Tesis I. M. 513 - Erazo Sánchez Henry David

UNIVERSIDAD TÉCNICA DE AMBATO
FACULTAD DE INGENIERÍA CIVIL Y MECÁNICA
CARRERA DE INGENIERÍA MECÁNICA
TRABAJO EXPERIMENTAL PREVIO A LA OBTENCIÓN DEL TÍTULO
DE INGENIERO MECÁNICO
TEMA:
“ANÁLISIS ESTADÍSTICO DE LAS PROPIEDADES MECÁNICAS A

TRACCIÓN, FLEXIÓN E IMPACTO DEL MATERIAL HÍBRIDO CON FIBRA DE
VIDRIO Y ABACÁ EN MATRIZ POLIMÉRICA DE RESINA POLIÉSTER, PARA
DETERMINAR LA MEJOR CONFIGURACIÓN”
AUTOR: Henry David Erazo Sánchez
TUTOR: Ing. Mg. Juan Gilberto Paredes Salinas
Ambato – Ecuador
2019
CERTIFICACIÓN DEL TUTOR
En mi calidad de Tutor del Trabajo Experimental, previo a la obtención del Título de

Ingeniero Mecánico, con el tema “ANÁLISIS ESTADÍSTICO DE LAS
PROPIEDADES MECÁNICAS A TRACCIÓN, FLEXIÓN E IMPACTO DEL
MATERIAL HÍBRIDO CON FIBRA DE VIDRIO Y ABACÁ EN MATRIZ
POLIMÉRICA DE RESINA POLIÉSTER, PARA DETERMINAR LA MEJOR
CONFIGURACIÓN”, elaborado por el Sr. Henry David Erazo Sánchez, portador de
la cédula de ciudadanía: 1803811189, egresado de la Facultad de Ingeniería Civil y
Mecánica, Carrera de Ingeniería Mecánica.
Certifico que:
 El presente Trabajo Investigativo es original de su autor.

 Ha sido revisado cada uno de sus capítulos componentes.
 Está concluido en su totalidad.
Por lo tanto, autorizo la presentación de este documento ante el organismo pertinente,

para que sea sometido a evaluación por los profesores calificadores designados por el
Honorable Consejo Directivo de la Facultad.
Ambato, Febrero de 2019
…………………………………………………
Ing. Mg. Juan Gilberto Paredes Salinas
TUTOR
II
AUTORÍA DEL TRABAJO DE INVESTIGACIÓN
Yo, Henry David Erazo Sánchez, portador de la C.I. 180381118-9 tengo a bien indicar
que las ideas mostradas en el presente trabajo experimental: “ANÁLISIS
ESTADÍSTICO DE LAS PROPIEDADES MECÁNICAS A TRACCIÓN,
FLEXIÓN E IMPACTO DEL MATERIAL HÍBRIDO CON FIBRA DE VIDRIO
Y ABACÁ EN MATRIZ POLIMÉRICA DE RESINA POLIÉSTER, PARA
DETERMINAR LA MEJOR CONFIGURACIÓN”, son auténticos y de absoluta
responsabilidad del autor, a excepción de las fuentes bibliográficas que se encuentra
citadas en el trabajo de investigación.
Los contenidos, ideas, análisis, y conclusiones son de exclusiva responsabilidad de mi

persona, como autor de este Trabajo Experimental.
AUTOR
………………………………………………….
Henry David Erazo Sánchez
180407694-9
Autor
III
DERECHOS DE AUTOR
Autorizo a la Universidad Técnica de Ambato, para que haga de este Trabajo

Experimental o parte de él, un documento disponible para su lectura, consulta y
procesos de investigación según las normas de la institución
Cedo los Derechos de mi Trabajo Experimental con fines de difusión pública, además
apruebo la reproducción de este Trabajo Experimental dentro de las regulaciones de la
Universidad, siempre y cuando esta reproducción no suponga una ganancia económica
y se realice respetando mis derechos de autor
AUTOR
…………………………………………………
Henry David Erazo Sánchez
180381118-9
Autor
IV
APROBACIÓN DEL TRIBUNAL DE GRADO
Los miembros del tribunal de grado aprueban el Trabajo Experimental sobre el tema:
“ANÁLISIS ESTADÍSTICO DE LAS PROPIEDADES MECÁNICAS A
TRACCIÓN, FLEXIÓN E IMPACTO DEL MATERIAL HÍBRIDO CON
FIBRA DE VIDRIO Y ABACÁ EN MATRIZ POLIMÉRICA DE RESINA
POLIÉSTER, PARA DETERMINAR LA MEJOR CONFIGURACIÓN”,
elaborado por Henry David Erazo Sánchez, el mismo que guarda conformidad con las
disposiciones reglamentarias emitidas por la Facultad de Ingeniería Civil y Mecánica
de la Universidad Técnica de Ambato.
Para constancia firman:
…………………………………………………
Ing. Mg. Cristian Pérez
…………………………………………………
Ing. Mg. Henry Vaca
V
DEDICATORIA
Dedico este trabajo a Dios, por ser el pilar de mi vida, mi guía
en cada acto y por permitirme llegar hasta este valioso
momento de mi formación profesional.
A Gloria, mi madre, por ser una mujer fuerte, por inculcarme
desde pequeño objetividad; por enseñarme que con esfuerzo y
perseverancia se consigue llegar a la meta.
A mi padre Mauricio, por están en algunos de mis buenos y
malos momentos, por su comprensión frente a mis instantes de
desatino.
A mi hermana Mady, por ser una mujer optimista, por
enseñarme que siempre existe solución para los problemas, por
compartirme su positivismo y alegría en las dificultades.
A mi mejor amiga Mayté Fernanda, por ser una persona
valiosa, por brindarme su apoyo, por ser fuente de muchas de
mis alegrías, por enseñarme a confiar en las personas y
demostrarme que las cosas no siempre son solo en blanco y
negro.
A mis cachorros Jack, Nailah, Black, Kyara y Copito; que han
sido disipadores de estrés y han demostrado sentimientos
sinceros y desinteresados mejor que muchas personas.
VI
AGRADECIMIENTO
Agradezco principalmente a Dios, por la vida, por mi familia;
por enseñarme en cada situación a desarrollar las capacidades
necesarias para saber desenvolverme correctamente, por
siempre ponerme en el camino correcto para permitir retribuir
la bondad de sus acciones.
Agradezco a mi madre y a mi hermana por su completo apoyo,
por su compañía en las largas noches de arduo trabajo, por la
seguridad que han sabido compartirme a lo largo de mi vida
universitaria. A mi padre, por la confianza que me ha sabido
brindar, aunque sea a la distancia.
Al tutor de este trabajo, el ingeniero Juan Paredes, que confió
en mis capacidades para saber desarrollar cada parte de este
proyecto, y que supo guiarme y me ayudó a complementar
conocimientos para su completo desarrollo.
A mis compañeros, que en toda la carrera fuimos un constante
apoyo, logrando superar nuestras falencias; haciendo que
recuerde que juntos se llega más lejos.
VII
ÍNDICE GENERAL DE CONTENIDO
PAGINAS PRELIMINALRES
CERTIFICACIÓN DEL TUTOR ................................................................................II

AUTORÍA DEL TRABAJO DE INVESTIGACIÓN................................................ III
DERECHOS DE AUTOR ......................................................................................... IV
APROBACIÓN DEL TRIBUNAL DE GRADO ....................................................... V
DEDICATORIA ........................................................................................................ VI
AGRADECIMIENTO .............................................................................................. VII
ÍNDICE GENERAL DE CONTENIDO ................................................................. VIII
ÍNDICE TABLAS ...................................................................................................... XI
ÍNDICE DE FIGURAS .........................................................................................XVIII
RESUMEN EJECUTIVO ....................................................................................... XXI
ABSTRACT ........................................................................................................... XXII
CAPÍTULO I.............................................................................................................. 23
1 ANTECEDENTES ........................................................................................... 23
1.1 TEMA ............................................................................................................... 23
1.2 ANTECEDENTES ........................................................................................... 23
1.3 JUSTIFICACIÓN ............................................................................................. 26
1.4 OBJETIVOS ..................................................................................................... 27
OBJETIVO GENERAL ............................................................................... 27
OBJETIVOS ESPECÍFICOS ...................................................................... 27
CAPÍTULO II ............................................................................................................ 29
2 FUNDAMENTACIÓN .................................................................................... 29
2.1 FUNDAMENTACIÓN TEÓRICA .................................................................. 29
INFERENCIA ESTADÍSTICA ................................................................... 29
ENFOQUE CLÁSICO ................................................................................. 30
DISEÑO DE EXPERIMENTOS ................................................................. 32
SUPUESTOS PARAMÉTRICOS ............................................................... 44
VIII
TRANSFORMACIÓN DE DATOS ............................................................ 47
OPTIMIZACIÓN DE RESPUESTAS MÚLTIPLES .................................. 47
PROPIEDADES MECÁNICAS .................................................................. 49
2.2 HIPÓTESIS ...................................................................................................... 51
2.3 SEÑALAMIENTO DE VARIABLES DE LA HIPÓTESIS ........................... 51
VARIABLE INDEPENDIENTE ................................................................. 51
VARIABLE DEPENDIENTE ..................................................................... 51
TÉRMINO DE RELACIÓN ........................................................................ 51
CAPÍTULO III ........................................................................................................... 52

3 METODOLOGÍA ............................................................................................. 52
3.1 NIVEL O TIPO DE INVESTIGACIÓN .......................................................... 52
INVESTIGACIÓN TEÓRICA .................................................................... 52
INVESTIGACIÓN DESCRIPTIVA ........................................................... 52
INVESTIGACIÓN EXPLICATIVA ........................................................... 52
INVESTIGACIÓN EXPERIMENTAL ....................................................... 52
3.2 POBLACIÓN Y MUESTRA ........................................................................... 53
POBLACIÓN ............................................................................................... 53
MUESTRA .................................................................................................. 53
3.4 OPERACIONALIZACIÓN DE VARIABLES ................................................ 55
VARIABLE INDEPENDIENTE ................................................................. 55
VARIABLE DEPENDIENTE ..................................................................... 56
3.5 PLAN DE RECOLECCIÓN DE INFORMACIÓN ......................................... 57
3.6 PLAN DE PROCESAMIENTO Y ANÁLISIS ................................................ 57
REVISIÓN ................................................................................................... 58
TABULACIÓN............................................................................................ 58
ANÁLISIS ................................................................................................... 58
PRESENTACIÓN........................................................................................ 58
IX
INTERPRETACIÓN ................................................................................... 58
CAPITULO IV ........................................................................................................... 59
4 ANÁLISIS E INTERPRETACIÓN DE RESULTADOS ................................ 59
4.1 RECOLECCIÓN DE DATOS.......................................................................... 59
4.2 ANÁLISIS DE LOS RESULTADOS .............................................................. 66
ANÁLISIS DEL ESFUERZO MÁXIMO DE TRACCIÓN ....................... 67
ANÁLISIS DEL MÓDULO DE ELASTICIDAD ...................................... 82
ANÁLISIS DE LA ELONGACIÓN ........................................................... 94
ANÁLISIS DE LA DEFLEXIÓN ............................................................. 105
ANÁLISIS DEL ESFUERZO MÁXIMO DE FLEXIÓN ......................... 117
ANÁLISIS DEL MÓDULO DE ELASTICIDAD SECANTE DE

FLEXIÓN ................................................................................................................. 133
ANÁLISIS DE LA DEFORMACIÓN MÁXIMA .................................... 148
ANÁLISIS DE LA ENERGÍA MEDIA DE FALLO ................................ 160
CÁLCULO DE LA DESEABILIDAD GLOBAL .................................... 170
4.3 VERIFICACIÓN DE HIPÓTESIS ................................................................. 171
ANÁLISIS DE LA DESEABILIDAD GLOBAL ..................................... 171
VALIDACIÓN DE METODOLOGÍA APLICADA ................................ 177
CAPITULO V .......................................................................................................... 183

5 CONCLUSIONES Y RECOMENDACIONES ............................................. 183
5.1 CONCLUSIONES .......................................................................................... 183
5.2 RECOMENDACIONES ................................................................................ 184
BIBLIOGRAFÍA ..................................................................................................... 186

