Capitulo Iv Diseño Experimental PDF

Jose Manzaneda Cabala
CAPITULO IV
PROGRESOS EN LA
APLICACIÓN DEL DISEÑO
EXPERIMENTAL
1. DISEÑO EXPERIMENTAL
Es difícil leer la bibliografía sobre el diseño experimental;
existen algunos conceptos tan vagos e inexplicables que
efectivamente confunden a un lector principiante.
Por esto me interesa enfatizar claramente que “EL DISEÑO

EXPERIMENTAL ES UN ASUNTO SUMAMENTE SENCILLO
Y PRÁCTICO CUANDO SE HACEN REGRESIONES EN
HOJA DE CÁLCULO”, será complicado si se intenta
resolver las ecuaciones por matrices; con regresión lineal
de Hoja de Cálculo se obtiene los mismos resultados en un
tiempo muy corto.
1.1.PAUTAS GENERALES
Inicialmente se recomienda tener algunas pautas generales

como las siguientes:
Página 1 de 47 JMC
1.1.1. FUNCIÓN RESPUESTA

También denominada función de rendimiento, es el
objetivo final de un proceso de investigación. En lo
posible debe procurarse que no sea un asunto
solamente teórico. Se debe estar seguro que si Z es una
función respuesta, depende a través de una función “f”
de variables controlables y no controlables.
Normalmente la forma de dicha función “f” es

desconocida, pero si se hiciera conocida, proporciona la
manera de conocer Z a distintos valores de las
variables, luego se podrían estimar valores máximos o
mínimos de Z.
Generalmente Z es una función polinómica que es

aproximadamente una SUPERFICIE DE RESPUESTA.
El modo más práctico para hallar esta relación entre la
respuesta y las variables independientes es haciendo
REGRESIÓN LINEAL, que es un procedimiento sencillo,
rápido y útil.
1.1.2. CERCA Y LEJOS DEL ÓPTIMO

La relación entre variables independientes y que
producen determinada respuesta crean un modelo. Los
distintos modelos tienen aplicación dependiendo la fase
en que se encuentra el estudio de investigación.
Normalmente se distinguen dos fases:
 Lejos del Óptimo: No se tiene mayor conocimiento

previo o deliberadamente nos ubicamos lejos del
óptimo (imaginar las faldas de un cerro) para
desarrollar en esa región conocidos arreglos o diseños
experimentales, a esa etapa se le denomina
“screenning” o de “selección de variable”. Su aspecto
más importante es determinar de muchas variables,
cuáles son las más importantes e influyentes para el
objetivo.
Página 2 de 47 JMC
 Cerca del Óptimo: Es una fase final del estudio en

que para 2 o 3 variables se aplican modelos de
segundo orden Tipo Hexagonal, Octogonal y
Composito Central.
1.1.3. RANGO DE LAS VARIABLES

Toda variable que interviene en una investigación tiene
un rango de aplicación, el punto central, el valor máximo
y otro mínimo, la distancia del centro a cualquier extremo
es conocida como “radio”, se usa valores codificados –1,
0, +1 para representar a dicho rango real. La expresión
que relaciona los valores reales y codificados esta
indicada en (1).
El asunto de mayor importancia es que el punto central

de un rango debe ser un valor histórico conocido y la
amplitud del rango escogida con sumo cuidado,
especialmente la tendencia debe ser escoger valores
soportados por la experiencia práctica de uso.
Ejemplo: si conocemos que la rotación de un agitador

esta entre 1200 a 1700 RPM, y escogemos para esa
variable un rango muy ajustado como 1600 a 1700 RPM
simplemente estaremos forzando la eliminación de la
variable para el estudio. Si el colector xantato tiene un
consumo histórico de 200 gr/TM, un rango entre 10 y
290 gr/TM resulta irreal para un caso práctico.
Considero que de la elección de los rangos de las
variables depende un 90% de la aplicación del DISEÑO
EXPERIMENTAL.
1.1.4. DISEÑOS EXPERIMENTALES

Son formas ordenadas en las cuales se distribuyen las
pruebas, que generalmente tienen una forma geométrica
regular; las variables se mueven a través de un rango. En
la etapa “screenning” se usan los arreglos factoriales, los
factoriales fraccionados y las plantillas Planckett
Burmann.
Página 3 de 47 JMC
1.2. OBJETIVOS DE APLICAR EL

DISEÑO EXPERIMENTAL
El primer objetivo es mostrar que, usando el

razonamiento del diseño experimental en las
investigaciones, es posible aprovechar los resultados de
las mismas con la finalidad de hacer una proyección para
un trabajo a escala industria. El diseño experimental, que
usa muchas variables a la vez, puede detectar inclusive la
influencia de las interacciones entre ellas. Esto no ocurre
cuando se investiga variando solo una variable a un
tiempo, además el sistema es mas práctico en evitar la
tendencia normal del operador durante la investigación.
El segundo objetivo es mostrar una manera ordenada de

generar investigación experimental, que estoy convencido,
sirve para todas las especialidades de la Ciencia e
Ingeniería y que frecuentemente no se usa por causas
aun no establecidas. Este acápite debe mostrar que la
parte humana es realmente el aspecto de mayor
importancia, ya que el diseño experimental es sólo la
aplicación de una plantilla y el análisis estadístico de la
regresión es automático. Pero si los rangos elegidos no
son los adecuados – por falta de experiencia del
investigador- los resultados no serán favorables.
Investigar con diseño experimental es determinar la

distribución de experimentos que conviene usar para
poder hacer un mejor estudio de las variables al mismo
tiempo, determinando la influencia de cada una sobre el
resultado o función objetivo, que en caso general de
flotación de minerales podrían ser: Grados de
concentrados, recuperaciones, desplazamiento, etc.
1.3. ESQUEMA DEL DISEÑO EXPERIMENTAL

De acuerdo al Esquema del Diseño Experimental es
posible distinguir dos grandes rutas, diferentes y
excluyentes entre sí:
Página 4 de 47 JMC
Los DISEÑOS DINÁMICOS que son factoriales

secuenciales entre ellos el EVOP, SSEVOP; son pequeñas
variaciones en el rango de las variables para lograr
mejorar resultados sucesivamente. Se inician con un
simplejo o pruebas con variables codificadas en un
triángulo descartando en cada vez la peor respuesta
siguiendo la ruta contrapuesta conformando nuevamente
otro simplejo y así avanzando hasta la respuesta
mejorada paulatinamente (normalmente la secuencia
termina en una figura poligonal cerrada).
Para lograr resultados favorables es necesario que la

materia prima sea constante, equivalente en minería a
que la ley de cabeza no varíe y ello es difícil de lograr, por
esta razón estos son de poca utilidad.
La otra ruta es la de DISEÑOS ESTÁTICOS, que se usan

en laboratorio o en escala de pilotaje. En este esquema
del Diseño estático se distinguen dos grandes etapas
(recomendablemente secuenciales) ambas
complementarias, la PRIMERA o de SELECCIÓN DE
VARIABLE que es el primer intento de estudiar y
determinar la significancia de cada una de la mayor parte
de variables y determinar su influencia metalúrgica
alrededor de la respuesta elegida usando como estadístico
de discreción el ”t-student”. La SEGUNDA ETAPA o de
OPTIMIZACIÓN, en la que con el uso de modelos
cuadráticos se ajusta un modelo en dos o tres variables
como máximo, estimando finalmente los mejores valores
de las variables para lograr un valor máximo en la
respuesta elegida, usando en este caso, como estadístico
de discreción el “F”.
Entonces, la primera escala descarta variables que no

son influyentes e identifica dos o tres sobre las cuales se
debe trabajar para modelos de optimización generalmente
cuadráticos.
Página 5 de 47 JMC
2. PRIMERA ETAPA:
SELECCIÓN DE VARIABLE
Para esta etapa se cuenta con los DISEÑOS FACTORIALES
2n si las variables son 2 y 3, al incrementar el número de
variables entre 4 y 5 se usan los FACTORIALES
FRACCIONADOS MITAD Y UN CUARTO (son diseños
factoriales recortados en bloques y que evitan hacer un
mayor número de pruebas como lo indicaría un factorial
2n).
Si el número de variables crece mas, será necesario usar

plantillas de diseño tipo PLANCKETT-BURMANN que
permiten estudiar hasta 20 variables con un mínimo de 22
pruebas, pero el criterio de las plantillas es el mismo: evitar
un gran número de pruebas de factorial 2n por bloqueo de
columnas codificadas que tienen la misma distribución de
signos (en el lenguaje técnico se conoce como “aliases”).
Las plantillas normalmente aparecen en variable codificada

siendo – 1 el rango real inferior elegido y +1 el rango
superior, 0 expresa el punto central y la relación entre
variable real y codificada es la siguiente:
Vcod = Vreal – Valor Central......(1)

