. Biotechnology Advances, 4(6): 531-560.
[26] Vashisth, A., Nagajaran, S. (2008). Exposure of seed to static magnetic
field anhance germination and early growth characteristic in chickpea
(Cicer arietinum L.). Bioelectromagnetics, 29:571-578.