ANEXOS ................................................................................................................. 189
X
ÍNDICE TABLAS
Tabla 2.1 Tabla de ANOVA para el DCA ................................................................ 36
Tabla 2.2 Tabla de ANOVA para el DBCA ............................................................. 38
Tabla 2.3 Tabla de ANOVA para el Diseño Factorial 𝑎 × 𝑏 .................................... 41
Tabla 3.1 Descripción de las condiciones de los niveles de cada factor. .................. 53
Tabla 3.2 Réplicas de los tratamientos para cada propiedad mecánica a analizar. ... 54
Tabla 3.3 Variable independiente. ............................................................................ 55
Tabla 3.4 Variable dependiente................................................................................. 56
Tabla 3.5 Plan de recolección de información. ......................................................... 57
Tabla 4.1 Resultados del ensayo de tracción............................................................. 59
Tabla 4.2 Resultados del ensayo de flexión. ............................................................. 62
Tabla 4.3 Resultados del ensayo de impacto............................................................. 64
Tabla 4.4 Verificación del supuesto de normalidad del esfuerzo máximo de

tracción. ...................................................................................................................... 67
Tabla 4.5 Verificación del supuesto de igualdad de varianza del esfuerzo máximo de
tracción. ...................................................................................................................... 68
Tabla 4.6 Transformación de Box-Cox del esfuerzo máximo de tracción................ 70
Tabla 4.7 Verificación del supuesto de normalidad de datos transformados del

esfuerzo máximo de tracción. .................................................................................... 71
Tabla 4.8 Verificación del supuesto de igualdad de varianza de datos transformados

del esfuerzo máximo de tracción................................................................................ 72
Tabla 4.9 ANOVA para el DCA del esfuerzo máximo de tracción. ......................... 74
Tabla 4.10 Coeficientes de determinación del modelo de regresión del DCA del
Tabla 4.11 ANOVA para el DBCA del esfuerzo máximo de tracción. .................... 75
Tabla 4.12 Coeficientes de determinación del modelo de regresión del DBCA del
XI
Tabla 4.13 ANOVA para el Diseño factorial completo del esfuerzo máximo de
tracción. ...................................................................................................................... 76
Tabla 4.14 Coeficientes de determinación del modelo de regresión factorial general

del esfuerzo máximo de tracción................................................................................ 76
Tabla 4.15 Coeficientes de determinación de cada diseño aplicado al esfuerzo máximo

de tracción. ................................................................................................................. 77
Tabla 4.16 Respuestas predichas del esfuerzo máximo de tracción. ........................ 80
Tabla 4.17 Máximos y mínimos de las respuestas observadas y predichas del esfuerzo
máximo de tracción. ................................................................................................... 81
Tabla 4.18 Deseabilidad individual del esfuerzo máximo de tracción. .................... 81
Tabla 4.19 Verificación del supuesto de normalidad del módulo de elasticidad. ..... 82
Tabla 4.20 Verificación del supuesto de igualdad de varianza del módulo de

elasticidad................................................................................................................... 83
Tabla 4.21 ANOVA para el DCA del módulo de elasticidad. .................................. 86
módulo de elasticidad. ................................................................................................ 86
Tabla 4.23 ANOVA para el DBCA del módulo de elasticidad. ............................... 87
módulo de elasticidad. ................................................................................................ 87
Tabla 4.25 ANOVA para el Diseño factorial completo del módulo de elasticidad. . 88

del módulo de elasticidad. .......................................................................................... 88
Tabla 4.27 Coeficientes de determinación de cada diseño aplicado al módulo de

elasticidad................................................................................................................... 89
Tabla 4.28 Respuestas predichas del módulo de elasticidad..................................... 92
Tabla 4.29 Máximos y mínimos de las respuestas observadas y predichas del módulo
de elasticidad. ............................................................................................................. 93
Tabla 4.30 Deseabilidad individual del módulo de elasticidad. ................................ 93
XII
Tabla 4.31 Verificación del supuesto de normalidad de la elongación. .................... 94
Tabla 4.32 Verificación del supuesto de igualdad de varianza de la elongación. ..... 95
Tabla 4.33 ANOVA para el DCA de la elongación. ................................................. 98
Tabla 4.34 Coeficientes de determinación del modelo de regresión del DCA de la

elongación. ................................................................................................................. 98
Tabla 4.35 ANOVA para el DBCA de la elongación. .............................................. 98
Tabla 4.36 Coeficientes de determinación del modelo de regresión del DBCA de la

elongación. ................................................................................................................. 99
Tabla 4.37 ANOVA para el Diseño factorial completo de la elongación. ................ 99

de la elongación........................................................................................................ 100
Tabla 4.39 Coeficientes de determinación de cada diseño aplicado a la

elongación. ............................................................................................................... 100
Tabla 4.40 Respuestas predichas de la elongación. ................................................ 103
Tabla 4.41 Máximos y mínimos de las respuestas observadas y predichas de la

elongación. ............................................................................................................... 104
Tabla 4.42 Deseabilidad individual de la elongación. ............................................ 104
Tabla 4.43 Verificación del supuesto de normalidad de la deflexión. .................... 106
Tabla 4.44 Verificación del supuesto de igualdad de varianza de la deflexión. ..... 107
Tabla 4.45 ANOVA para el DCA de la deflexión. ................................................. 109

deflexión................................................................................................................... 109
Tabla 4.47 ANOVA para el DBCA de la deflexión. ............................................... 110

deflexión................................................................................................................... 110
Tabla 4.49 ANOVA para el Diseño factorial completo de la deflexión. ................ 111
XIII
de la deflexión. ......................................................................................................... 111
Tabla 4.51 Coeficientes de determinación de cada diseño aplicado a la deflexión. 112
Tabla 4.52 Respuestas predichas de la deflexión. ................................................... 115

deflexión................................................................................................................... 115
Tabla 4.54 Deseabilidad individual de la deflexión. ............................................... 116
Tabla 4.55 Verificación del supuesto de normalidad del esfuerzo máximo de

flexión. ..................................................................................................................... 117
flexión. ..................................................................................................................... 118
Tabla 4.57 Transformación de Box-Cox del esfuerzo máximo de flexión. ............ 120

esfuerzo máximo de flexión. .................................................................................... 121

del esfuerzo máximo de flexión. .............................................................................. 123
Tabla 4.60 ANOVA para el DCA del esfuerzo máximo de flexión. ...................... 125
Tabla 4.62 ANOVA para el DBCA del esfuerzo máximo de flexión. .................... 126
Tabla 4.64 ANOVA para el Diseño factorial completo del esfuerzo máximo de
flexión. ..................................................................................................................... 127

Tabla 4.66 Coeficientes de determinación de cada diseño aplicado al esfuerzo máximo

de flexión.................................................................................................................. 128
XIV
Tabla 4.67 Respuestas predichas del esfuerzo máximo de flexión. ........................ 131
máximo de flexión.................................................................................................... 131
Tabla 4.69 Deseabilidad individual del esfuerzo máximo de flexión. .................... 132
Tabla 4.70 Verificación del supuesto de normalidad del módulo de elasticidad secante
de flexión.................................................................................................................. 133
Tabla 4.71 Verificación del supuesto de igualdad de varianza del módulo de

elasticidad secante de flexión. .................................................................................. 134
Tabla 4.72 Transformación de Box-Cox del módulo de elasticidad secante de flexión.

.................................................................................................................................. 136

módulo de elasticidad secante de flexión. ................................................................ 137

del módulo de elasticidad secante de flexión. .......................................................... 139
Tabla 4.75 ANOVA para el DCA del módulo de elasticidad secante de flexión. .. 140
Tabla 4.77 ANOVA para el DBCA del módulo de elasticidad secante de flexión. 141
Tabla 4.79 ANOVA para el Diseño factorial completo del módulo de elasticidad
secante de flexión. .................................................................................................... 142

Tabla 4.81 Coeficientes de determinación de cada diseño aplicado al módulo de

elasticidad secante de flexión. .................................................................................. 143
Tabla 4.82 Respuestas predichas del módulo de elasticidad secante de flexión. .... 146
XV
Tabla 4.83 Máximos y mínimos de las respuestas observadas y predichas del módulo
de elasticidad secante de flexión. ............................................................................. 147
Tabla 4.84 Deseabilidad individual del módulo de elasticidad secante de flexión. 148
Tabla 4.85 Verificación del supuesto de normalidad de la deformación máxima. . 149
Tabla 4.86 Verificación del supuesto de igualdad de varianza de la deformación

máxima. .................................................................................................................... 150
Tabla 4.87 ANOVA para el DCA de la deformación máxima. .............................. 152

deformación máxima................................................................................................ 152
Tabla 4.89 ANOVA para el DBCA de la deformación máxima. ............................ 153

Tabla 4.91 ANOVA para el Diseño factorial completo de la deformación

máxima ..................................................................................................................... 154

de la deformación máxima. ...................................................................................... 154
Tabla 4.93 Coeficientes de determinación de cada diseño aplicado a la deformación

máxima. .................................................................................................................... 155
Tabla 4.94 Respuestas predichas de la deformación máxima. ................................ 158

Tabla 4.96 Deseabilidad individual de la deformación máxima. ............................ 159
Tabla 4.97 Verificación del supuesto de normalidad del módulo de elasticidad. ... 160
Tabla 4.98 ANOVA para el DCA de la energía media de fallo. ............................. 163

energía media de fallo. ............................................................................................. 164
Tabla 4.100 ANOVA para el DBCA de la energía media de fallo. ........................ 164
XVI
Tabla 4.102 Coeficientes de determinación de cada diseño aplicado a la energía media

de fallo. ..................................................................................................................... 165
Tabla 4.103 Respuestas predichas de la energía media de fallo. ............................ 168

Tabla 4.105 Deseabilidad individual de la energía media de fallo. ........................ 169
Tabla 4.106 Cálculo de la deseabilidad global de las propiedades mecánicas. ...... 170
Tabla 4.107 Deseabilidad global de las propiedades mecánicas. ............................ 171
Tabla 4.108 Verificación del supuesto de normalidad de la deseabilidad global. .. 173
Tabla 4.109 ANOVA de la deseabilidad global. ..................................................... 175
Tabla 4.110 Contribución de cada factor a la deseabilidad global.......................... 176
Tabla 4.111 Resultados de la prueba de confirmación............................................ 177
Tabla 4.112 Tabla de resumen criterios ponderados. .............................................. 178
Tabla 4.113 Verificación de supuestos de los datos. .............................................. 178
Tabla 4.113 Significancias y coeficientes de determinación de cada respuesta. .... 179
Tabla 4.114 Respuestas predichas para cada configuración. .................................. 180
Tabla 4.115 Deseabilidades individuales y globales para cada configuración. ...... 181
Tabla 4.116 Contraste de metodologías. ................................................................. 181
XVII
ÍNDICE DE FIGURAS
Figura 2.1 Comparación de significancias ................................................................ 31
Figura 2.2 Variables de un proceso ........................................................................... 32
Figura 2.3 Clasificación de los diseños experimentales ........................................... 34
Figura 2.4 Representación de las medias y los efectos de los tratamientos .............. 35
Figura 2.5 Representación de los efectos principales ............................................... 42
Figura 2.6 Representación de los efectos de interacción AB .................................... 43
Figura 2.7 Representación de los efectos de no interacción AB ............................... 43
Figura 2.8 Gráfica de Orden vs. Residuos en la que no se cumple independencia .. 46
Figura 2.9 Gráfica de Orden vs. Residuos en la que se cumple independencia........ 46
Figura 4.1 Diagrama de flujo del análisis de los resultados...................................... 66
Figura 4.2 Gráfica del Orden de observación vs. Residuos del esfuerzo máximo de
tracción. ...................................................................................................................... 70
Figura 4.3 Gráfica del Orden de observación vs. Residuos de datos transformados del
Figura 4.4 Diagrama de Pareto de los efectos para el esfuerzo máximo de

tracción. ...................................................................................................................... 78
Figura 4.5 Gráfica de efectos principales para el esfuerzo máximo de tracción. ..... 78
Figura 4.6 Gráfica de interacción para el esfuerzo máximo de tracción................... 79
Figura 4.7 Gráfica del Orden de observación vs. Residuos del módulo de
elasticidad................................................................................................................... 85
Figura 4.8 Diagrama de Pareto de los efectos para el módulo de elasticidad. .......... 90
Figura 4.9 Gráfica de efectos principales para el módulo de elasticidad. ................. 90
Figura 4.10 Gráfica de interacción para el módulo de elasticidad. ........................... 91
Figura 4.11 Gráfica del Orden de observación vs. Residuos de la elongación. ........ 96
Figura 4.12 Diagrama de Pareto de los efectos para la elongación. ....................... 101
Figura 4.13 Gráfica de efectos principales para la elongación. .............................. 102

XVIII
Figura 4.14 Gráfica de interacción para la elongación. .......................................... 102
Figura 4.15 Gráfica del Orden de observación vs. Residuos de la deflexión. ........ 108
Figura 4.16 Diagrama de Pareto de los efectos para la deflexión. .......................... 112
Figura 4.17 Gráfica de efectos principales para la deflexión. ................................. 113
Figura 4.18 Gráfica de interacción para la deflexión. ............................................. 114
Figura 4.19 Gráfica del Orden de observación vs. Residuos del esfuerzo máximo de
flexión. ..................................................................................................................... 120
Figura 4.20 Gráfica del Orden de observación vs. Residuos de datos transformados
Figura 4.21 Diagrama de Pareto de los efectos para el esfuerzo máximo de

flexión. ..................................................................................................................... 129
Figura 4.22 Gráfica de efectos principales para el esfuerzo máximo de flexión. ... 129
Figura 4.23 Gráfica de interacción para el esfuerzo máximo de flexión. ............... 130
Figura 4.24 Gráfica del Orden de observación vs. Residuos del módulo de elasticidad
secante de flexión. .................................................................................................... 136
Figura 4.25 Gráfica del Orden de observación vs. Residuos de datos transformados
Figura 4.26 Diagrama de Pareto de los efectos para el módulo de elasticidad secante
de flexión.................................................................................................................. 144
Figura 4.27 Gráfica de efectos principales para el módulo de elasticidad secante de

flexión. ..................................................................................................................... 145
Figura 4.28 Gráfica de interacción para el módulo de elasticidad secante de

flexión. ..................................................................................................................... 146
Figura 4.29 Gráfica del Orden de observación vs. Residuos de la deformación

máxima. .................................................................................................................... 151
Figura 4.30 Diagrama de Pareto de los efectos para la deformación máxima. ....... 156
Figura 4.31 Gráfica de efectos principales para la deformación máxima. .............. 156
Figura 4.32 Gráfica de interacción para la deformación máxima. .......................... 157
XIX
Figura 4.33 Gráfica de Predichos vs. Residuos de la energía media de fallo. ........ 161
Figura 4.34 Gráfica del Orden de observación vs. Residuos de la energía media de
fallo. ......................................................................................................................... 162
Figura 4.35 Diagrama de Pareto de los efectos para la energía media de fallo. ..... 166
Figura 4.36 Gráfica de efectos principales para la energía media de fallo. ............ 167
Figura 4.37 Gráfica de Predichos vs. Residuos de la deseabilidad global. ............. 174
Figura 4.38 Gráfica del Orden de observación vs. Residuos de la deseabilidad global.
.................................................................................................................................. 174
XX
UNIVERSIDAD TÉCNICA DE AMBATO
FACULTAD DE INGENIERIA CIVIL Y MECÁNICA
CARRERA DE INGENIERIA MECÁNICA
TEMA: “ANÁLISIS ESTADÍSTICO DE LAS PROPIEDADES MECÁNICAS A