Radio
Donde:
Vcod = es el valor codificado

Vreal = valor de la variable en unidades
reales elegidas
Valor Central = el centro del rango real elegido
Radio = distancia en el rango del centro a
un extremo en valor real.
Página 6 de 47 JMC
Se reconoce una plantilla porque cada columna

correspondiente a cada variable suma siempre CERO. El
anexo II muestra plantillas de diseños a los que nos
estamos refiriendo.
2.1.PLANTILLAS MAS CONOCIDAS EN

2.1.1.FACTORIAL CON DOS VARIABLES

2@2 = 4 PRUEBAS
PRUEBA X1 X2
1 -1 -1
2 1 -1
3 -1 1
4 1 1
2.1.2.FACTORIAL CON TRES VARIABLES

2@3 = 8 VARIABLES
PRUEBA X1 X2 X3
1 -1 -1 -1
2 1 -1 -1
3 -1 1 -1
4 1 1 -1
5 -1 -1 1
6 1 -1 1
7 -1 1 1
8 1 1 1
Página 7 de 47 JMC
Cuando son mas de cuatro variables se usan diseños

factoriales fraccionados para evitar hacer un mayor
número de pruebas:
2.1.3.CON 4 VARIABLES, FRACCIONANDO MITAD

DE 2@4 = 8 PRUEBAS
PRUEBA X1 X2 X3 X4
1 -1 -1 -1 -1
2 1 1 -1 -1
3 1 -1 1 -1
4 -1 1 1 -1
5 1 -1 -1 1
6 -1 1 -1 1
7 -1 -1 1 1
8 1 1 1 1
2.1.4.CON 5 VARIABLES, FRACCIONANDO

UN CUARTO DE 2@5 = 8 PRUEBAS
PRUEBA X1 X2 X3 X4 X5
1 -1 -1 -1 -1 -1
2 1 -1 -1 1 -1
3 -1 -1 1 -1 1
4 1 -1 1 1 1
5 1 1 -1 -1 1
6 -1 1 -1 1 1
7 1 1 1 -1 -1
8 -1 1 1 1 -1
2.1.5.CON MAS DE 6 VARIABLES

Se utilizan las plantillas de Planckett Burmann.
Página 8 de 47 JMC
2.1.6.PLANTILLA CON 8 PRUEBAS

Análisis por regresión hasta 6 variables:
PRUEBA X1 X2 X3 X4 X5 X6 X7
1 1 1 1 -1 1 -1 -1
2 1 1 -1 1 -1 -1 1
3 1 -1 1 -1 -1 1 1
4 -1 1 -1 -1 1 1 1
5 1 -1 -1 1 1 1 -1
6 -1 -1 1 1 1 -1 1
7 -1 1 1 1 -1 1 -1
8 -1 -1 -1 -1 -1 -1 -1
2.1.7.PLANTILLA CON 12 PRUEBAS

Análisis para regresión hasta 10 variables:
PRUEBA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11

1 1 1 -1 1 1 1 -1 -1 -1 1 -1
2 1 -1 1 1 1 -1 -1 -1 1 -1 1
3 -1 1 1 1 -1 -1 -1 1 -1 1 1
4 1 1 1 -1 -1 -1 1 -1 1 1 -1
5 1 1 -1 -1 -1 1 -1 1 1 -1 1
6 1 -1 -1 -1 1 -1 1 1 -1 1 1
7 -1 -1 -1 1 -1 1 1 -1 1 1 1
8 -1 -1 1 -1 1 1 -1 1 1 1 -1
9 -1 1 -1 1 1 -1 1 1 1 -1 -1
10 1 -1 1 1 -1 1 1 1 -1 -1 -1
11 -1 1 1 -1 1 1 1 -1 -1 -1 1
12 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
Página 9 de 47 JMC
2.2. ESTRATEGIA PARA INVESTIGAR

EN SELECCIÓN DE VARIABLE
La estrategia propuesta para una investigación en

SELECCIÓN DE VARIABLE es:
1. Elegir las variables da mayor influencia hacia

determinada respuesta, o pueden ser varias
respuestas caso de Flotación, Recuperación, grado de
concentrado, desplazamiento, etc.
2. Según el número de variables elegir la plantilla

adecuada.
3. Escoger los rangos reales de las variables lo mas

ajustadamente posible a la experiencia metalurgia.
4. Realizar las pruebas de la plantilla por sorteo a fin de

evitar tendencias.
5. Análisis estadísticos de resultados para hallar la

significancia, esta puede hacerse por el método de
signos, Yates, etc., ambos manuales pero ahora con la
aparición de la hoja de cálculo es mejor usar
REGRESIÓN LINEAL en cuyo caso se puede alimentar
la matriz de variables independientes en valor real o
en codificado los resultados serán similares aunque
los coeficientes variarán de acuerdo a la relación de
transformación citada (1).
6. Elegidas las dos o tres variables mas influyentes en la

respuesta, planificar un diseño de optimización con
modelos cuadráticos: Hexagonal, octogonal o
composito central.
Página 10 de 47 JMC
2.3. EJEMPLOS DE APLICACIÓN DE

2.3.1.USO DE SELECCIÓN DE VARIABLE EN

PRUEBA ESTANDAR DE LABORATORIO
Se desarrolla el siguiente diseño a fin de establecer
como influyen 7 variables sobre los resultados de una
flotación Batch y determinar su significancia sobre las
funciones respuesta elegidas; al mismo tiempo
usando dos nuevas variables (Ditiofosfatos 242 y A-
301) determinar sus posibilidades de aplicación.
Las variables y sus respectivos rangos fueron las

siguientes:
- Sulfato de cobre 400 a 600 gr/tm

- Xantato amílico 180 a 240 gr/tm
- Soda cáustica 30 a 60 gr/tm
- Cal 2000 a 4000 gr/tm
- Tiempo de acondicionamiento 0 a 5 gr/tm
- Cianuro de sodio 30 a 90 gr/tm
- Sulfato de zinc 50 a 150 gr/tm
- Ditiofosfato 1242 0 a 30 gr/tm
- A-301 0 a 20 gr/tm
La plantilla será Planckett Burmann para 9 variables

con 12 pruebas:
# X1 X2 X3 X4 X5 X6 X7 X8 X9
1 1 1 -1 1 1 1 -1 -1 -1
2 1 -1 1 1 1 -1 -1 -1 1
3 -1 1 1 1 -1 -1 -1 1 -1
4 1 1 1 -1 -1 -1 1 -1 1
5 1 1 -1 -1 -1 1 -1 1 1
6 1 -1 -1 -1 1 -1 1 1 -1
7 -1 -1 -1 1 -1 1 1 -1 1
8 -1 -1 1 -1 1 1 -1 1 1
9 -1 1 -1 1 1 -1 1 1 1
10 1 -1 1 1 -1 1 1 1 -1
11 -1 1 1 -1 1 1 1 -1 -1
12 -1 -1 -1 -1 -1 -1 -1 -1 -1
Las pruebas de flotación tuvieron los siguientes resultados:
Grado Grado
PRUEBAS Rec. Pb Rec. Zn Rec. Ag Rec. Cu
Pb Zn
1 64.6 66.3 56.3 24.4 41.7 26.0
2 52.6 48.1 45.8 14.5 53.3 34.7
3 50.6 73.7 44.3 26.9 46.2 22.4
4 51.4 65.1 51.6 24.0 44.0 33.2
5 66.8 39 62.1 37.3 32.4 19.8
6 55.4 40.9 49.7 19.7 48.2 34.8
7 63.7 32.5 54.5 38 36.1 22.6
8 40.6 61.0 36.5 24 47.2 28.0
9 57.6 68.1 50.1 30.8 35.9 23.6
10 32.7 59.3 31.5 19.4 44.4 28.2
11 59.4 79.7 51.9 23.2 45.2 25.4
12 63.8 52.8 56.2 23.5 42.6 26.0
A. COMO SE HACE LA REGRESIÓN
Cada prueba según la plantilla tiene una respuesta.

Estas respuestas en bloque serán las variables
DEPENDIENTES, toda la plantilla serán las variables
INDEPENDIENTES; estas son las dos condiciones
suficientes para proceder a una REGRESIÓN en
cualquier Hoja de cálculo (LOTUS 123, QPRO,
EXCEL).
Cuando se usan variables codificadas los coeficientes

estarán en unidades codificadas, así se desea
coeficientes para usar valores reales, estos
coeficientes se deben descodificar con la relación ya
conocida (1).
Para hacer la regresión, cuando se solicite variables

independientes se ingresa la plantilla completa de las
variables X, luego el valor de las variables
dependientes será la respuesta elegida Y. El paso tres
será elegir en que lugar de la hoja se desea la
respuesta y finalmente ordenar ejecutar la regresión,
por ejemplo para el grado de concentrado de plomo se
obtiene la siguiente regresión:
GRADO DE PLOMO
- REGRESIÓN OUTPUT
Constant 43.1
Std err of Y Est 2.269
R squared 0.973
No. observ. 12
Degrre of freedom 2
X coeficients
SO4Cu KAX TAC SODA CAL A242 CNNa SO4Zn A301
0.9 -2.2 3.617 -0.17 2.15 -1.95 -0.8 -0.72 -1.62
Est. err of Coef.

0.655 0.655 0.655 0.655 0.655 0.655 0.655 0.655 0.655
Tstudent
1.37 -3.36 5.523 -0.25 3.26 -2.95 -1.22 -1.09 -2.47
En la misma se deben observar los siguientes aspectos
1. El término R squared que es la correlación, en

selección de variable podría estar aceptable mayor a
0.8, con lo que el student resultara significativo.
2. La fila correspondiente al “T student” no sale

automáticamente en regresión, debe ser calculada
dividiendo el coeficiente entre su error estándar, así
para el sulfato de cobre SO4Cu, el t student será
0.9/0.655=1.37. Se calcula para todas las variables.
3. Cada t – student será la significancia de la variable

para la respuesta en regresión y se debe comparar
contra un t de tabla en valor absoluto.
Procediendo similarmente para cada respuesta se

obtiene el siguiente cuadro de T student:
Rpta. SO4Cu KAX TAC SODA CAL A242 NaCN SO4Zn A301
Grado Pb 1.37 -3.36 5.52 -0.25 3.28 -2.95 -1.22 -1.09 -2.47
Grado Zn 4.03 -3.38 2.73 -1.18 2.62 -3.22 1.62 -1.37 -0.26
Rec. Pb -0.45 1.53 -3.12 -0.57 0.04 -0.13 -0.69 -1.91 0.23
Rec. Zn -1.05 2.30 2.12 0.17 0.92 -0.35 0.16 -0.15 -1.27
Rec. Cu -2.71 3.18 -4.28 0.03 -3.29 2.69 0.27 1.35 3.18
Rec. Ag 0.19 2.23 -3.57 -1.35 -0.52 -0.27 -0.64 -2.24 0.57
Se procede a eliminar todos los que en valor absoluto

son menores al t de tabla que para 12 pruebas y al 95%
es 1.782, descartando se tiene el siguiente cuadro:
Rpta. SO4Cu KAX TAC SODA CAL A242 NaCN SO4Zn A301
Grado Pb -3.36 5.52 3.28 -2.95 -2.47
Grado Zn 4.03 -3.38 2.73 2.62 -3.22
Rec. Pb -3.12 -1.91
Rec. Zn 2.30 2.12
Rec. Cu -2.71 3.18 -4.28 -3.29 2.69 3.18
Rec. Ag 2.23 -3.57 -2.24
El número t student se interpreta del siguiente modo:
1. A mayor valor es mas significativo sobre la

respuesta.
2. El signo es la característica metalúrgica, si es

positivo quiere decir que incrementos en la variable
incrementan la respuesta, y si es negativo significa
lo contrario.
El siguiente es un análisis de los resultados de este

último cuadro.
B. ANÁLISIS ESTADÍSTICO DE RESULTADOS

Luego de hacer las regresiones para grados de plomo,
zinc, recuperaciones de plomo, zinc, cobre, plata, etc.;
estimados los factores t-student para cada variable
(división entre coeficientes y error estándar de la
regresión) – como se muestra en el anexo II -, cada
variable será importante sobre la respuesta elegida si
en valor absoluto es mayor que el T de tabla que para
este caso es 1.782 al 95%.
El análisis general de la influencia de cada variable

respecto a la flotación de los valores sería interpretado
así:
 SULFATO DE COBRE
Es muy importante para el grado de concentrado de
Zinc (+4.03) –es obvio- y de influencia negativa en la
recuperación de cobre (-2.71) y ello se interpreta porque
la recuperación de cobre se cuantifica en el circuito de
plomo, entonces debe haber cierta relación mineralógica
entre el cobre y el zinc inconveniente para su
recuperación en el circuito de plomo.
 XANTATO AMÍLICO DE POTASIO KAX

Referente a la flotación en el circuito de plomo, en el
grado influye negativamente (-3.36) es posible arrastre
mucho fierro por no ser selectivo para la recuperación
de plomo es no considerada significante (1.53 menor
que 1.782), lo que sugiere que este xantato
posiblemente no sea el adecuado para este tipo de
mineral en este circuito. Sobre las recuperaciones de
cobre y plata influye positivamente (+3.18, +2.23)
posiblemente por ser bastante fuerte y poco selectivo.
En el circuito de zinc, influye negativamente en el grado

de concentrado (-3.38) porque el exceso flotara fierro,
pero asegura recuperación (2.30). Es posible que un
buen esquema de colector primario sea un xantato
isopropílico Z-11 en las etapas rougher y el
agotamiento con xantato amílico Z-6, para ambos
circuitos.
C. TIEMPO DE ACONDICIONAMIENTO
En el circuito de plomo influye mucho en el grado
(+5.52) pero a la vez repercute negativamente en la
recuperación (-3.12) y en el mismo circuito con respecto
a los valores de cobre y plata influye negativamente en

la recuperación (-4.28,-3.57).Puesto que el grado de
plomo puede ser mejorado en las etapas de limpieza, la
opción es un mínimo tiempo de acondicionamiento en
resguardo de la recuperación general de este circuito.
Para la flotación de zinc el tiempo de acondicionamiento

es favorable tanto para el grado como para la
recuperación (2.12), sería previsible hasta un doble
acondicionamiento.
 SODA CÁUSTICA
Este regulador de pH no resulta importante para
ningún parámetro, puede ser dejado de lado.
 CAL
En el circuito de plomo es importante para el grado
(+3.28) quizá debido a la gran cantidad de fierro en la
mena, para la recuperación de plomo no es significante,
para las recuperaciones de cobre y plata tendría un
efecto negativo (-3.29, -0.52). En el circuito de zinc es
importante para el grado (+2.62), no significante para la
recuperación.
En resumen, la flotación del circuito de plomo sería

ligeramente alcalina pH 8 a 9, las limpiezas de zinc
necesariamente serían en pH 12.
 CIANURO DE SODIO Y SULFATO DE ZINC

Ambos no muestran un esquema lógico debido a que
son depresores típicos del circuito, posiblemente el
evaluarlos independientemente los haga no
significantes, es necesario insistir en el uso y
evaluación en mezcla. Pero de todos modos la tendencia
en planta industrial será a disminuir su consumo al
mínimo.
 DITIOFOSFATO DE AR-1242
Este colector fue probado como auxiliar y resulto
fuertemente negativo (-2.95, -3.22) para los grados de
concentrado de plomo y zinc, explicando
desplazamientos indebidos que generalmente ocurren
por su contenido de ácido cresílico, pero mejora la
recuperación de cobre (+2.69), posiblemente sea un
buen colector auxiliar cuando el cobre incrementa en
mena.
 COLECTOR AUXILIAR A-301