DETERMINAR LA MEJOR CONFIGURACIÓN”
AUTOR: Henry David Erazo Sánchez
TUTOR: Ing. Juan Paredes Salinas Mg.
RESUMEN EJECUTIVO
Las investigaciones de aplicaciones y comportamientos mecánicos de nuevos

materiales compuestos e híbridos, ha llevado a efectuar caracterizaciones y diferentes
análisis de resultados, con el fin de determinar el material con mejores propiedades
mecánica; en la mayoría de los casos, para llegar a ese objetivo, la selección de un
material ha dependido de la subjetividad del investigador. Es así que en el presente
trabajo experimental se especifica una metodología de análisis estadístico, para la
optimización de propiedades mecánicas del material compuesto híbrido, fabricado de
un tejido de abacá (FAb) y algodón (FAl) más fibra de vidrio (FV), combinado con
una matriz polimérica de resina poliéster; tomando como factores de entrada la
configuración y el tipo de secado.
En este trabajo se planteó un proceso de análisis basado en el Diseño de Experimentos

(DOE), complementado con el Análisis de la Función de Deseabilidad (DFA), por lo
que inicialmente se efectúo la organización y validación de los datos recolectados a
fin de que cumplan con los supuestos paramétricos, lo cual ratifica los resultados
obtenidos, manteniendo una alta confiabilidad en todo el proceso de análisis. Con la
información validada, se examinó la variabilidad presente en los datos aplicando un
Diseño Factorial General, definiendo los efectos significativos y su influencia en las
propiedades mecánicas evaluadas; con esto se infiere a la población de probetas, para
la optimizando en base a las medias poblacionales.
Con esta investigación se logró determinar que los factores óptimos para aprovechar
las propiedades mecánicas, fueron: la configuración 20% FV + 7.75% FAb (45°) +
2.25% FAl (135°) y el tipo de secado al Horno, con un valor de deseabilidad global de
0.825; además se establece que el modelo de regresión factorial general del Diseño
Factorial Completo explica hasta el 95.72% la variabilidad de las propiedades.
XXI
TECHNICAL UNIVERSITY OF AMBATO
CIVIL AND MECHANICAL ENGINEERING FACULTY
MECHANICAL ENGINEERING CAREER
TOPIC: “STATISTICAL ANALYSIS OF THE MECHANICAL PROPERTIES TO

TRACTION, FLEXION AND IMPACT OF THE HYBRID MATERIAL WITH
GLASS FIBER AND ABACÁ IN POLYMERIC MATRIX OF RESIN POLYESTER,
TO DETERMINE THE BEST CONFIGURATION”
AUTHOR: Henry David Erazo Sánchez
ADVISOR: Ing. Juan Paredes Salinas Mg.
ABSTRACT
The investigations of applications and mechanical behavior of new composite and

hybrid materials, has led to make characterizations and different analysis of results, in
order to determine the material with better mechanical properties; In most cases, to
reach that goal, the selection of a material has depended on the subjectivity of the
researcher. Thus, in the present experimental work, a methodology of statistical
analysis is specified, for the optimization of mechanical properties of the hybrid
composite material, made of an abaca woven (AbF) and cotton (CF) plus fiberglass
(FG), combined with a polyester resin polymer matrix; taking the configuration and
type of drying as input factors.
In this work an analysis process based on the Design of Experiments (DOE) was
proposed, complemented with the Desirability Function Analysis (DFA), so that
initially the organization and validation of the collected data was carried out in order
that comply with the parametric assumptions, which ratifies the results obtained,
maintaining a high reliability throughout the analysis process. With the validated
information, the variability present in the data was examined applying a Full Factorial
Design, defining the significant effects and their influence on the mechanical
properties evaluated; with this, the sample population is inferred, for the optimization
based on the population means.
With this research it was possible to determine that the optimal factors to take
advantage of the mechanical properties were: the configuration 20% FG + 7.75% AbF
(45°) + 2.25% CF (135°) and the type of oven drying, with a value of global desirability
of 0.825; It is also established that the general factorial regression model of the Full
Factorial Design explains up to 95.72% the variability of the properties.
XXII
CAPÍTULO I
1 ANTECEDENTES
1.1 TEMA
ANÁLISIS ESTADÍSTICO DE LAS PROPIEDADES MECÁNICAS A

DETERMINAR LA MEJOR CONFIGURACIÓN
1.2 ANTECEDENTES
Para el desarrollo del presente trabajo experimental se citan las siguientes

investigaciones que brindan la información necesaria que servirá de referencia en
nuestro estudio.
De acuerdo a la investigación generada por F Barari, R Morgan y P Barnard,

Universidad de Brighton, de la Revista de Física: Serie de conferencias 547, con el
tema: “A DESIGN OF EXPERIMENTS (DOE) APPROACH TO OPTIMISE
TEMPERATURE MEASUREMENT ACCURACY IN SOLID OXIDE FUEL CELL
(SOFC)” han realizado un análisis basado en un enfoque estadístico DOE aplicando
un diseño factorial completo en dos niveles con seis variables, para calcular el efecto
de la interacción entre variables y la importancia de cada variable en los errores de
medición, los resultados del DOE mostraron que para la longitud corta de la
termocupla, el diámetro y la longitud fueron factores significativos incluso para rangos
altos de temperatura, mientras que para la longitud extendida de la termocupla, la
emisividad y la velocidad del gas son los factores importantes incluso en rango más
bajos de temperaturas. [1]
De acuerdo al estudio realizado por M. Velasco Peña, J. Rodríguez Suárez y D.

Restrepo Ardila, Centro Metalmecánico. Servicio Nacional de Aprendizaje SENA.
23
Bogotá, XXI Congreso Nacional de Ingeniería Mecánica, con el tema:
“CARACTERIZACIÓN DE PROPIEDADES MECÁNICAS DE PIEZAS EN ABS
EN FUNCIÓN DE PARÁMETROS DE PROCESO DE MANUFACTURA
ADITIVA FDM” han determinado que los parámetros de diseño utilizados para la
impresión de las probetas de ABS tuvieron influencia en las propiedades a tensión y
dureza evaluadas, se conoció aplicando un diseño experimental factorial de tres
factores y dos niveles sin repetitividad, se realizaron las pruebas con una significancia
de 0,05. [2]
En la investigación realizada por Himadri Majumder y Kalipada Maity, Instituto

Nacional de Tecnología, Rourkela-769008, Odisha, India, de la Conferencia IOP.
Serie: Ciencia e ingeniería de materiales 338, bajo el tema: “MULTI-RESPONSE
OPTIMIZATION OF WEDM PROCESS PARAMETERS USING TAGUCHI
BASED DESIRABILITY FUNCTION ANALYSIS” utilizan el análisis de función de
deseabilidad DFA para la toma de decisiones de múltiples atributos para encontrar el
ajuste óptimo para los parámetros: pulso de tiempo, pulso apagado, alimentación de
alambre y tensión de alambre, también se emplea la relación señal / ruido de Taguchi
para la optimización de los parámetros, los investigadores validan que el DFA es
competente para la optimización de parámetros. [3]
De acuerdo a la investigación realizada por A Nurulhuda, Y Hafizzal, MZM Izzuddin,

MRN Sulawati, A Rafidah, Y Suhaila y AR Fauziah, Departamento de Ingeniería de
Calidad, Universidad de Kuala Lumpur (UniKL), de la Conferencia IOP. Serie:
Ciencia e ingeniería de materiales 226, bajo el tema: “ANALYSIS ON FLEXURAL
STRENGTH OF A36 MILD STEEL BY DESIGN OF EXPERIMENT (DOE)” han
empleado el Diseño de experimentos DOE utilizando un diseño factorial completo con
dos repeticiones, analizando la resistencia a la flexión, como respuesta medible de
salida se estudian los efectos de los parámetros: tipo de soldadura, grosor y diseño de
la junta; con este análisis recomiendan el ajuste óptimo de los parámetros, dando el
valor más alto de resistencia de la flexión con los parámetros: soldadura de GMAW,
espesores de 4 mm y condiciones de diseño de juntas traslapadas. [4]
De acuerdo al trabajo realizado por E.H. Agung, S.M. Sapuan, M.M. Hamdan,
H.M.D.K. Zaman, y U. Mustofa, Departamento de Ingeniería Mecánica y de
24
Fabricación, Universidad de Putra Malaysia, con el tema: “OPTIMIZATION OF THE
MECHANICAL PROPERTIES OF ABACA FIBRE-REINFORCED HIGH IMPACT
POLYSTYRENE (HIPS) COMPOSITES USING BOX-BEHNKEN DESIGN OF
EXPERIMENTS” se presenta un estudio para la optimización factores que influyen
en las propiedades mecánicas del compuesto analizado, tales como: porcentaje en peso
de fibra de abacá como refuerzo, porcentaje en peso de agente de acoplamiento y
porcentaje en peso de modificador de impacto; empleando la Metodología de
Superficie de Respuesta utilizando el diseño de Box-Behnken. Empleando este análisis
estadístico se obtuvieron coeficientes de determinación de hasta 0.9817. [5]
En la investigación generada por T. Rajmohan, G.M. Dinesh, Gangamalla Vinay

Raghavendra, Gayatri.S, K. R. Charan reddy, Kovuru Yogeswar, Departamento de
Ingeniería Mecánica, Sri Chandrasekharendra Viswa Mahavidyalaya, Kanchipuram,
Tamilnadu, India, de la Conferencia IOP. Serie: Ciencia e ingeniería de materiales 390,
bajo el tema: “MULTI RESPONSE OPTIMIZATION OF DRILLING
PERFORMANCE OF MWCNT FILLED BANANA-GLASS FIBRE REINFORCED
COMPOSITE” emplean el análisis de la función de deseabilidad basado en el diseño
factorial para optimizar los parámetros de mecanizado para la mínima delaminación,
la fuerza de empuje y la rugosidad de la superficie. Se define al ángulo de punto y la
velocidad de avance como los parámetros más importantes en las respuestas
analizadas. [6]
De acuerdo al trabajo generado por Suardi, H Homma, Abubakar, Escuela de Posgrado

Departamento de Ingeniería Mecánica, Universitas Sumatra Utara, de la Conferencia
IOP. Serie: Ciencia e ingeniería de materiales 308, bajo el tema: “IDENTIFICATION
OF TENSILE STRENGTH PROPERTIES OF ABACA FIBER BY WEAKEST-
LINKAGE APPROACH-STATISTIC PROPERTY OF FIBER DIAMETER” se
pretende identificar la resistencia mecánica de la fibra de abacá mediante un enfoque
estadístico aplicando la teoría de Weakest Link y la teoría de Weibull, para reducir la
relación de dispersión, la desviación estándar, al final del estudio los autores
empleando la Prueba T, sugiriendo que el diámetro medio de las diferentes partes de
la fibra son significativamente diferentes. [7]
25
1.3 JUSTIFICACIÓN
El presente trabajo experimental está encaminado a la optimización de parámetros de

fabricación de un nuevo material alternativo, buscando el máximo beneficio de las
propiedades obtenidas mediante los ensayos de tracción y flexión. Este hibrido está
elaborado de un tejido de abacá (FAb) y algodón (FAl) más fibra de vidrio (FV),
combinado con una matriz polimérica de resina poliéster.
Hoy en día varias investigaciones realizan diferentes caracterizaciones y análisis de

resultados para determinar una material con las mejores propiedades mecánicas,
muchas veces en dichos análisis está presente de manera explícita el criterio subjetivo
del investigador, lo que hace poco práctico el método empleado ya que el criterio de
un investigador difiere de persona a persona, por ello utilizando una metodología como
el Diseño de Experimentos junto con la Función de Deseabilidad, que convierte este
análisis en un método adecuado a los intereses que demanda esta investigación
centrándose en un valor objetivo cuantificable con un alto nivel de confiabilidad, lejos
de una simple ponderación subjetiva.
Los materiales convencionales fabricados con fibras sintéticas cumplen con los
requerimientos que su aplicación demanda, no obstante, cuando consideramos la
evaluación del ciclo de vida de las fibras sintéticas, se puede evidenciar que en el
proceso de producción de las mismas existe una gran cantidad de emisiones de CO2.
Por lo anteriormente mencionado, se deben desarrollar más fibras de refuerzo
ecológico como fibras de celulosa iónica derivadas de la estructura de tejido vegetal
en reemplazo a las fibras sintéticas total o parcialmente, que se consideran materiales
neutros en carbono y materiales que se degradan naturalmente. [7]
El sector carrocero es uno de los más importantes para la economía de la provincia, ya