Mejora la recuperación de cobre (+3.18) pero influye
negativamente en el grado de plomo (-2.47), resultaría
un mejor auxiliar para cobre que el AR-1242, con
posibilidades de optimizar por un diseño cuadrático,
previo a su aplicación industrial.
2.3.2. APLICACIÓN DE SELECCIÓN DE

VARIABLE EN INVESTIGACIÓN
EN CELDA COLUMNA DE LABORATORIO
Analiza un diseño experimental realizado para explicar
la ventaja de uso de la flotación en columna para la
limpieza de concentrados de molibdenita, a partir de
una mena de 0.3% de MoS 2, 2% de pirita, 0.5% de
esfalerita y 0.1% de galena diseminadas en una matriz
de cuarzo-feldespato, la molienda fue realizada a 80%-
malla 200.
La columna de laboratorio que usaron para el estudio

fue de 2” de diámetro y 26 pies de largo acondicionada
completamente con medidores de flujo para control de
flujos de ingreso y salida.
En la investigación se usaron 7 variables con los

siguientes rangos:
VARIABLE RANGO
A % Sólidos en pulpa 39 a 52
B Espumante (*) 0.02 a 0.04 lb/tm
C Kerosene 0.04 a 0.08 lb/tm
D Alimentación constante 60 lb/hora
E Volumen de aire 0.8 a 1.2 pie3/hora
F Altura de espumas 2.0 a 4.0 pies
G Agua de Lavado 50 a 60 lb/hora
(*) Espumante: mezcla de D250 con aceite de pino
Las mismas fueron distribuidas de acuerdo a la

plantilla tipo Planckett Burmmann del anexo III, se
analizaron las funciones respuestas: Recuperación
de Molibdenita, Contenido de Sílice en el
concentrado y Grado de Molibdenita en el
concentrado.
PRUEBA %SOLID. ESPUM. KEROSE ALIM. AIRE ESPESOR AGUA
1 1 1 1 -1 1 -1 -1
2 1 1 -1 1 -1 -1 1
3 1 -1 1 -1 -1 1 1
4 -1 1 -1 -1 1 1 1
5 1 -1 -1 1 1 1 -1
6 -1 -1 1 1 1 -1 1
7 -1 1 1 1 -1 1 -1
8 -1 -1 -1 -1 -1 -1 -1
Las respuestas de la investigación fueron las

siguientes:
PRUEBA Rec MoS2 % Silice % MoS2
1 90.1 43.4 10.9

2 85.8 47.8 15.5
3 86.8 29.2 23.3
4 88.0 37.7 15.6
5 86.8 31.5 21.6
6 85.1 27.8 19.8
7 90.3 36.5 8.8
8 86.8 29.4 18.9
Se hace la regresión alimentando columnas; solo las

6 primeras para tener suficientes grados de libertad
y proceder a la regresión para cada respuesta:
Recuperación de molibdenita, Ley de sílice y Ley de
Molibdenita. Se obtienen los siguientes valores de t
student:
% SOLID ESPUM KEROSE ALIM. AIRE ESPESOR
Rec. MoS2 -0.08 1.05 0.59 -0.45 0.04 0.49

Ley Sílice 12.06 27.9 -5.59 2.29 -1.47 -7.94
Ley de MoS2 0.59 -2.3 -0.63 -0.21 00.1 0.3
Comparando con el t de tabla para n=8 y al 95% es

1.86 se tiene el siguiente cuadro de resumen:
% SOLID ESPUM KEROSE ALIM. AIRE ESPESOR
-5.59 12.06 27.9 -5.59 2.29 -7.94

-2.3
*ANÁLISIS ESTADÍSTICO DE RESULTADOS

Efectuada la regresión de la matriz de variables
respecto de las tres respuestas elegidas (ver anexo II)
se tiene las siguientes correlaciones según la
respuesta:
FUNCION RESPUESTA CORRELACIÓN
Recuperación Molibdenita 0.654961

Ley de Sílice 0.999028
Grado de Molibdenita 0.864371
Las correlaciones estarían indicando que las

variables operativas estudiadas de celda columna
orientan directamente su resultado hacia explicar la
cantidad de Sílice o insoluble en el concentrado
(correlación 99.9028%) que ratifica la esencia de

aplicación de celda columna la cual es disminuir el
insoluble en concentrados.
Al disminuir el insoluble lo que se esta mejorando es

el grado de concentrado de molibdenita, por ello
tiene una correlación intermedia (86.4371%);
también se ratifica que la aplicación de esta celda no
influirá en una mejor Recuperación de molibdenita
(correlación 65.4961%).
Es notorio que la significancia de las variables de

acuerdo al estadístico t-student solo supera al t de
tabla 1.86 en el caso de la regresión del contenido de
Sílice en el concentrado siendo el siguiente en orden
de importancia:
VARIABLE T-STUDENT
Espumante 27.941
%sólidos 12.059
Espesor de espuma -7.941
Kerosene -5.588
Alimentación 2.294
De los resultados se infiere que para una limpieza

positiva de insolubles en operación de celda
columna se debe controlar el espumante a usar
(+27.941) debido a que, mayores cantidades
promueven la flotación de Sílice, el porcentaje de
sólidos tiene una relación directa (+12.059). Así, en
pulpas más densas habría menor posibilidad de
evitar que los insolubles floten en los concentrados
de molibdenita.
En lo que se refiere a las otras variable significativas

podemos decir que a menor columna de espuma
habrá una mayor flotación de insolubles (-7.941) y
que el kerosene ayuda en la selectividad de la
flotación de molibdenita respecto de los insolubles
(-5.588).
2.3.3. OTROS CASOS DE APLICACIÓN DE

SELECCIÓN DE VARIABLES
A continuación se revisan algunos casos de uso de
selección de variable, rápidamente se pueden concluir las
ventajas del uso de este sistema, es diferente porque se usa
Regresión en Hoja de Cálculo y no se usa resolución por
matrices.
A. DISEÑO FACTORIAL EN TRES VARIABLES

TOQUEPALA
Se hace un estudio para comparar la performance del
colector Ap3302 contra otros dos colectores, AR3304 y
Xantato Z6, la prueba es en el estándar SPCC.
Variable X1 = AP 3302
Variable X2 = AR 3304
Variable X3 = Xantato Z6
Los parámetros constantes, fueron:
Xsecbutilico 0.018
Alk 0.063
% Sólidos 33.9
%+m65 25.9
Espumante 16dp.
Colector en estándar AP3302 y Z11
Rangos de las variables:
MÍNIMO REAL MÁXIMO REAL

VARIABLE
LB/TC LB/TC
X1 0 0.0085
X2 0 0.0127
X3 0 0.0180
La plantilla utilizada es factorial 2^3 =8pruebas, y las

respuestas logradas fueron:
REC. REC.
PRUEBA X1 X2 X3 SUMA
Cu MOLY
1 0 0 0 88.76 67.11 155.87
2 0.0069 0 0 87.99 65.78 153.77
3 0 0.0134 0 90.43 70.47 160.90
4 0.0069 0.0134 0 90.71 73.48 164.19
5 0 0 0.0182 90.26 74.12 164.38
6 0.0069 0 0.0182 90.00 73.14 163.14
7 0 0.0134 0.0182 91.25 74.53 165.78
8 0.0069 0.0134 0.0182 90.86 71.65 162.51
La regresión en Hoja de cálculo muestra la siguiente

respuesta:
SALIDA DE REGRESIÓN
Constante 157.07
Err. Stand. Y 3.134
R cuadrado 0.696
No Observ. 8
Grados Libertad 4
X1 X2 X3
Coeficiente X -93.2584 302.611 289.560
Err. St. De Coef. 249.01 162.388 121.769
T studentt -0.375 1.830 2.378
T de Tabla para n=8, 95% = 1.86
La función respuesta evaluada fue la suma de

recuperaciones cobre y molibdenita, se usó una
combinación de variables de modo que exista todas las
posibilidades como puede observarse en la plantilla. El
análisis T-student indicaría que con 70% de correlación
o certeza los reactivos AR 3304 y Z6 son mas
significativos que el AP 3302 en la respuesta elegida.
B. FLOTACIÓN EXPERIMENTAL
EN C.M. HUARON
Se realiza una investigación sobre la significancia de las
variables mas importantes de Planta concentradora, en
los siguientes rangos reales en gr/TM:
VARIABLE MÍNIMO MÁXIMO CENTRO

Sulfato de Zinc 100 252 176
NaCN 10 20 15
Z6 5 29 17
A31/A208 15 51 33
ER 300 2 6 4
La plantilla utilizada fue un factorial fraccionado ¼ de 8

pruebas, las recuperaciones de Pb y Cu en cada prueba
fueron:
PRUEBA X1 X2 X3 X4 X5 REC.Pb REC.Cu
1 -1 -1 -1 -1 -1 15.90 46.97
2 1 -1 -1 1 -1 63.81 69.68
3 -1 -1 1 -1 1 49.56 61.76
4 1 -1 1 1 1 75.30 82.11
5 1 1 -1 -1 1 36.60 58.56
6 -1 1 -1 1 1 67.04 73.64
7 1 1 1 -1 -1 40.17 50.22
8 -1 1 1 1 -1 57.44 72.40
Las regresiones para Recuperación de Plomo y Cobre

son las siguientes:
RECUPERACIÓN DE PLOMO
Regression Output
Constant –3.07
Err. St of Y 9.12
R squared 0.94
No de observaciones 8
Degrees of Freedom 2
SO4Zn NaCN Z6 A31/A208 ER 300

Coeficiente X 4.27 -0.83 8.15 0.84 3.20
Err. St. De Coef. 4.24 6.45 5.37 0.18 1.61
Tstudentt 1.01 -0.13 1.52 4.71 1.98
RECUPERACIÓN DE COBRE
Regresión Output
Constant 34.15
Err. St of Y 2.65
R squared 0.99
No de observaciones 8
SO4Zn NaCN Z6 A31/A208 ER 300

Coeficiente X 0.95 -1.43 3.68 0.56 2.30
Err. St. De Coef. 1.23 1.87 1.56 0.05 0.47
Tstudentt 0.78 -0.76 2.36 10.74 4.92
Analizando los estadísticos t student, comparando

contra el t de tabla 1.86, se puede observar que las
variables de mayor importancia para recuperación de
plomo y cobre en el bulk investigado es la combinación
A31/A208 y le sigue en importancia el espumante
ER300. El análisis indicaría también que en ese rango
el cianuro no tiene una significancia especial.
C. EVALUACIÓN DE COLECTORES
EN BHP TINTAYA
Se hace un diseño factorial 2^3 para comparar tres

reactivos y su efecto sobre grado y recuperación de
cobre para los minerales de Tintaya, las condiciones del

estándar se protegen a requerimientos de los
interesados, las variables tienen los siguientes rangos:
MÍNIMO REAL MÁXIMO REAL

VARIABLE
gr/TM gr/TM
Z200 0 10
AR 3306 0 10
AP 6697 0 10
Utilizando el orden de la plantilla del factorial 2^3 de 8

pruebas se lograron los siguientes resultados:
REC. Cu REC, Cu GRADO

PRUEBA
Ro I ACUM. Cu Ro I
1 50.66 58.43 20.90
2 56.19 71.87 23.63
3 41.38 53.97 22.92
4 51.56 70.93 23.83
5 36.33 47.92 22.60
6 58.65 73.85 23.93
7 47.81 63.90 22.22
8 48.68 72.27 24.94
Las regresiones para estas tres respuestas son las

siguientes:
RECUPERACIÓN DE COBRE Ro. I

Regresión Output
Constant 48.92
Err. St of Y 6.28
R squared 0.576
No. de observaciones 8
Z200 AR 3306 AP 6697

Coeficiente X 4.85 -1.54 -1.03
Err. St. De Coef. 2.225 2.225 2.225
Tstudentt 2.18 -0.69 -0.46
RECUPERACIÓN DE Cu ACUMULADO
Regresión Output
Constant 64.1425
Err. St of Y 5.7247
R squared 0.802992
Z200 AR 3306 AP 6697

Coeficiente X 8.0875 1.125 0.3425
Err. St. De Coef. 2.024 2.024 2.024
Tstudentt 4.00 0.56 0.17
RECUPERACIÓN DE COBRE I ROUGHER

Regresión Output
Constant 23.12125
Err. St of Y 0.6419
R squared 0.8471
Z200 AR 3306 AP 6697

Coeficiente X 8.0875 1.125 0.3425
Err. St. De Coef. 2.024 2.024 2.024
Tstudentt 4.00 0.56 0.17
Analizando los t student se puede asegurar que el Z200

es mejor que el 3306 y 6697 en grado y recuperación de
cobre, la diferencia es muy fuerte en cuanto al t-
student y siempre el signo es positivo. Las proyecciones

son indudables.
D. EVALUACIÓN DE LA ALCALINIDAD
EN MILPO
Se aplicó un diseño fraccionado ¼ de 8 pruebas mas

una al centro para ganar un grado de libertad por si se
desea analizar interacciones, el objetivo principal del
estudio era determinar la influencia del pH en la
flotación de plomo y si realmente era necesario el
elevado consumo de sulfato de zinc.
La plantilla codificada fue la siguiente:
PRUEBA X1 X2 X3 X4 X5
1 -1 -1 -1 -1 -1
2 1 -1 -1 1 -1
3 -1 -1 1 -1 1
4 1 -1 1 1 1
5 1 1 -1 -1 1
6 -1 1 -1 1 1
7 1 1 1 -1 -1
8 -1 1 1 1 -1
9 0 0 0 0 0
Las variables elegidas y sus rangos:
VARIABLE CODIGO MÍNIMO CENTRO MÁXIMO UNIDADES

A25 X1 8 10 12 gr/TM
Z11 X2 0 1 2 gr/TM
MOLIENDA X3 8.5 9 9.5 minutos
PH X4 7 8 9
SO4Zn X5 300 400 500 gr/TM
Los resultados de las pruebas fueron los siguientes:
REC. REC. GRADO GRADO DESP. DESP.

# Ag Pb Ag. Pb. Zr Fe.
1 44.25 53.28 24.5 19.2 5.85 14.51

2 58.97 71.17 59.8 49.2 3.51 2.28
3 38.33 43.50 30.1 23.1 3.45 8.87
4 61.99 76.08 58.9 48.1 4.11 2.49
5 36.51 40.27 30.6 22.6 2.96 8.46
6 51.21 63.02 64.5 53.6 2.42 1.49
7 60.80 69.99 23.6 18.1 7.16 22.54
8 60.95 70.11 60.4 48.7 4.33 2.43
9 66.46 78.28 60.1 46.8 4.74 2.71
Hechas las regresiones, calculado el t student para

cada respuesta se tiene el siguiente cuadro resumen:
RESPUESTA A25 Z11 MOLIEN. pH SO4Zn

Rec. Plata 0.89 0.22 1.16 1.99 -1.38
Rec. Plomo 0.80 -0.02 0.92 2.12 -1.20
Grado Plata -0.26 0.23 -0.25 5.31 0.62
Grado Plomo -0.36 0.19 -0.36 6.43 0.67
Desplaz. Zn 0.53 -0.02 1.35 -1.59 -2.49
Desplaz. Fe 0.60 0.48 0.68 -3.22 -1.44
Descartando los valores menores al t de tabla para n=9

pruebas y al 95%, t=1,83 se tiene el siguiente cuadro
depurado:
RESPUESTA A25 Z11 MOLIEN. pH SO4Zn
Rec. Plata 1.99

Rec. Plomo 2.12
Grado Plata 5.31
Grado Plomo 6.43
Desplaz. Zn
-2.49
Desplaz. Fe -3.22
El cuadro resumen del t-student es bastante claro y se

observa notoriamente la ventaja de usar cal en la
flotación de plomo–plata. El cuadro muestra signo
negativo en cuanto a desplazamiento de fierro, explica
que a mayor cal, los concentrados serán mas limpios en
fierro. El Sulfato de Zinc es muy importante en la
función ya que tiene el signo negativo, quiere decir que
controla los desplazamientos de zinc al circuito de
plomo.
3. SEGUNDA ETAPA: OPTIMIZACIÓN