que en Tungurahua se produce el 65% de las carrocerías a nivel nacional [8], al ser
una sector en constante desarrollo se puede proveer a la industria carrocera una
alternativa en el uso de un nuevo material hibrido para el proceso de fabricación de
partes y piezas internas y externas de buses, mediante la caracterización del material
analizado, aprovechando de manera óptima sus propiedades mecánicas.
26
Además el presente trabajo experimental plantea una metodología claramente descrita
para el análisis de resultados de distintos ensayos, convirtiéndose en una herramienta
objetiva de comparación y un aporte para beneficiarios como: estudiantes y docentes
de la Facultad de Ingeniería Civil y Mecánica. Esta investigación representará un
aporte bibliográfico para futuros estudios tanto dentro como fuera de la universidad.
También hay que reconocer que el costo que demanda la ejecución de este trabajo
experimental resulta mínimo ya que los datos a analizar y el software que interviene
en dicho análisis se encuentra al alcance del investigador.
A más de los lineamientos antes mencionados, este trabajo experimental genera

beneficios al proyecto de investigación: “ANÁLISIS DE MATERIAL HÍBRIDO
CON FIBRA DE VIDRIO Y ABACÁ EN MATRIZ POLIMÉRICA DE RESINA
POLIÉSTER Y SU INCIDENCIA EN LAS PROPIEDADES MECÁNICAS EN
PARTES EXTERIORES DE BUSES” que se encuentra en ejecución en la Facultad
de Ingeniería Civil y Mecánica de la Universidad Técnica de Ambato.
1.4 OBJETIVOS
OBJETIVO GENERAL
 Analizar estadísticamente las propiedades mecánicas a tracción, flexión e impacto

del material híbrido con fibra de vidrio y abacá en matriz polimérica de resina
poliéster, para determinar la mejor configuración.
OBJETIVOS ESPECÍFICOS
 Analizar las distintas configuraciones y condiciones bajo las que fueron elaboradas
las probetas a ensayar.
 Evaluar los resultados de los ensayos de tracción, flexión e impacto, obtenidos de

estudios previos, con los que se han determinado sus propiedades mecánicas.
 Determinar la configuración óptima del material alternativo, mediante pruebas

estadísticas, con la finalidad de que se pueda aprovechar de una manera eficiente
las propiedades mecánicas ensayadas.
27
 Establecer, de las pruebas estadísticas, cual es la más aplicable, que nos dará un
resultado satisfactorio, a casos futuros, de acuerdo a las configuraciones, ensayos
y condiciones de elaboración de las probetas.
28
CAPÍTULO II
2 FUNDAMENTACIÓN
2.1 FUNDAMENTACIÓN TEÓRICA
INFERENCIA ESTADÍSTICA
La inferencia estadística estudia grandes colectivos a partir de una pequeña parte de

estos, los grandes colectivos que se pretenden analizar se denominan población,
mientras que la parte que sirve de apoyo para dicho análisis se denomina muestra. [9]
La inferencia estadística consiste en proyectar a la población las conclusiones

obtenidas al estudiar la muestra, la misma que debe ser suficientemente representativa
de la población de la cual ha sido extraída. Para que no exista un margen de error muy
grande en el cálculo de las características de la población, es necesario un estudio
exhaustivo, ya que mayores niveles de precisión exigirán una mayor información sobre
la población. [9]
Dependiendo del grado de conocimiento de la distribución de la población, se

distinguen dos métodos:
INFERENCIA PARAMÉTRICA
En la inferencia paramétrica se precisa únicamente el valor de los parámetros para

determinar la distribución poblacional, la misma que pertenece a una familia de
distribuciones paramétricas. [9]
La inferencia paramétrica puede estudiarse desde los siguientes enfoques:
 Enfoque clásico. Los parámetros de la distribución se consideran constantes.
 Enfoque bayesiano. Los parámetros se consideran variables aleatorias.
29
INFERENCIA NO PARAMÉTRICA
Exige sólo hipótesis muy generales, como la de simetría, ya que no supone ninguna
distribución de probabilidad de la población. [9]
La inferencia no paramétrica se puede clasificar en:
 Procedimientos de localización
 Procedimientos de estructura
 Procedimientos sobre las condiciones de la muestra
ENFOQUE CLÁSICO
Los estudios experimentales tienen como objetivo final, responder en forma segura
ciertas preguntas y tomar una decisión, es así que el experimentador tiene creencias o
hipótesis que desea comprobar. La idea de la investigación es generar evidencia a favor
de la hipótesis, aunque esta evidencia en algunos casos pueda llegar a rechazar la
afirmación originalmente planteada. [10]
Una hipótesis estadística es una afirmación sobre los valores de los parámetros de una
población o proceso, se estructura la prueba de hipótesis mediante el planteamiento de
una hipótesis alternativa, que representa la teoría que se probará y que se denota con
𝐻1 y la hipótesis nula, que es el complemento lógico de 𝐻1 y se denota con 𝐻0 . [11]
La hipótesis estadística puede probarse a partir de la información contenida en una

muestra, esta prueba es una decisión probabilística, lo que conlleva al riesgo de
cometer errores tales como: [10], [11]
 Error tipo I. Ocurre si se rechaza 𝐻0 cuando ésta es verdadera, la probabilidad de

cometer este error se denota como 𝛼. A 𝛼 también se le conoce como la
significancia dada de la prueba o predefinida.
30
 Error tipo II. Ocurre si no se rechaza 𝐻0 cuando ésta es falsa, la probabilidad de
cometer este error se denota como 𝛽. La probabilidad de rechazar 𝐻0 cuando es
falsa es 1 − 𝛽 y se denomina potencia de la prueba.
En las pruebas de hipótesis se especifica el valor de 𝛼 y se diseña la prueba para que

el valor de 𝛽 sea pequeño, controlándolo indirectamente con el tamaño de la muestra.
[10], [11]
El criterio para rechazar la hipótesis nula, consecuentemente aceptando la alternativa

y el cual nos brinda información adicional sobre la decisión que se está tomando, es el
de contrastar la significancia observada frente a la significancia predefinida. La
significancia observada o calculada es el área bajo la distribución de referencia más
allá del valor del estadístico de prueba y se la conoce como valor-p.
El criterio consiste en rechazar 𝐻0 si la significancia observada es menor que la

significancia predefinida, es decir, si el valor-p < 𝛼. La significancia observada se
puede ver como la probabilidad o evidencia a favor de 𝐻0 .
Figura 2.1 Comparación de significancias

Fuente: [10]
El análisis llega a las siguientes conclusiones: [11]
 Rechazar 𝐻0 a favor de 𝐻1 debido a evidencia suficiente en los datos o
 No rechazar 𝐻0 debido a evidencia insuficiente en los datos
31
DISEÑO DE EXPERIMENTOS
El diseño de experimentos consiste en determinar la forma eficaz de hacer pruebas,

para obtener información del proceso o sistema, que analizada estadísticamente
proporciona evidencia objetiva que permite responder la interrogante planteada. [10],
[12]
El diseño de experimentos tiene un papel importante en las actividades de diseño de

ingeniería, en el desarrollo de nuevos productos y el mejoramiento de productos ya
existentes, entre las aplicaciones del diseño de experimentos dentro de la ingeniería,
se encuentran: [12]
 Evaluación y comparación de configuraciones de diseño básico.
 Evaluación de materiales alternativos.
 Selección de parámetros de diseño de un producto para que tenga buen

funcionamiento bajo varias condiciones de campo.
 Determinación de parámetros clave del diseño del producto que afectan el

desempeño del mismo.
Figura 2.2 Variables de un proceso

Fuente: [10]
32
La metodología del diseño de experimentos se ha consolidado como un conjunto de
técnicas estadísticas y de ingeniería, que permite entender mejor situaciones complejas
de relación causa (Factores controlables y no controlables “x”) – efecto
(Características de calidad o variables de respuesta “y”) [10], [12]
Para emplear los diseños de experimentos es vital que el investigador tenga un buen
nivel de conocimiento técnico y práctico sobre el proceso o sistema que estudia con el
fin de que fácilmente pueda plantear conjeturas precisas y hacer provechoso el análisis
estadístico a escala real. [10]
Debido a la gran cantidad de diseños de experimentos, es necesario saber cómo elegir

el más adecuado para cada problema o situación, además entender cómo estos se
clasifican de acuerdo a su objetivo y su alcance. Hay cinco aspectos que más influyen
en la selección de un diseño experimental: [10]
1. Objetivo del experimento.
2. Número de factores a estudiar.
3. Número de niveles que se prueban en cada factor.
4. Efectos que interesa investigar (relación factores – respuesta)
5. Costo del equipo, tiempo y precisión deseada.
Para clasificar los diseños de experimentos se emplea como criterio general el objetivo
del experimento, es así que en la Figura 2.3 se pueden enlistar los diseños más
representativos. De manera particular, dentro del diseño de experimentos se
especifican tres diseños aplicables para el análisis de los datos de esta investigación,
estos son:
 Diseño completamente aleatorizado (DCA)
 Diseño en bloques completos al azar (DBCA)
 Diseños factoriales
33
Figura 2.3 Clasificación de los diseños experimentales
Fuente: [10]
DISEÑO COMPLETAMENTE ALEATORIZADO
A este tipo de diseño de lo denomina completamente aleatorizado (DCA), debido a

que todas las corridas experimentales se corren al azar, de manera que los posibles
efectos ambientales y temporales se vayan repartiendo equitativamente entre los
tratamientos, es el más simple de los diseños debido a que solo considera dos fuentes
de variabilidad: los tratamientos y el error aleatorio. También se lo designa como
ANOVA de un factor, este es un diseño en el cual de k poblaciones se seleccionan
muestras aleatorias de tamaño n. Las k poblaciones diferentes se clasifican con base
en un criterio único, como tratamientos o grupos distintos, este único criterio será el
factor de análisis. En la actualidad el término tratamiento se utiliza por lo general para
designar las diversas clasificaciones, ya sean diferentes agregados, fertilizadores,
máquinas u operadores. [10], [11]
34
El modelo que describe este experimento y cada observación es el siguiente:
𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝜀𝑖𝑗
Donde, 𝜇 es el parámetro de escala común en los tratamientos, llamado media global,

𝜏𝑖 es un parámetro que mide el efecto del tratamiento i y 𝜀𝑖𝑗 es el error atribuible a la
medición 𝑌𝑖𝑗 ; el modelo se visualiza más fácilmente en la Figura 2.4.
Figura 2.4 Representación de las medias y los efectos de los tratamientos

Fuente: [10]
El análisis de varianza (ANOVA) es la herramienta central en el análisis de datos

experimentales y consiste en separar la variación total en partes con las que aporta
cada fuente de variación del experimento, para el ANOVA de un factor o DCA, se
separan la variabilidad por los tratamientos y la debida al error.
El objetivo del análisis de varianza es probar la hipótesis de igualdad de los

tratamientos con respecto a la media de la correspondiente variable de respuesta: [10]
𝐻0 : 𝜇1 = 𝜇2 = ⋯ = 𝜇𝑘 = 𝜇
𝐻1 : 𝜇𝑖 ≠ 𝜇𝑗 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔ú𝑛 𝑖 ≠ 𝑗
De manera equivalente también se entiende que:
35
𝐻0 : 𝜏1 = 𝜏2 = ⋯ = 𝜏𝑘 = 0
𝐻1 : 𝜏𝑖 ≠ 0 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔ú𝑛 𝑖
La técnica de ANOVA emplea la suma total de cuadrados como una medida de la

variabilidad total presente en las observaciones, la suma total de cuadrados (𝑆𝐶𝑇 ) se
puede partir en dos componentes: la suma de cuadrados de tratamientos (𝑆𝐶𝑇𝑅𝐴𝑇 ) y la
suma de cuadrados de error (𝑆𝐶𝐸 ). El experimento tiene un total de N observaciones y
k tratamientos o factores de interés que sirven para considerar los grados de libertad,
la suma de cuadrados dividida entre sus respectivos grados de libertad se llaman
cuadrados medios (𝐶𝑀) y es una estimación de la magnitud de la fuente de
variabilidad. [10], [11]
Tabla 2.1 Tabla de ANOVA para el DCA
Fuente de Suma de Grados de Cuadrado

𝑭𝟎 Valor-p
variabilidad cuadrados libertad medio
𝐶𝑀𝑇𝑅𝐴𝑇
Tratamientos 𝑆𝐶𝑇𝑅𝐴𝑇 𝑘−1 𝐶𝑀𝑇𝑅𝐴𝑇 𝑃(𝐹 > 𝐹0 )
𝐶𝑀𝐸
Error 𝑆𝐶𝐸 𝑁−𝑘 𝐶𝑀𝐸
Total 𝑆𝐶𝑇 𝑁−1