3.1. MARCO TEÓRICO
En la etapa de selección de variables corresponde a
investigar en la parte baja de la “cima” (que representa la
FUNCIÓN OBJETIVO) cuyo máximo se alcanzara estando
alrededor de dicha “punta de cerro imaginario” en esta
etapa superior de la investigación generalmente se aplica
para dos variables: EL DISEÑO EXAGONAL.
Ese modelo consta de 6 pruebas que codificadas están

ubicadas en las coordenadas de un hexágono regular con
centro en el origen (0,0) inscrito en una circunferencia de
radio 1 y para realizar las pruebas se decodifica los
valores de acuerdo a la expresión (1) y también se
agregan dos o tres pruebas adicionales al centro esto
con la finalidad de analizar el error experimental.
3.1.1.DISEÑO OCTOGONAL
Un segundo diseño usado para dos variables es el

denominado OCTOGONAL, que es un diseño compuesto
conformado por un factorial 2n (cuadrilátero de radio 1
y centro en el origen) al que se le agrega el diseño
ESTRELLA 2n (rotación del factorial hasta que el vértice
del cuadrilátero coincida con las coordenadas ) y las
consiguientes pruebas al centro para el Análisis del
error experimental, así cuando n=2 el número de
prueba será 22 +2x2 = 8 que corresponden a un
octágono regular con “alfa” que tiene como valor
numérico codificado 21/n así, cuando son dos variables
se tiene que alfa = 1.4142
PLANTILLA CODIFICADA DEL

DISEÑO HEXAGONAL
PRUEBA X1 X2
1 1 0
2 0.5 0.866
3 -0.5 0.866
4 -1 0
5 -0.5 -0.866
6 0.5 -0.866
7 0 0
8 0 0
9 0 0
PLANTILLA CODIFICADA
DEL DISEÑO OCTOGONAL
VARIABLE
PRUEBA CODIFICADA OBSERVACIÓN
X1 X2
1 -1 -1
2 1 -1
3 -1 1 FACTORIAL 2ª
4 1 1
5 ALFA ESTRELLA 2n
6 -ALFA 0 Alfa = 21/n
7 1 0 =1.4142
8 1 ALFA
-ALFA
9 0 0 0 Pruebas al centro
10 0
Generalmente ambas tienen una función respuesta y

cuadrática de la forma:
Y = a0+ a1X1 + a2X2 + a11X12 + a22X22 + a12X1X2
Luego para hacer la regresión será necesario contar en

la matriz de las variables independientes tantas
columnas como constantes a0, a1, a2 ,a11, a22, a12 se
desea como indica la ecuación, naturalmente que con
las pruebas adicionales al cetro se tendrá finalmente los
suficientes grados de libertad como para proceder a la
regresión sin dificultad.
3.1.2. DISEÑO COMPUESTO PARA 3 VARIABLES
El tercer diseño típico de optimización es el

COMPOSITO CENTRAL PARA TRES VARIABLES, en
este caso el número de pruebas sería 23 + 2x3 = 14
pruebas añadiendo las tres pruebas al centro para
analizar el error experimental resultan total 17 y el
“alfa” codificada en la plantilla que se adjunta en el
anexo III seria igual a 21/3, este es un modelo de figura
geométrica tridimensional y otorga los suficientes
grados de libertad para analizar los coeficientes de las
variables simples, elevadas al cuadrado y las
interacciones entre las tres variables.
PLANTILLA CODIFICADA DEL DISEÑO COMPOSITO

CENTRAL PARA 3 VARIABLES
VRIABLE
PRUEBA CODIFICADA OBSERVACIONES
X1 X2 X3
1 -1 -1 -1
2 1 -1 -1
3 -1 1 -1
4 1 1 -1
5 -1 -1 1
6 1 -1 1
FACTORIAL 2n
7 -1 1 1
8 1 1 1
9 ALFA 0 0
10 -ALFA 0 0
11 0 ALFA 0
12 0 -ALFA 0
ESTRELLA 2n
13 0 0 ALFA
Alfa =21/n =1.26
14 0 0 -ALFA
15 0 0 0
16 0 0 0
Pruebas al Centro
17 0 0 0
3.1.2. ANALIZANDO LOS SIGNOS

DE LA ECUACIÓN DE SEGUNDO ORDEN
Mas importante que graficar las consabidas elipses
concéntricas características de un diseño cuadrático, es
el análisis de la ecuación resultante, de acuerdo a la
matriz hessiana que es una forma rápida de evaluar si
existe un máximo o mínimo en determinada función.
Así es necesario que si los coeficientes de las variables

elevadas al cuadrado son negativas ambas estaremos
ante una posibilidad de un máximo, si las dos son
positivas calcularemos un mínimo (en ambos casos de
forma elíptica concéntrica) y si los signos son diferentes

gráficamente se tendrá una “montura” de forma
hiperbólica que indica estar lejos del rango apropiado
para optimizar y ocurre por desconocimiento de las
variables escogidas. Normalmente se presenta este caso
cuando previamente no se ha hecho una etapa de
SELECCIÓN DE VARIABLE, o se desconoce el asunto a
investigar.
3.1.3. ANÁLISIS ESTADÍSTICO

DE LA REGRESIÓN
En cuanto al análisis estadístico de resultados se usa el
estadístico F, que es una estimación de la varianza.
Como PRIMERA CONDICIÓN se estima y compara para

la regresión lo que significa que si el F de la regresión es
(>) mayor que el F de la tabla, la ecuación explica el
evento con la correlación suficiente.
La SEGUNDA CONDICIÓN es estimar el F de la tabla

de ajuste y si es menor que el F de la tabla significará
que los puntos no están alejados de la curva
representativa de la ecuación y si las dos condiciones se
cumplen estadísticamente el resultado es consistente y
las conclusiones tendrán el suficiente soporte técnico.
3.2. APLICACIÓN DEL DISEÑO HEXAGONAL
3.2.1. USO DEL DISEÑO HEXAGONAL PARA

DOSIFICACIÓN DE MINERAL CON ALTO
CONTENIDO DE ALABANDITA (MnS)
Se justifica este trabajo por la necesidad de encontrar la
cantidad aproximada de mineral de manganeso
(Alabandita) que dosificada diariamente afectarían lo
menos posible la metalurgia de plomo y zinc en una
planta concentradora.
Elección de Rangos de variables
 La variable X1 escogida es el % de mineral de tajo

que contiene alabandita respecto del estándar común,
los límites fueron inferior 0 (nada de este mineral
especial) y superior 10% que es el máximo tonelaje
que se podía extraer económicamente de dicho tajo.
 La variable X2 fue el grado de molienda, entre los

límites 9 a 12 minutos como inferior y superior
molienda que en el estándar proporcionaba 70 a 75 %
-m200, este rango fue tomado muy ajustado a fin de
que sirva solo como variable de “compañía”, ya que el
único objetivo es evaluar la cantidad de mineral de
manganeso, se sabe que la flotación en ese rango de
molienda prácticamente no cambia.
Para que los coeficientes de la regresión estén

expresados en unidades reales, la plantilla del diseño
hexagonal se conforma en valores reales como sigue:
PRUEBA X1 X2 X1^2 X2^2 X1X2 Rec. Zinc
1 10 10.5 100 110.25 105 77.7

2 7.5 11.8 56.25 139.24 88.5 77.8
3 2.5 11.8 6.25 139.24 29.5 79.2
4 0 10.5 0 110.25 0 82.2
5 2.5 9.2 6.25 84.84 23 81.1
6 7.5 9.2 56.25 84.84 69 76.8
7 5 10.5 25 110.25 52.5 84.7
8 5 10.5 25 110.25 52.5 84.1
La respuesta en recuperación de zinc figura en la última

columna del cuadro anterior.
El resultado de la regresión es:
RECUPERACIÓN DE ZINC
Regresión Output
Constant -208.967
Err. St of Y 0.436
R squared 0.9941
X1 X2 X1^2 X2^2 X1X2

X Coeff -0.968 55.774 -0.178 -2.714 +0.215
St. Errf 0.726 4.068 0.017 0.194 0.067
Los valores predichos según la regresión son:
PRUEBA Y observado Y predicho
1 77.7 77.5
2 77.8 78.0
3 79.2 79.0
4 82.2 82.4
5 81.1 80.8
6 76.8 77.0
7 84.7 84.4
8 84.1 84.4
3.2.2. ANÁLISIS ESTADISTICO DE RESULTADOS