Fuente: Autor
Para el cálculo de la suma de cuadrados de los tratamientos, la suma de cuadrados del

error y la suma de cuadrados totales tenemos las siguientes ecuaciones:
𝑘
𝑌𝑖•2 𝑌••2
𝑆𝐶𝑇𝑅𝐴𝑇 =∑ − Ec. 2.1
𝑛𝑖 𝑁
𝑖=1
𝑆𝐶𝐸 = 𝑆𝐶𝑇 − 𝑆𝐶𝑇𝑅𝐴𝑇 Ec. 2.2
𝑘 𝑛𝑖
𝑌••2
𝑆𝐶𝑇 = ∑ ∑ 𝑌𝑖j2 − Ec. 2.3
𝑁
𝑖=1 𝑗=1
36
En la Tabla 2.1 se simplifica el cálculo de las 𝑆𝐶, los 𝐶𝑀 y del estadístico 𝐹0 con las
ecuaciones ahí descritas, donde: 𝑌𝑖• es la suma de las observaciones del tratamiento i
y 𝑌•• es la suma total de las N mediciones.
De las ecuaciones 2.1, 2.2, 2.3 y las analizadas en la tabla 2.1 se obtiene el valor de 𝐹0 ,
el cual si es grande, se rechaza la hipótesis nula, específicamente se rechaza 𝐻0 si 𝐹0 >
𝐹𝛼,𝑘−1,𝑁−𝑘 , donde 𝐹𝛼,𝑘−1,𝑁−𝑘 es el percentil (1 − 𝛼) × 100 de la distribución 𝐹,
también se puede emplear el valor-p, siendo este el área bajo la distribución 𝐹𝑘−1,𝑁−𝑘 ,
a la derecha del estadístico 𝐹0 , es decir, el valor-p = 𝑃(𝐹 > 𝐹0 ), se rechaza 𝐻0 si el
valor-p < 𝛼. [10]
DISEÑO EN BLOQUES COMPLETOS AL AZAR
Una manera adecuada de estudiar el factor de interés, es considerar factores

adicionales que se incorpora al experimento de manera explícita y se denominan
factores de bloque, en un diseño en bloques completos al azar (DBCA) se consideran
tres fuentes de variación: el factor de tratamiento, el factor de bloque y el error
aleatorio. Es un diseño completo debido a que se prueban todos los tratamientos en
cada bloque y la aleatorización se la realiza dentro de cada bloque. El diseño
experimental supone k tratamientos y b bloques, el número de observaciones viene
dada por 𝑁 = 𝑘. 𝑏. [10], [11]
El modelo que describe este experimento y cada observación es el siguiente:
𝑖 = 1, 2, … , 𝑘
𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝛾𝑗 + 𝜀𝑖𝑗 ; { }
𝑗 = 1, 2, … , 𝑏
Donde: 𝑌𝑖𝑗 es la medición que corresponde al tratamiento i y al bloque j; 𝜇 es la media

global poblacional; 𝜏𝑖 es el efecto debido al tratamiento i, 𝛾𝑗 es el efecto debido al
bloque j, y 𝜀𝑖𝑗 es el error aleatorio atribuible a la medición 𝑌𝑖𝑗 . [10]
La hipótesis a probar es la misma para todos los diseños comparativos y es:
37
𝐻0 : 𝜇1 = 𝜇2 = ⋯ = 𝜇𝑘 = 𝜇
𝐻1 : 𝜇𝑖 ≠ 𝜇𝑗 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔ú𝑛 𝑖 ≠ 𝑗
De manera equivalente también se entiende que:
𝐻0 : 𝜏1 = 𝜏2 = ⋯ = 𝜏𝑘 = 0 𝐻0 : 𝛾1 = 𝛾2 = ⋯ = 𝛾𝑘 = 0
𝐻1 : 𝜏𝑖 ≠ 0 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔ú𝑛 𝑖 𝐻1 : 𝛾𝑖 ≠ 0 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔ú𝑛 𝑏𝑙𝑜𝑞𝑢𝑒 𝑗
Tabla 2.2 Tabla de ANOVA para el DBCA

variabilidad cuadrados libertad medio 𝑭𝟎 Valor-p
𝐶𝑀𝑇𝑅𝐴𝑇
Tratamientos 𝑆𝐶𝑇𝑅𝐴𝑇 𝑘−1 𝐶𝑀𝑇𝑅𝐴𝑇 𝑃(𝐹 > 𝐹0 )
𝐶𝑀𝐸
𝐶𝑀𝐵
Bloques 𝑆𝐶𝐵 𝑏−1 𝐶𝑀𝐵 𝑃(𝐹 > 𝐹0 )
𝐶𝑀𝐸
Error 𝑆𝐶𝐸 (𝑘 − 1)(𝑏 − 1) 𝐶𝑀𝐸
Total 𝑆𝐶𝑇 𝑘. 𝑏 − 1
Fuente: Autor
La hipótesis se prueba con un análisis de varianza con dos criterios de clasificación,

ya que se controla dos fuentes de variación: el factor de tratamiento y el factor de
bloque. Los cálculos necesarios para llegar a la conclusión del experimento se
simplifican en la Tabla 2.2, llagando al valor de 𝐹0 .
Para el cálculo de la suma de cuadrados de los tratamientos, de los bloques, del error
y la suma de cuadrados totales tenemos las siguientes ecuaciones:
𝑘
𝑌𝑖•2 𝑌••2
𝑆𝐶𝑇𝑅𝐴𝑇 =∑ − Ec. 2.4
𝑏 𝑁
𝑖=1
38
𝑏
𝑌•j2 𝑌••2
𝑆𝐶𝐵 = ∑ − Ec. 2.5
𝑘 𝑁
𝑗=1
𝑆𝐶𝐸 = 𝑆𝐶𝑇 − 𝑆𝐶𝑇𝑅𝐴𝑇 − 𝑆𝐶𝐵 Ec. 2.6
𝑏 𝑘
𝑌••2
𝑆𝐶𝑇 = ∑ ∑ 𝑌𝑖j2 − Ec. 2.7
𝑁
𝑗=1 𝑖=1
La interpretación del factor de bloque resulta favorable debido a que presenta

evidencia a favor o en contra respecto a que valió la pena controlar dicho factor, al ser
significativo el efecto del factor de bloque, implica que éste tiene influencia sobre la
variable de respuesta y debe tomarse en cuenta para mejorar la calidad de ésta, pero si
su efecto no es significativo, entonces no es necesario controlarlo en futuros
experimentos sobre esta misma respuesta. [10], [11]
DISEÑOS FACTORIALES
Cuando se quiere estudiar el efecto de varios factores sobre una o varias respuestas y
se tiene el mismo interés sobre todos los factores, es necesario emplear el diseño
factorial. En particular, se emplea el diseño factorial para determinar una combinación
de factores en el que el desempeño del proceso sea el mejor, los factores pueden ser
cualitativos o cuantitativos. [10]
El cambio observado en la variable de respuesta debido al cambio de nivel en el factor,

se defina como el efecto de un factor; de manera específica tenemos los efectos
principales y los efectos de interacciones, los primeros son los cambios en la media de
la variable de respuesta debido a la acción individual de cada factor, los otros se dan
cuando el efecto de un factor depende del nivel en el que se encuentra el otro. [12]
Las principales ventajas de los diseños factoriales son: logran estudiar el efecto
individual y de interacción de varios factores, pueden correr fracciones de diseños
factoriales para economizar el experimento, pueden implementarse bloques cuando no
todo el diseño factorial se pueda correr bajo las mismas condiciones. [10]
39
El modelo que describe un diseño factorial de dos factores está dado por:
𝑖 = 1, 2, … , 𝑎
𝑌𝑖𝑗 = 𝜇 + 𝛼𝑖 + 𝛽𝑗 + (𝛼𝛽)𝑖𝑗 + 𝜀𝑖𝑗𝑘 ; { 𝑗 = 1, 2, … , 𝑏 }
𝑘 = 1, 2, … , 𝑛
Donde: 𝑌𝑖𝑗 es la medición que corresponde al nivel i del factor A, con el nivel j del
factor B y en la réplica n; 𝜇 es la media general; 𝛼𝑖 es el efecto debido al i-ésimo nivel
del factor A, 𝛽𝑗 es el efecto debido al j-ésimo nivel del factor B, (𝛼𝛽)𝑖𝑗 representa el
efecto de interacción en la combinación ij, y 𝜀𝑖𝑗𝑘 es el error aleatorio atribuible a la
medición 𝑌𝑖𝑗𝑘 que, se supone, sigue una distribución normal con media cero, varianza
constante 𝜎 2 e independientes entre sí. [10]
La hipótesis a probar para los tres efectos del modelo de dos factores es:
𝐻0 : 𝐸𝑓𝑒𝑐𝑡𝑜 𝑑𝑒𝑙 𝐹𝑎𝑐𝑡𝑜𝑟 𝐴 = 0 𝐻0 : 𝐸𝑓𝑒𝑐𝑡𝑜 𝑑𝑒𝑙 𝐹𝑎𝑐𝑡𝑜𝑟 𝐵 = 0
𝐻1 : 𝐸𝑓𝑒𝑐𝑡𝑜 𝑑𝑒𝑙 𝐹𝑎𝑐𝑡𝑜𝑟 𝐴 ≠ 0 𝐻1 : 𝐸𝑓𝑒𝑐𝑡𝑜 𝑑𝑒𝑙 𝐹𝑎𝑐𝑡𝑜𝑟 𝐵 ≠ 0
𝐻0 : 𝐸𝑓𝑒𝑐𝑡𝑜 𝑑𝑒𝑙 𝐹𝑎𝑐𝑡𝑜𝑟 𝐴 × 𝐹𝑎𝑐𝑡𝑜𝑟 𝐵 = 0
𝐻1 : 𝐸𝑓𝑒𝑐𝑡𝑜 𝑑𝑒𝑙 𝐹𝑎𝑐𝑡𝑜𝑟 𝐴 × 𝐹𝑎𝑐𝑡𝑜𝑟 𝐵 ≠ 0
De manera equivalente también se entiende mediante los términos del modelo que:
𝐻0 : 𝛼1 = 𝛼2 = ⋯ = 𝛼𝑎 = 0 𝐻0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑏 = 0
𝐻1 : 𝛼𝑖 ≠ 0 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔ú𝑛 𝑖 𝐻1 : 𝛽𝑖 ≠ 0 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔ú𝑛 𝑗
𝐻0 : (𝛼𝛽)𝑖𝑗 = 0 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑖𝑗
𝐻1 : (𝛼𝛽)𝑖𝑗 ≠ 0 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔ú𝑛 𝑖𝑗
La hipótesis se prueba mediante el análisis de varianza para un diseño factorial 𝑎 × 𝑏

con 𝑛 replicas descomponiendo la variación total. Hay que aclarar que los grados de
libertad (𝑎𝑏(𝑛 − 1)) de la suma de cuadrados del error (𝑆𝐶𝐸 ), no se pueden anular para
construir una tabla de ANOVA, por lo que se necesitan al menos dos réplicas del
40
experimento. Los cálculos necesarios para llegar a la conclusión del experimento se
simplifican en la Tabla 2.3, llagando al valor de 𝐹0 de cada factor y de la interacción.
Tabla 2.3 Tabla de ANOVA para el Diseño Factorial 𝑎 × 𝑏

𝑭𝟎 Valor-p
𝐶𝑀𝐴
Efecto A 𝑆𝐶𝐴 𝑎−1 𝐶𝑀𝐴 𝑃(𝐹 > 𝐹0𝐴 )
𝐶𝑀𝐸
𝐶𝑀𝐵
Efecto B 𝑆𝐶𝐵 𝑏−1 𝐶𝑀𝐵 𝑃(𝐹 > 𝐹0𝐵 )
𝐶𝑀𝐸
𝐶𝑀𝐴𝐵
Efecto AB 𝑆𝐶𝐴𝐵 (𝑎 − 1)(𝑏 − 1) 𝐶𝑀𝐴𝐵 𝑃(𝐹 > 𝐹0𝐴𝐵 )
𝐶𝑀𝐸
Error 𝑆𝐶𝐸 𝑎. 𝑏(𝑛 − 1) 𝐶𝑀𝐸
Total 𝑆𝐶𝑇 𝑎. 𝑏. 𝑛 − 1
Fuente: Autor
Para el cálculo de la suma de cuadrados de cada efecto, la suma de cuadrados de la

interacción, la suma de cuadrados del error y la suma de cuadrados totales tenemos las
siguientes ecuaciones:
𝑎 2 2
𝑌𝑖•• 𝑌•••
𝑆𝐶𝐴 = ∑ − 𝐸𝑐. 2.8
𝑏. 𝑛 𝑁
𝑖=1
2𝑏
𝑌•𝑗• 2
𝑌•••
𝑆𝐶𝐵 = ∑ − 𝐸𝑐. 2.9
𝑎. 𝑛 𝑁
𝑗=1
𝑎 𝑏 2
𝑌𝑖𝑗• 2
𝑌•••
𝑆𝐶𝐴𝐵 = ∑ ∑ − − 𝑆𝐶𝐴 − 𝑆𝐶𝐵 𝐸𝑐. 2.10
𝑛 𝑁
𝑖=1 𝑗=1
𝑆𝐶𝐸 = 𝑆𝐶𝑇 − 𝑆𝐶𝐴 − 𝑆𝐶𝐵 − 𝑆𝐶𝐴𝐵 𝐸𝑐. 2.11
41
𝑎 𝑏 𝑛
2
2
𝑌•••
𝑆𝐶𝑇 = ∑ ∑ ∑ 𝑌𝑖𝑗𝑘 − 𝐸𝑐. 2.12
𝑁
𝑖=1 𝑗=1 𝑘=1
Donde, 𝑁 = 𝑎. 𝑏. 𝑛 es el total de observaciones en el experimento; 𝑌𝑖•• es el total en el

nivel i del factor A, 𝑌•j• es el total en el nivel j del factor B, 𝑌••• es la suma de todas las
observaciones.
Representación de los efectos principales y la interacción
El efecto principal de un factor se puede representarse gráficamente al ubicar en el eje

horizontal los niveles del factor y en el eje vertical la media de la respuesta observada
de cada uno de los niveles, como se ilustra en la Figura 2.5, por la diferencia de
pendientes en las líneas se puede identificar el efecto que más influye en la respuesta.
Figura 2.5 Representación de los efectos principales

Fuente: [10]
Para los efectos de interacción entre dos factores, se pueden representar gráficamente
ubicando en el eje vertical la magnitud de la variable de respuesta, en el eje horizontal
se disponen los niveles de uno de los factores, vertical a cada uno de estos niveles se
sitúa un punto que representa la respuesta promedio en cada nivel del otro factor;
finalmente se unen los puntos del lado izquierdo correspondientemente con los del
lado derecho, como se muestra en la Figura 2.6.
42
Figura 2.6 Representación de los efectos de interacción AB
Fuente: [10]
Para interpretar correctamente que existe interacción hay que entender que esto ocurre
cuando las líneas obtenidas tienen pendientes muy diferentes, como ocurre en la Figura
2.6; si no es así y las pendientes son similares, como en la Figura 2.7, entonces no hay
interacción entre los factores.
Figura 2.7 Representación de los efectos de no interacción AB

Fuente: [10]
Asimismo es preciso analizar con detalle lo que pasa con la respuesta cuando se mueve
un factor dependiendo del nivel en el que esté otro.
43
Coeficientes de determinación
Para medir la calidad global del modelo, se emplean dos estadísticos útiles, estos son:
el coeficiente de determinación (𝑅 2 ) y el coeficiente de determinación ajustado (𝑅 2 𝑎𝑗 ),
estos estadísticos se obtienen a partir del análisis de varianza. [10]
𝑆𝐶𝑇 − 𝑆𝐶𝐸
𝑅2 = ∗ 100 Ec. 2.13
𝑆𝐶𝑇
𝐶𝑀𝑇 − 𝐶𝑀𝐸
𝑅 2 𝑎𝑗 = ∗ 100 Ec. 2.14
𝐶𝑀𝑇
SUPUESTOS PARAMÉTRICOS
El uso de la partición de la variabilidad total de los datos al aplicar el análisis de

varianza requiere que se satisfagan los supuestos del modelo. Ya que para el análisis
se supone que las poblaciones son independientes y que están distribuidas en forma
normal con medias 𝜇1 = 𝜇2 = ⋯ = 𝜇𝑘 y varianza común 𝜎 2 , estas suposiciones son
aceptable de mejor manera mediante la aleatoriedad. Esto se interpreta en que, la
respuesta 𝑌 en cada tratamiento se debe distribuir de manera normal, con la misma
varianza en cada tratamiento y las mediciones deben ser independientes.
Los supuestos sobre 𝑌 se traducen en supuestos sobre los residuos (𝑒𝑖𝑗 ), el residual o
residuo está dado por la diferencia entre la observación 𝑌𝑖𝑗 y la respuesta predicha 𝑌̂𝑖𝑗 .
NORMALIDAD
Para verificar el supuesto de normalidad se puede graficar un histograma de los datos,

otra forma es realizar una gráfica de probabilidad normal de los residuales, pero la
mejor manera de tener una correcta interpretación de que los datos sigan una
distribución normal o no, es la contrastar significancias empleando una prueba de
bondad de ajuste normal, como la de Kolmogorov – Smirnov. [13]
La prueba de Kolmogorov – Smirnov se emplea para probar que una muestra proviene
de una distribución continua, en este caso la distribución normal, la prueba se basa en
44
comparar la función distribución acumulada de una distribución teórica 𝐹𝑡 (𝑥) con una
distribución acumulada de la muestra 𝐹𝑚 (𝑥). [13]. Si las funciones de distribución
acumulada teórica y muestral no son significativamente diferentes, se puede decir que
la muestra proviene de la distribución teórica, de no ser así y las diferencias son
demasiado grandes, rechazamos 𝐻0 .
Con la significancia calculada (valor-p) se puede concluir que:
𝐻0 → 𝐿𝑎 𝑚𝑢𝑒𝑠𝑡𝑟𝑎 𝑝𝑟𝑜𝑣𝑖𝑒𝑛𝑒 𝑑𝑒 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑛𝑜𝑟𝑚𝑎𝑙
𝐻1 → 𝐿𝑎 𝑚𝑢𝑒𝑠𝑡𝑟𝑎 𝑛𝑜 𝑝𝑟𝑜𝑣𝑖𝑒𝑛𝑒 𝑑𝑒 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑛𝑜𝑟𝑚𝑎𝑙
Si el valor-p < 𝛼, rechazamos 𝐻0 .
IGUALDAD DE VARIANZAS
Una manera de verificar este supuesto es graficar los predichos contra los residuos
(𝑌̂𝑖𝑗 𝑣𝑠. 𝑒𝑖 ), los predichos en el eje horizontal y los residuos en el vertical. Para tomar
una decisión se visualiza que los puntos en esta gráfica se distribuyan de manera
aleatoria en una banda horizontal, siendo ese el caso, se confirma que se cumpla el
supuesto de igualdad de varianza entre los tratamientos. [10]
Otra manera de verificar el supuesto de igualdad de varianzas es aplicar una prueba

estadística, una de ellas es la prueba de Levene, el cual es un procediendo robusto a
deviaciones de la normalidad. La prueba de Levene utiliza la desviación absoluta de
las observaciones 𝑌𝑖𝑗 de cada tratamiento de la mediana de los tratamientos 𝑌̃𝑖 . Esta
prueba evalúa si la media de estas desviaciones es igual o no para todos los
tratamientos. Si las desviaciones medias son iguales, las varianzas de las observaciones
de todos los tratamientos son iguales. [12]
Con la significancia calculada (valor-p) se puede concluir que:
𝐻0 : 𝜎12 = 𝜎22 = ⋯ 𝜎𝑘2 = 𝜎 2
𝐻1 : 𝜎𝑖2 ≠ 𝜎𝑗2 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔ú𝑛 𝑖 ≠ 𝑗

45
Si el valor-p < 𝛼, rechazamos 𝐻0 .
INDEPENDENCIA DE RESIDUOS
Este supuesto se puede verificar al graficar el orden en el que se colectó un dato

situándolo en el eje horizontal contra el residuo correspondiente en el eje vertical.
Figura 2.8 Gráfica de Orden vs. Residuos en la que no se cumple independencia

Fuente: [10]
Para interpretar la información de la gráfica, hay que detectar la presencia de alguna

tendencia o patrón no aleatorio claramente definido, siendo esta la evidencia de que
existe una correlación entre los errores, como se puede visualizar en la Figura 2.8. [10]
Figura 2.9 Gráfica de Orden vs. Residuos en la que se cumple independencia

Fuente: [10]
46
Si esto no pasa, se puede evidenciar un comportamiento aleatorio de los puntos dentro
de la banda horizontal, confirmando la independencia de residuos, como se observa en
la Figura 2.9. [10]
TRANSFORMACIÓN DE DATOS
Las pruebas paramétricas son herramientas potentes y alternativas altamente

confiables al momento de analizar datos, por lo que son las pruebas más destacadas,
sin embargo para su aplicación se requiere que ciertos supuestos que cumplan, como
el de normalidad y el de igualdad de varianzas. [14]
Ante la necesidad de emplear una prueba paramétrica sin contar con alguno de estos
supuestos, existe la posibilidad de transformar los datos para hacer validos los
supuestos y así analizar los datos transformados sin problema.
Una familia de transformaciones mayormente empleada es la familia de

transformaciones Box-Cox, en donde los datos 𝑌𝑖 serán transformados en 𝑊𝑖 .
𝑌𝑖𝜆 , 𝑠𝑖 𝜆 ≠ 0
𝑊𝑖 = { Ec. 2.15
𝐿𝑛(𝑌𝑖 ) , 𝑠𝑖 𝜆 = 0
Donde, 𝑌𝑖 es un valor de los datos originales y 𝜆 es el parámetro de transformación.

[15]
OPTIMIZACIÓN DE RESPUESTAS MÚLTIPLES
Por lo general se cree tener una buena idea de lo que quiere obtener con el análisis:
mejorar la resistencia de un material, subir una pureza, bajar un costo, reducir el
desgaste de un material, etc. La base del problema es que en la práctica se requiere
todo eso al mismo tiempo, esto quiere decir que no basta con tener una alta resistencia,
quisiéramos también una pureza elevada, con un costo mínimo, etc. [16]
Al considerar ya no una sola característica sino diversas características

simultáneamente, las cuales van a optimizarse en sentido opuesto lo cual llevará a que
al momento de mejorar una, estemos perjudicando otra, [16] en otras palabras los
47
óptimos no caen la misma combinación de los factores de control, viéndonos en la
necesidad de buscar una solución en la que todas las variables tengan un nivel
satisfactorio, siendo esta solución el óptimo simultaneo. [10]
MÉTODO DE LA FUNCIÓN DE DESEABILIDAD
Al momento de querer efectuar una optimización de respuestas múltiples, inicialmente

se enfrenta el problema de que las respuestas a optimizar 𝑌 están medidas en distintas
unidades: porcentajes, magnitudes físicas, dinero, etc., por lo que posterior al diseño
de experimental aplicado se busca transformar las respuestas predichas por el modelo
𝑌̂𝑖 (𝑥) a valores normalizados, en este caso valores adimensionales dentro del intervalo
[0,1], a este valor se lo conoce como deseabilidad individual 𝑑𝑖 . [10], [16]
La respuesta predicha por el modelo 𝑌̂𝑖 (𝑥), es la estimación dentro del conjunto de
datos para una observación específica, que se calcula a partir de la ecuación de
regresión del modelo.
La deseabilidad individual 𝑑𝑖 (𝑥), mide el interés que el investigador tiene sobre el

punto 𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑘 ) de la respuesta 𝑌𝑖 y depende de las especificaciones y del
valor objetivo de cada respuesta. En particular se puede analizar dos casos de
optimización individual: [10]
Cuando se desea maximizar la respuesta de salida.
0, 𝑌̂𝑖 (𝑥) ≤ 𝑌𝑚𝑖𝑛

𝑟
𝑌̂𝑖 (𝑥) − 𝑌𝑚𝑖𝑛
𝑑𝑖 (𝑥) = ( ) , 𝑌𝑚𝑖𝑛 ≤ 𝑌̂𝑖 (𝑥) ≤ 𝑌𝑚á𝑥 , 𝑟 ≥ 0 Ec. 2.16
𝑌𝑚á𝑥 − 𝑌𝑚𝑖𝑛
{ 1, 𝑌̂𝑖 (𝑥) ≥ 𝑌𝑚á𝑥
Cuando se desee minimizar la respuesta de salida.
1, 𝑌̂𝑖 (𝑥) ≤ 𝑌𝑚𝑖𝑛

𝑟
𝑌̂ (𝑥) − 𝑌𝑚á𝑥
𝑑𝑖 (𝑥) = ( 𝑖 ) , 𝑌𝑚𝑖𝑛 ≤ 𝑌̂𝑖 (𝑥) ≤ 𝑌𝑚á𝑥 , 𝑟 ≥ 0 Ec. 2.17
𝑌𝑚𝑖𝑛 − 𝑌𝑚𝑎𝑥
{ 0, 𝑌̂𝑖 (𝑥) ≥ 𝑌𝑚á𝑥
48
Donde, 𝑦𝑚á𝑥 es la especificación superior de la respuesta, 𝑦𝑚𝑖𝑛 es la especificación
inferior de la respuesta y 𝑟 es una constante que permite definir la forma de la función
de deseabilidad para cada respuesta.
Una vez calculadas las deseabilidades individuales sobre el punto 𝑥 se procede a

definir un valor que mide la deseabilidad promedio en cada caso, lo cual convierte el
problema de optimización de respuestas múltiples en un problema de una única
respuesta analizable de manera objetiva. La deseabilidad global está definida por la
media geométrica ponderada:
1⁄
𝐷𝐺(𝑥) = (𝑑1 𝑤1 ∗ 𝑑2 𝑤2 ∗ … ∗ 𝑑𝑚 𝑤𝑚 ) ∑ 𝑤𝑖 Ec. 2.18
Donde, 𝑤𝑖 es la importancia relativa que tiene cada respuesta.
El punto óptimo simultaneo en es el punto 𝑥𝑜𝑝 = (𝑥1 𝑜𝑝 , 𝑥2 𝑜𝑝 , … , 𝑥𝑘 𝑜𝑝 ), sobre el cual

la función 𝐷𝐺(𝑥𝑜𝑝 ) es máxima.
PROPIEDADES MECÁNICAS
La propiedad mecánica es una característica inherente propia del material, estas se

determinan mediante experimentos, algunas de las pruebas más importantes son las de
tracción, flexión e impacto; a partir de estas pruebas se pueden establecer varias
propiedades mecánicas importantes de un material. [17] Para determinar las
propiedades mecánicas de cierto material mediante la caracterización del mismo, se
realizan las pruebas o ensayos con un número específico de probetas. [18]
La Sociedad Americana para Ensayos y Materiales (ASTM) ha desarrollado normas

para ensayo de materiales, dentro de las cuales encontramos las requeridas para la
caracterización de materiales compuestos. [18]
49
ENSAYOS DE TRACCIÓN
El ensayo de tracción es el más usual de los ensayos realizados en materiales, el cual

consiste en deformar una probeta hasta la ruptura mediante la aplicación de una fuerza
axial que aumenta de manera gradual a lo largo del eje principal. [18]
Para la ejecución del ensayo de tracción se emplea la norma ASTM D3039/D3039M–