Conformada La matriz para valores X1, X2, X12, X22,
X1X2 al proceder la regresión para grados y
recuperaciones de plomo, zinc se tiene las siguientes
correlaciones:
RECUPERACIÓN DE ZINC 0.994057

RECUPERACIÓN DE PLOMO 0.924546
GRADO DE ZINC 0.866008
GRADO DE PLOMO 0.857667
Se observa una correlación de 0.994057 que significa

que la ecuación de coeficientes expresa realmente el
evento experimental para la recuperación de Zinc,
además los coeficientes de los términos elevados al
cuadrado ambos son negativos lo cual de acuerdo a la
matriz hessiana adelanta que habrá un máximo en
dicha función.
A. CÁLCULO DEL F DE LA REGRESIÓN

Del análisis de la regresión para recuperación de
zinc, reemplazando cada fila en la ecuación de
coeficientes se obtiene un resultado Y^ pred que es el
valor esperado de acuerdo al modelo el mismo se
debe comparar respecto del resultado logrado
experimentalmente Yobs. , y este observado respecto
de su promedio Yprom, entonces el F calculado debe
ser igual a:
Fcal = (SSM/GL1)(SSR/GL2)
Donde:
SSM = SST – SSR : 63.83708

SSR = S(Yobs - Ypred )2 : 0.3817
SST = S (Yobs - Yprom )2 :64.21875
GL1 = Grados de libertad del modelo: 5 (número
de pruebas menos 1 y menos los rangos
de libertad de la regresión)
GL2 = Grados de libertad residual: 2 (de la
regresión)
Entonces el Fcal = 66.90349 que es mucho mayor

que el Ftabla para 5,3 grados de libertad 19,3
B. CÁLCULO DEL F DE FALTA DE AJUSTE

No es suficiente que haya correlación en la
regresión, también debe ser comprobado que los
puntos no están muy alejados de la gráfica, si
estuvieran dispersos se diría que HAY FALTA DE

AJUSTE. Para que no exista esta falta será
necesario y suficiente que Ffajuste sea menor que el
Ftabla.
Ffajuste = (SSF/GL1)/(SSE/GL2)
Donde:
SSF = SSR –SSE: 0.2017

SSR = S (Yobs – Yprod)2 :0.3817
SSE = igual que SSR pero de las pruebas al
centro: 0.18
GL1 = grados de libertad de SSR (2)menos
grados de libertad de SSE: 1
GL2 = grados de libertad de SSE, número de
pruebas al centro menos 1:1
Entonces el Ffajuste =1.12037, mucho menor que el

Ftabla = 18.1 para 1,1 grados de libertad.
Con el análisis anterior queda demostrada la

consistencia estadística del estudio porque:
Fregresión > Ftabla (5,2)

Ffajuste < Ftabla (1,1)
C. CALCULO DE MÁXIMA RESPUESTA
La función de regresión o modelo hallado es:

Y = -203.967-0.968X1+55.774X2 – 0.178X12 - 2.714 X22 + 0.215 X1X2
Aplicando el concepto de derivados parciales y

resolviendo simultáneamente.
dY/dX1 = -0.968 – 0.358X1 +0.215 X2 = 0

dY/dX2 = -55.774– 5.429X2 +0.215 X1 = 0
Los valores de X1 = 3.58%, X2 =10.42 minutos

(correspondiente a 72%-m200) otorgan un máximo de
recuperación de zinc.
Entonces para 1400 TMD podría alimentarse 50 tm de

mineral de manganeso.
3.3. APLICACIÓN DEL DISEÑO OCTOGONAL
3.3.1. DISEÑO COMPUESTO CENTRAL

EN DOS VARIABLES (octogonal)
En el diseño octogonal los ocho vértices se generan del

siguiente modo: 4 por un factorial 2n y 4 por un diseño
estrella 2n, las otras pruebas son al centro para
determinar el error experimental.
La diferencia de aplicar Hexagonal y Octogonal es que

en el primero el rango de estudio esta entre –1 y +1, en
el caso del octogonal, debido al “estrella” se estudia que
ocurre debajo del mínimo (-ALFA) y un poco mas allá
del rango máximo fijado (ALFA). Las ecuaciones
cuadráticas serán las mismas, el análisis estadístico es
similar en la regresión y falta de ajuste, el siguiente es
un ejemplo de aplicación real en laboratorios de
Toquepala.
3.3.2. EJEMPLO DE APLICACIÓN

Evaluar el reemplazo del AP 3302 como colector
principal por el Xantato amílico de Potasio XAP,
manteniendo como colector secundario al Z12.
El rango del XAP fue bastante amplio (entre 0.009 y

0.027 lb/TM), el rango del Z12 fue mas ajustado al
punto central 0.018 lb/TM (0.016 mínimo y 0.020
máximo).
La ventaja de usar el diseño octogonal es que se logra

estudiar valores menores que el rango mínimo y
mayores que el rango máximo elegidos, así para el XAP
los puntos del “estrella” fueron 0.005 y 0.031 lb/TM
respectivamente.
VARIABLES MÍNIMO MÁXIMO
XANTATO AMÍLICO Z6 X1 0.009 0.027

XANTATO SECBUTÍLICO X2 0.016 0.020
Parámetros que se mantienen constantes:

* Alk 0.63
* Molienda 26% + m65
* % sólidos 34%
* RPM 1800
PLANTILLA DEL OCTOGONAL EN VARIABLE REAL

CON DOS PRUEBAS AL CENTRO
PRUEBA X1 X2 REC. Cu REC. Moly

1 0.009 0.016 89.77 69.92
2 0.027 0.016 90.87 72.85
3 0.009 0.020 91.13 73.94
4 0.027 0.020 90.27 70.77
5 0.031 0.018 91.13 71.97
6 0.005 0.018 89.62 70.84
7 0.018 0.021 91.08 72.07
8 0.018 0.015 90.44 71.83
9 0.018 0.018 90.04 68.47
10 0.018 0.018 90.29 69.86
Para hacer la regresión se debe crear las columnas para

X1^2, X2^2, X1X2, que se logra operando elevando al
cuadrado las columnas correspondientes y
multiplicando ambas columnas.
La variable dependiente analizada fue la suma de

recuperaciones Cobre + Molibdenita. El resultado de la
regresión indica:
RECUPERACIÓN Cu + MOLIBDENITA
Regresión Output
Constant 249.8931
Err. St of Y 0.9562
R squared 0.9048
X1 X2 X1^2 X2^2 X1X2

X Coeff 1510.582 -11858.1 15451.68 391931.8 -111944.0
St. Errf 517.57 3718.08 5406.59 102321.3 28563.29
3.3.3. ANÁLISIS ESTADÍSTICO DE

LOS RESULTADOS:
PRUEBA Y observado (*) Y predicho (**)

1 159.69 159.23
2 163.72 164.19
3 165.07 164.20
4 161.04 161.10
5 163.10 162.65
6 160.46 161.30
7 163.15 163.60
8 162.27 162.18
9 158.51 159.36
10 160.15 159.36
(*) Suma de recuperaciones Cu + Moly obtenidas en la
prueba experimental.
(**) Valor calculado con la ecuación de la regresión
A. CÁLCULO DEL F DE LA REGRESIÓN

Del análisis de la regresión para recuperación total
Cu + Moly, reemplazando cada fila en la ecuación de
coeficientes se obtiene un resultado Y^pred que es el
valor esperado de acuerdo al modelo el mismo se
debe comparar respecto del resultado logrado
experimentalmente Yobs, y este observado respecto
de su promedio Yprom, entonces el F calculado debe
ser igual a:
Fcal = SSM/GL1)/(SSR/GL2)
Donde:
SSM = SST – SSR: 34.7581
SSR = S (Yobs - Ypred)2 : 3.6578
SST = S (Yobs - Yprom)2 : 36.41404
GL1 = grados de libertad del modelo: 5 (número de

pruebas menos 1 y menos los grados de
libertad de la regresión)
GL2 = grados de libertad residual: 4 (de la regresión)
Entonces el Fcal = 7.601, que es ligeramente mayor

que el Ftabla para 5,4 grados de libertad al 95% =
6.26
B. CALCULO DEL F
DE LA FALTA DE AJUSTE
No es suficiente que haya correlación en la regresión
también debe ser comprobado que los puntos no
están muy alejados de la gráfica, si estuvieran
dispersos se diría que HAY FALTA DE AJUSTE, para
que no exista esta falta será necesario y suficiente
que Ffajuste sea menor que el Ftabla.
Ffajuste = (SSF/GL1) / (SSE/GL2)
Donde:
SSF = SSR – SSE: 2.3112
SSR = S (Yobs - Ypred)2 : 3.6578