00, prevista para materiales compuestos, al caracterizar dicho material mediante el
ensayo de tracción se pueden determinar las siguientes propiedades: [18]
 Esfuerzo máximo de tracción: Carga máxima resistida por la probeta dividida por
la sección inicial.
 Módulo de elasticidad: Relación entre la tensión y la deformación en la zona de

comportamiento proporcional.
 Elongación: Mayor alargamiento plástico alcanzado por la probeta.
ENSAYOS DE FLEXIÓN
El ensayo a flexión consiste en un sistema de cargas en tres puntos utilizando una carga
central en una viga con apoyos simples. Para la ejecución del ensayo de flexión se
emplea la norma ASTM D7264/D7264M–07, prevista para materiales compuestos, al
caracterizar dicho material mediante el ensayo de flexión se pueden determinar las
siguientes propiedades: [18]
 Deflexión: Desplazamiento máximo vertical que soporta la probeta antes de su

fractura.
 Esfuerzo máximo de flexión: Esfuerzo máximo producido en la superficie exterior

correspondiente a la fuerza máxima aplicada antes de la falla.
 Módulo de elasticidad secante de flexión: Es la relación entre el esfuerzo y la

deflexión en un punto dentro de la región elástica de la curva esfuerzo deflexión.
50
 Deformación máxima.
ENSAYOS DE IMPACTO
El ensayo de impacto mediante caída de dardo determina la energía media de fallo en

la cual la probeta presente fisuras tras dejar caer un dardo sobre la misma. Para la
ejecución del ensayo de impacto se emplea la norma ASTM D5628-10, prevista para
materiales compuestos, al caracterizar dicho material mediante el ensayo de impacto
se pueden determinar las siguientes propiedades: [18]
 Energía media de fallo
2.2 HIPÓTESIS
El análisis estadístico del material híbrido con fibra de vidrio y abacá en matriz
polimérica de resina poliéster permitirá la optimización de propiedades mecánicas a
tracción, flexión e impacto.
2.3 SEÑALAMIENTO DE VARIABLES DE LA HIPÓTESIS
VARIABLE INDEPENDIENTE
Análisis estadístico del material híbrido con fibra de vidrio y abacá en matriz
polimérica de resina poliéster.
VARIABLE DEPENDIENTE
Optimización de propiedades mecánicas a tracción, flexión e impacto.
TÉRMINO DE RELACIÓN
Permitirá
51
CAPÍTULO III
3 METODOLOGÍA
3.1 NIVEL O TIPO DE INVESTIGACIÓN
INVESTIGACIÓN TEÓRICA
Se aplica este tipo de investigación ya a que se genera información enmarcada en una

metodología aplicable a datos afines, contiene información extensa y desarrollada para
procesos de análisis, desde la recolección de los datos hasta la conclusión objetiva de
una hipótesis.
INVESTIGACIÓN DESCRIPTIVA
Se establece este tipo de investigación debido a que se efectúa una representación

completa de parámetros dentro de cada una de las propiedades, además se estiman
características de las poblaciones, necesarias para un análisis completo de respuestas
y factores de entrada.
INVESTIGACIÓN EXPLICATIVA
Se trata una investigación explicativa ya que no es suficiente entender los parámetros

y características tratadas, sino que se busca la relación de los mismos con las respuestas
y es tipo de análisis, respectivamente.
INVESTIGACIÓN EXPERIMENTAL
Se emplea la investigación experimental ya que se aplica diseños en los que se

manipulan una o varias variables independientes, en los mismos se miden los efectos
de la variable independiente sobre la variable de respuesta. En esta investigación se
plantea una situación experimental que se propone validar.
52
3.2 POBLACIÓN Y MUESTRA
POBLACIÓN
El presente trabajo experimental tiene como población todas las probetas elaboradas
de material hibrido de tejido de abacá (FAb) y algodón (FAl) más fibra de vidrio (FV),
combinado con una matriz polimérica de resina poliéster, elaboradas bajo las
condiciones descritas en la Tabla 3.1.
Tabla 3.1 Descripción de las condiciones de los niveles de cada factor.
Configuración
Niveles Descripción
1 Caso 1 20% FV + 7.75% FAb (0°) + 2.25% FAl (90°)
2 Caso 2 10% FV + 17.75% FAb (0°) + 2.25% FAl (90°)
3 Caso 3 20% FV + 7.75% FAb (45°) + 2.25% FAl (135°)
4 Caso 4 10% FV + 17.75% FAb (45°) + 2.25% FAl (135°)
5 Caso 5 23.25% FAb (0°, 45°, 135°) + 6.75% FAl (90°, 135°, 225°)
6 Caso 6 10% FV + 20% F. Larga Abacá
7 Caso 7 10% FV + 20% F. Corta Abacá
Tipo de Secado
Niveles Descripción
1 Ambiente Curado al ambiente a una temperatura de 18 °C a 21°C
Curado en horno secador infrarrojo a una temperatura de
2 Horno
80 °C por un tiempo de 24 horas
Fuente: Autor
MUESTRA
La muestra que se estima para la aplicación del diseño experimental parte de un diseño
factorial completo en el que se describen 14 tratamientos que proceden de la
combinación de los factores configuración y tipo de secado.
53
Las réplicas para el estudio se detallan en la Tabla 3.2, en donde para las propiedades
mecánicas a tracción y flexión se dispone de 5 réplicas, mientras que para la propiedad
mecánica a impacto se cuenta con una réplica debido a la naturaleza del ensayo; en
total se analizan 504 datos.
Tabla 3.2 Réplicas de los tratamientos para cada propiedad mecánica a analizar.
Factores Ensayos
Tipo de
Configuración Tracción Flexión Impacto
Secado
Caso 1 Ambiente 5 5 5 5 5 5 5 1 36
Caso 2 Ambiente 5 5 5 5 5 5 5 1 36
Caso 3 Ambiente 5 5 5 5 5 5 5 1 36
Caso 4 Ambiente 5 5 5 5 5 5 5 1 36
Caso 5 Ambiente 5 5 5 5 5 5 5 1 36
Caso 6 Ambiente 5 5 5 5 5 5 5 1 36
Caso 7 Ambiente 5 5 5 5 5 5 5 1 36
Caso 1 Horno 5 5 5 5 5 5 5 1 36
Caso 2 Horno 5 5 5 5 5 5 5 1 36
Caso 3 Horno 5 5 5 5 5 5 5 1 36
Caso 4 Horno 5 5 5 5 5 5 5 1 36
Caso 5 Horno 5 5 5 5 5 5 5 1 36
Caso 6 Horno 5 5 5 5 5 5 5 1 36
Caso 7 Horno 5 5 5 5 5 5 5 1 36
Total de datos 504
Fuente: Autor
54
3.4 OPERACIONALIZACIÓN DE VARIABLES
VARIABLE INDEPENDIENTE
Análisis estadístico del material híbrido con fibra de vidrio y abacá en matriz polimérica de resina poliéster.
Tabla 3.3 Variable independiente.

Concepto Categoría Indicador Ítem Herramienta
Forma más eficaz de Diseño completamente al azar Observación
Diseño de
hacer pruebas, para Análisis Diseño en bloques completos al azar
experimentos y
responder las estadístico Diseño factorial Software
optimización
interrogantes planteadas Función de deseabilidad estadístico
20% FV + 7.75% FAb (0°) + 2.25% FAl (90°)
Observación
Aquel que utiliza más 10% FV + 17.75% FAb (0°) + 2.25% FAl (90°)
directa
de un tipo de material 20% FV + 7.75% FAb (45°) + 2.25% FAl (135°)
Configuración del
de refuerzo. Puede 10% FV + 17.75% FAb (45°) + 2.25% FAl (135°)
Material material Fichas de datos
formarse utilizando una 23.25% FAb (0°, 45°, 135°) + 6.75% FAl (90°, 135°, 225°)
híbrido
combinación entre 10% FV + 20% F. Larga Abacá
Bibliografía
fibras sintéticas y fibras 10% FV + 20% F. Corta Abacá
naturales Secado al ambiente
Tipo de secado Normas ASTM
Secado al horno
Fuente: Autor
55
VARIABLE DEPENDIENTE
Optimización de propiedades mecánicas a tracción, flexión e impacto.
Tabla 3.4 Variable dependiente

Concepto Categoría Indicador Ítem Herramienta
Propiedades Esfuerzo Máximo de Tracción 22,139 – 77,15 MPa
mecánicas a Módulo de elasticidad 560,478 – 2459,88 MPa
Observación
Describe el tracción Porcentaje de elongación 2,374 – 4,94 %
comportamiento de un Deflexión 4,752 – 17,511 mm
Ficha de datos
material al aplicarle Esfuerzo máximo de flexión 15,70 – 174,928 MPa
Propiedades
fuerzas y evaluarlo
mecánicas a flexión Módulo de elasticidad secante de flexión 706,41 – 17547,24 MPa Bibliografía
mediante una norma
específica Deformación máxima 0,934 – 2,922 %
Normas ASTM
Propiedad
Energía media de fallo 1,3574 - 2.2624 J
mecánica a impacto
Forma más eficaz de Diseño de Observación
Coeficientes de determinación (0 – 100 %)
hacer pruebas, para experimentos
responder las Optimización de Software
Deseabilidad global (0 - 1)
interrogantes planteadas varias respuestas estadístico
Fuente: Autor
56
3.5 PLAN DE RECOLECCIÓN DE INFORMACIÓN
El plan de recolección de la información se detalla en la Tabla 3.5.
Tabla 3.5 Plan de recolección de información.
Plan de recolección de información
Las propiedades mecánicas a tracción, flexión e impacto del

material hibrido de tejido de abacá (FAb) y algodón (FAl)
¿Qué?
más fibra de vidrio (FV), combinado con una matriz
polimérica de resina poliéster.
Optimizar las propiedades mecánicas mediante la aplicación
¿Para qué?
de una metodología estadística.
La recolección de información es realizada por el
¿Quién?
investigador (Henry Erazo)
Está dirigido a estudiantes y docentes que necesiten una base
¿A quién? bibliográfica y un aporte consistente a proyectos que se
ejecutan actualmente en la UTA-FICM.
Se recolecta la información mediante el aporte del proyecto
¿Cómo?
de investigación del cual se deriva este trabajo experimental.
Para obtener la información se emplean hojas de cálculo,
¿Con qué?
editor de texto y bibliografía.
¿Cuándo? Se ejecuta en el año 2018
En los ensayos a tracción y flexión se consiguen 5 datos
¿Cuántas
(réplicas) por cada propiedad, mientras que en el ensayo de
veces?
impacto se recaba 1 dato.
La recolección de información es realizada en la Universidad
¿Dónde?
Técnica de Ambato.
Fuente: Autor
3.6 PLAN DE PROCESAMIENTO Y ANÁLISIS
La información obtenida mediante el plan anteriormente detallado fue procesada y

analizada de la manera siguiente:
57
REVISIÓN
La información adquirida con el plan de recolección fue revisada para corroborar que
se mantengan constantes las réplicas en los diferentes niveles de cada factor.
TABULACIÓN
Los datos obtenidos se organizan y ubican de manera estratégica de acuerdo a la matriz

de diseño planteada para la aplicación del diseño experimental.
ANÁLISIS
Se realizan las distintas pruebas estadísticas para analizar la información recolectada

con el objetivo de optimizar las propiedades mecánicas.
PRESENTACIÓN
La información se dispone en gráficos y tablas con el fin de entender el

comportamiento de los factores de entrada en las respuestas de salida.
INTERPRETACIÓN
En términos generales se persigue saber si con la metodología aplicada existe un caso

que optimice las propiedades, esto se interpreta contrastando el valor de la
significancia calculada con el de la significancia predefinida.
58
CAPITULO IV
4 ANÁLISIS E INTERPRETACIÓN DE RESULTADOS
4.1 RECOLECCIÓN DE DATOS
El arreglo factorial de las combinaciones del experimento de acuerdo a los niveles

tratados se detallan en las Tabla 4.1, Tabla 4.2 y Tabla 4.3, para cada una de las
propiedades mecánicas a analizar. En dichas tablas se especifican cada una de las
réplicas efectuadas para el posterior análisis.
Tabla 4.1 Resultados del ensayo de tracción.