SSE = igual que SSR pero de las pruebas al centro
: 1.3467
GL1 = grados de libertad de SSR (4) menos grados
de libertad de SSE (1):3
GL2 = grados de libertad de SSE, número de
pruebas al centro menos 1 :1
Entonces el Ffajuste = 0.572, mucho menor que el

Ftabla = 216 para 3,1 grados de libertad al 95%
Con el análisis anterior queda demostrada la

consistencia estadística del estudio porque:
Fregresión > Ftabla (5,2)

Fajuste < F tabla(1,1)
CONCLUSIONES PARA EL ESTUDIO:

1. La respuesta evaluada fue la suma de
recuperaciones Cobre + Molibdenita, para este caso
la correlación es de 90.478%, importante por el
resultado del análisis del estadístico F.
2. La consistencia estadística del estudio esta

expresada por el F de regresión 7.601 mayor al F de
tabla (6.26) y el F de falta de ajuste 0.572083
menor al F de tabla (216).
3. La ecuación cuadrática lograda es:
Y = 249.983 + 1510.58X1 – 11858X2 + 15451.7X12

+391932X22 – 111944X1X2
Donde :
Y = Suma de recuperaciones de cobre + molibdenita
X1 = xantato amílico de potasio XAP
X2 = xantato secbutílico de sodio Z12
Como lo indica la matriz hessiana, el signo positivo de

los términos elevados al cuadrado significa que el rango
elegido nos lleva a un mínimo, derivando la ecuación
respecto de ambas variables indica que este mínimo
será cuando X1 tome un valor de 0.012 lb/TM y X2
0.017 lb/TM, reemplazando ambos en la ecuación este
mínimo esta alrededor de 159, pero la consistencia
estadística del estudio nos permite evaluar la ecuación
para valores tentativos hasta lograr un máximo con
restricciones.
Ello será que la recuperación de cobre sea

aproximadamente 90% y que la recuperación de
molibdenita este muy cerca de 74% para tal caso y en
un máximo de consumo total de colectores de 0.013
lb/TM la mejor relación de XAP es 0.017 lb/TM y
00.013 lb/TM de Z12.
4. Con estos resultados es necesario proyectar un costo

por colectores, usando xantatos XAP y Z12 el gasto
sería menor casi en 25% del actual AP3302 +Z11.
4. COMENTARIOS FINALES SOBRE

EL DISEÑO EXPERIMENTAL
1. Considero que hay un modo ordenado de ser imparcial
durante las etapas de investigación y es usando DISEÑO
EXPERIMENTAL.
2. La experiencia del conductor del diseño experimental hace

que pueda eliminar variables ajustando los rangos de modo
que sean imperceptibles en la respuesta.
3. Es bueno desarrollar un criterio de la flotación

característica estándar batch con variación de los rangos,
con ello explicará las ventajas y/o desventajas de cada
variable sobre el resultado elegido.
4. El elevado número de pruebas de un diseño factorial 2n ha

sido superado económicamente por los factoriales
fraccionados y las plantillas Planckett-Burmann.
5. El análisis estadístico en selección de variable por regresión

es equivalente al antiguo análisis por Yates.
6. El diseño de optimización requiere de evaluación regresión

y de falta de ajuste en el estadístico F.
7. Si no se usa HOJA DE CÁLCULO para resolver laplantilla y

hallar la ecuación de la regresión, simplemente se empleará
todo el tiempo en resolver por matrices un asunto que ya
esta resuelto fácilmente por regresión, este tiempo perdido
ira en contra del tiempo necesario para desarrollar un
criterio analítico sobre los resultados.
RECOMENDACIÓN FINAL
Para aplicar diseño experimental se debe considerar que la
teoría ya ha definido las plantillas a utilizar, que los rangos que
deben fijar según la experiencia de trabajo sobre cada variable;
que la regresión se resuelve en Hojas de Cálculo y finalmente:
que el análisis estadístico de la Selección de variable es con el t
de student. En optimización el análisis estadístico es sobre el F
de la regresión y el F de la falta de ajuste. Así de simple.

Capitulo Iv Diseño Experimental PDF

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Capitulo Iv Diseño Experimental PDF

Uploaded by

Copyright:

Available Formats

Jose Manzaneda Cabala

Por esto me interesa enfatizar claramente que “EL DISEÑO

Inicialmente se recomienda tener algunas pautas generales

1.1.1. FUNCIÓN RESPUESTA

Normalmente la forma de dicha función “f” es

Generalmente Z es una función polinómica que es

1.1.2. CERCA Y LEJOS DEL ÓPTIMO

 Lejos del Óptimo: No se tiene mayor conocimiento

 Cerca del Óptimo: Es una fase final del estudio en

1.1.3. RANGO DE LAS VARIABLES

El asunto de mayor importancia es que el punto central

Ejemplo: si conocemos que la rotación de un agitador

1.1.4. DISEÑOS EXPERIMENTALES

1.2. OBJETIVOS DE APLICAR EL

El primer objetivo es mostrar que, usando el

El segundo objetivo es mostrar una manera ordenada de

Investigar con diseño experimental es determinar la

1.3. ESQUEMA DEL DISEÑO EXPERIMENTAL

Los DISEÑOS DINÁMICOS que son factoriales

Para lograr resultados favorables es necesario que la

La otra ruta es la de DISEÑOS ESTÁTICOS, que se usan

Entonces, la primera escala descarta variables que no

Si el número de variables crece mas, será necesario usar

Las plantillas normalmente aparecen en variable codificada

Vcod = Vreal – Valor Central......(1)

Vcod = es el valor codificado

Se reconoce una plantilla porque cada columna

2.1.PLANTILLAS MAS CONOCIDAS EN

2.1.1.FACTORIAL CON DOS VARIABLES

2.1.2.FACTORIAL CON TRES VARIABLES

Cuando son mas de cuatro variables se usan diseños

2.1.3.CON 4 VARIABLES, FRACCIONANDO MITAD

2.1.4.CON 5 VARIABLES, FRACCIONANDO

2.1.5.CON MAS DE 6 VARIABLES

2.1.6.PLANTILLA CON 8 PRUEBAS

2.1.7.PLANTILLA CON 12 PRUEBAS

PRUEBA X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11

2.2. ESTRATEGIA PARA INVESTIGAR

La estrategia propuesta para una investigación en

1. Elegir las variables da mayor influencia hacia

2. Según el número de variables elegir la plantilla

3. Escoger los rangos reales de las variables lo mas

4. Realizar las pruebas de la plantilla por sorteo a fin de

5. Análisis estadísticos de resultados para hallar la

6. Elegidas las dos o tres variables mas influyentes en la

2.3. EJEMPLOS DE APLICACIÓN DE

2.3.1.USO DE SELECCIÓN DE VARIABLE EN

Las variables y sus respectivos rangos fueron las

- Sulfato de cobre 400 a 600 gr/tm

La plantilla será Planckett Burmann para 9 variables

Las pruebas de flotación tuvieron los siguientes resultados:

A. COMO SE HACE LA REGRESIÓN

Cada prueba según la plantilla tiene una respuesta.

Cuando se usan variables codificadas los coeficientes

Para hacer la regresión, cuando se solicite variables

SO4Cu KAX TAC SODA CAL A242 CNNa SO4Zn A301

0.9 -2.2 3.617 -0.17 2.15 -1.95 -0.8 -0.72 -1.62

Est. err of Coef.

SO4Cu KAX TAC SODA CAL A242 CNNa SO4Zn A301

En la misma se deben observar los siguientes aspectos

1. El término R squared que es la correlación, en

2. La fila correspondiente al “T student” no sale