Factores Propiedades Mecánicas a Tracción
Esfuerzo
Módulo de
Tipo de Máximo de
Configuración Elasticidad Elongación [%]
Secado Tracción
[MPa]
[MPa]
Caso 1 Ambiente 87.92 2109.46 4.17
Caso 1 Ambiente 76.23 1943.51 3.92
Caso 1 Ambiente 74.07 2044.55 3.62
Caso 1 Ambiente 76.05 1799.77 4.23
Caso 1 Ambiente 71.38 1761.36 4.05
Caso 2 Ambiente 52.91 1651.89 3.20
Caso 2 Ambiente 53.87 1504.06 3.58
Caso 2 Ambiente 68.43 2519.46 2.72
Caso 2 Ambiente 62.03 1899.84 3.27
Caso 2 Ambiente 57.81 1721.97 3.36
Caso 3 Ambiente 55.00 1740.36 3.16
Caso 3 Ambiente 57.24 1859.61 3.08
Caso 3 Ambiente 53.89 1514.57 3.56
59
Caso 3 Ambiente 51.88 2229.00 2.33
Caso 3 Ambiente 56.8 1657.91 3.43
Caso 4 Ambiente 41.13 2025.78 2.03
Caso 4 Ambiente 46.20 1744.45 2.65
Caso 4 Ambiente 43.05 1404.62 3.06
Caso 4 Ambiente 44.01 1450.92 3.03
Caso 4 Ambiente 48.54 1789.17 2.71
Caso 5 Ambiente 57.39 1740.84 3.30
Caso 5 Ambiente 56.55 1801.00 3.14
Caso 5 Ambiente 57.44 1604.76 3.58
Caso 5 Ambiente 51.85 1489.66 3.48
Caso 5 Ambiente 61.68 1842.05 3.35
Caso 6 Ambiente 55.57 1740.95 3.19
Caso 6 Ambiente 81.00 2627.51 3.08
Caso 6 Ambiente 68.58 2302.3 2.98
Caso 6 Ambiente 70.59 2283.87 3.09
Caso 6 Ambiente 81.18 3344.77 2.43
Caso 7 Ambiente 38.03 1511.49 2.52
Caso 7 Ambiente 34.75 1717.46 2.02
Caso 7 Ambiente 33.83 1440.92 2.35
Caso 7 Ambiente 30.57 1347.12 2.27
Caso 7 Ambiente 40.10 1479.62 2.71
Caso 1 Horno 66.42 1573.65 4.22
Caso 1 Horno 69.35 1654.28 4.19
Caso 1 Horno 68.04 1667.72 4.08
Caso 1 Horno 67.56 1741.91 3.88
Caso 1 Horno 67.18 1683.10 3.99
Caso 2 Horno 56.38 1291.09 4.37
Caso 2 Horno 69.21 1422.02 4.87
Caso 2 Horno 69.82 1333.20 5.24
60
Caso 2 Horno 68.58 1270.78 5.40
Caso 2 Horno 60.66 1258.97 4.82
Caso 3 Horno 55.76 1938.1 2.88
Caso 3 Horno 75.30 1884.04 4.00
Caso 3 Horno 70.30 1781.82 3.95
Caso 3 Horno 70.97 1672.94 4.24
Caso 3 Horno 62.21 1626.06 3.83
Caso 4 Horno 34.35 1159.25 2.96
Caso 4 Horno 27.57 940.97 2.93
Caso 4 Horno 29.00 942.90 3.08
Caso 4 Horno 30.31 1607.87 1.89
Caso 4 Horno 31.63 983.57 3.22
Caso 5 Horno 21.79 586.78 3.71
Caso 5 Horno 26.26 706.07 3.72
Caso 5 Horno 19.38 458.48 4.23
Caso 5 Horno 19.61 475.72 4.12
Caso 5 Horno 23.58 575.34 4.10
Caso 6 Horno 53.06 1476.64 3.59
Caso 6 Horno 62.92 1623.41 3.88
Caso 6 Horno 50.08 1395.45 3.59
Caso 6 Horno 55.24 1502.67 3.68
Caso 6 Horno 54.46 1470.95 3.71
Caso 7 Horno 28.12 923.07 3.05
Caso 7 Horno 35.13 1045.89 3.36
Caso 7 Horno 28.89 1039.57 2.78
Caso 7 Horno 35.31 957.83 3.69
Caso 7 Horno 30.32 952.87 3.18
Fuente: Autor
61
Tabla 4.2 Resultados del ensayo de flexión.
Factores Propiedades Mecánicas a Flexión
Esfuerzo Módulo de
Máximo Elasticidad
Tipo de Deflexión Deformación
Configuración de Secante de
Secado [mm] Máxima [%]
Flexión Flexión
[MPa] [MPa]
Caso 1 Ambiente 12.938 97.37 3919.70 2.48
Caso 1 Ambiente 9.199 111.56 6782.67 1.64
Caso 1 Ambiente 9.329 78.08 4386.47 1.78
Caso 1 Ambiente 10.857 123.83 6623.28 1.87
Caso 1 Ambiente 13.182 101.91 4505.41 2.26
Caso 2 Ambiente 13.093 74.11 3083.14 2.40
Caso 2 Ambiente 17.952 79.49 2510.19 3.17
Caso 2 Ambiente 14.076 81.70 3290.26 2.48
Caso 2 Ambiente 14.323 69.09 2881.75 2.40
Caso 2 Ambiente 16.608 80.41 2851.36 2.82
Caso 3 Ambiente 7.298 78.40 5250.74 1.49
Caso 3 Ambiente 7.901 87.30 5384.69 1.62
Caso 3 Ambiente 9.875 105.73 5263.92 2.01
Caso 3 Ambiente 10.359 104.46 4899.71 2.13
Caso 3 Ambiente 9.152 100.25 5465.87 1.83
Caso 4 Ambiente 17.492 71.77 2868.54 3.13
Caso 4 Ambiente 16.619 72.38 2965.35 3.05
Caso 4 Ambiente 11.506 67.48 3891.38 2.17
Caso 4 Ambiente 15.538 73.76 3445.69 2.68
Caso 4 Ambiente 15.428 71.47 3316.45 2.69
Caso 5 Ambiente 13.627 36.47 1425.04 2.56
Caso 5 Ambiente 16.749 40.38 1283.86 3.15
Caso 5 Ambiente 15.885 51.62 1769.97 2.92
62
Caso 5 Ambiente 16.081 44.67 1517.90 2.94
Caso 5 Ambiente 15.213 41.91 1378.80 3.04
Caso 6 Ambiente 9.521 95.36 5473.06 1.74
Caso 6 Ambiente 9.68 82.69 4519.77 1.83
Caso 6 Ambiente 12.085 96.47 4305.54 2.24
Caso 6 Ambiente 14.954 68.91 2341.36 2.94
Caso 6 Ambiente 9.875 89.20 4903.83 1.82
Caso 7 Ambiente 4.125 17.88 2150.53 0.83
Caso 7 Ambiente 5.894 39.91 3378.59 1.18
Caso 7 Ambiente 4.739 25.05 2752.56 0.91
Caso 7 Ambiente 3.745 28.57 3973.68 0.72
Caso 7 Ambiente 5.255 30.62 2961.19 1.03
Caso 1 Horno 3.659 93.46 15790.94 0.74
Caso 1 Horno 5.451 121.50 13903.69 1.09
Caso 1 Horno 4.932 122.60 15598.66 0.98
Caso 1 Horno 6.681 140.92 12849.15 1.37
Caso 1 Horno 5.528 159.34 18033.59 1.1
Caso 2 Horno 11.162 114.93 6875.35 2.09
Caso 2 Horno 12.613 138.27 7488.24 2.31
Caso 2 Horno 9.794 127.83 9608.41 1.66
Caso 2 Horno 13.108 141.35 7747.00 2.28
Caso 2 Horno 12.506 123.71 6542.57 2.36
Caso 3 Horno 6.539 159.79 16316.76 1.22
Caso 3 Horno 7.489 188.56 16392.21 1.44
Caso 3 Horno 5.525 160.69 18361.16 1.09
Caso 3 Horno 7.144 205.28 20156.01 1.27
Caso 3 Horno 6.048 161.98 16806.14 1.20
Caso 4 Horno 12.045 153.93 9860.62 1.95
Caso 4 Horno 10.954 102.91 6590.05 1.95
Caso 4 Horno 8.472 98.65 8279.60 1.49
63
Caso 4 Horno 8.491 113.18 10025.15 1.41
Caso 4 Horno 9.964 116.19 8524.32 1.70
Caso 5 Horno 12.411 21.47 844.22 3.18
Caso 5 Horno 10.59 16.86 906.28 2.33
Caso 5 Horno 10.532 12.26 634.73 2.41
Caso 5 Horno 13.105 17.43 731.22 2.98
Caso 5 Horno 11.378 11.25 495.37 2.84
Caso 6 Horno 8.414 139.52 9569.70 1.82
Caso 6 Horno 5.813 99.78 10073.00 1.24
Caso 6 Horno 5.99 178.15 17163.74 1.30
Caso 6 Horno 3.861 70.59 10852.29 0.81
Caso 6 Horno 8.802 167.80 11646.72 1.80
Caso 7 Horno 4.802 46.82 5786.69 1.01
Caso 7 Horno 6.944 99.66 9614.12 1.30
Caso 7 Horno 5.849 101.28 11751.13 1.08
Caso 7 Horno 7.054 89.78 8286.57 1.35
Caso 7 Horno 8.531 118.79 9009.25 1.65
Fuente: Autor
Tabla 4.3 Resultados del ensayo de impacto.

Propiedad Mecánica a
Factores
Impacto
Tipo de Energía Media de
Configuración
Secado Fallo [J]
Caso 1 Ambiente 2.2624
64
Caso 1 Horno 2.2624
Caso 2 Horno 1.9230
Caso 3 Horno 2.1493
Caso 4 Horno 1.6968
Caso 5 Horno 1.3574
Caso 6 Horno 1.9230
Caso 7 Horno 2.2624
Fuente: Autor
65
4.2 ANÁLISIS DE LOS RESULTADOS
INICIO
Normalidad
(Prueba de Kolmogorov-Smirnov)
Verificación de Igualdad de varianza

supuestos (Prueba de Levene)
Independencia de residuos
(Gráfica de Orden vs. Residuos)
NO SE CUMPLEN
¿Se cumplen Transformación de Transformación de Box-
los supuestos? Datos Cox
Verificación de
supuestos de datos
transformados Diseño completamente
aleatorizado
SÍ SE CUMPLEN
Aplicación de
Diseño en bloques
diseños
completo al azar
experimentales
Diseño Factorial
Completo
Selección y análisis Comparación de

del diseño que coeficientes de
mejor se ajuste determinación
Análisis de
Optimización de
respuestas
respuestas
predichas del mejor
(Función de Deseabilidad)
modelo
Elegir el caso
óptimo simultaneo
FIN
Figura 4.1 Diagrama de flujo del análisis de los resultados.

Fuente: Autor
66
De acuerdo al diagrama de flujo planteado en la Figura 4.1, se realiza el análisis
pertinente a cada una de las propiedades mecánicas de interés del híbrido en estudio.
Estos análisis se detallan a continuación:
ANÁLISIS DEL ESFUERZO MÁXIMO DE TRACCIÓN
VERIFICACIÓN DE SUPUESTOS
Teniendo presente el objetivo del análisis a realizar y en términos generales sabiendo

que se aplicarán pruebas paramétricas, hay que asegurar que los datos cumplan con los
supuestos mencionados en la sección 2.1.4; para contar con la veracidad de los
resultados.
Es así que previo a la aplicación de cualquier experimento se procese a realizar las

pruebas y análisis respectivos.
Prueba de normalidad
Se emplea la prueba de bondad de ajuste de Kolmogorov – Smirnov, para verificar el

supuesto de normalidad de los datos del esfuerzo máximo de tracción. El estadístico
de prueba y la significancia calculada, como se puede observar en la Tabla 4.4, aclara
que los datos originales no cumplen con el supuesto de normalidad, siendo estrictos
no aceptando aproximaciones ya que para no rechazar 𝐻0 , es necesario que el valor-p
sea mayor o igual a 0.05, siendo este de 0.046; por lo que se requiere transformar los
datos para su verificación y posterior análisis.
Tabla 4.4 Verificación del supuesto de normalidad del esfuerzo máximo de tracción.
𝑯𝟎 : El esfuerzo máximo de tracción tiene distribución
normal.
Hipótesis:
𝑯𝟏 : El esfuerzo máximo de tracción no tiene distribución
normal.
Nivel de
𝛼 = 0.05 Número de datos: 𝑁 = 70
significancia:
67
Estadístico de prueba: Kolmogorov – Smirnov = 0.108 Valor-p = 0.046
Decisión: Se rechaza la hipótesis nula.
Conclusión: Para una significancia del 5%, se concluye que los datos del
esfuerzo máximo de tracción no tienen distribución normal.
Nota: Los datos requieren transformación por falta de normalidad.
Fuente: Autor
Prueba de igualdad de varianza
Para la verificación del supuesto de igualdad de varianza de los tratamientos del

esfuerzo máximo de tracción, empleamos la prueba de Levene.
tracción.
𝑯𝟎 : Los tratamientos del esfuerzo máximo de tracción tienen
igual varianza.
Hipótesis:
𝑯𝟏 : Los tratamientos del esfuerzo máximo de tracción no
tienen igual varianza.
Nivel de
significancia:
68
Configuración Secado
Caso1 Ambiente
Horno Comparaciones múltiples
Caso2 Ambiente Valor p 0.045

Horno Prueba de Levene
Horno
Caso4 Ambiente
Horno
Caso5 Ambiente
Horno
Caso6 Ambiente
Horno
Caso7 Ambiente
Horno
0 10 20 30 40 50 60
Si los intervalos no se sobreponen, las Desv.Est. correspondientes son significativamente diferentes.
Estadístico de prueba: Levene = 1.29 Valor-p = 0.248

Decisión: No se rechaza la hipótesis nula.
Conclusión: Para una significancia del 5%, se concluye que los
tratamientos del esfuerzo máximo de tracción tienen igual
varianza.
Nota: Los datos requieren verificación después de la transformación
por falta de normalidad.
Fuente: Autor
Tras aplicar la prueba se indica que la varianza de los tratamientos no tiene diferencias
significativas, por lo que no se puede rechazar 𝐻0 , esto se describe en la Tabla 4.5, se
aclara que la significancia calculada es mayor que la significancia dada, en valores de
0.248 y 0.05, respectivamente.
Verificación de independencia de residuos
Para verificar que exista independencia en los residuos del esfuerzo máximo de
tracción, nos apoyamos en la información brindada por la Figura 4.2, la cual nos indica
que no existe ninguna tendencia o patrón definido, por lo que se puede concluir que
existe independencia de los residuos de esta propiedad.
69
Figura 4.2 Gráfica del Orden de observación vs. Residuos del esfuerzo máximo de tracción.
Fuente: Minitab® Statistical Software
Debido a la falta de normalidad, los datos requieren ser transformados.
Tabla 4.6 Transformación de Box-Cox del esfuerzo máximo de tracción.

Nivel de significancia: 𝛼 = 0.05 Número de datos: 𝑁 = 70
Parámetro de transformación: 𝜆 = 1.15

Fuente: Autor
70
Se especifica el parámetro de transformación 𝜆 descrito en la Tabla 4.6 a ser empleado
para dicha transformación.
VERIFICACIÓN DE SUPUESTOS DE LOS DATOS

TRANSFORMADOS
Para verificar el supuesto de normalidad, se aplica nuevamente la prueba de bondad

de ajuste de Kolmogorov – Smirnov, esta vez en los datos transformados del esfuerzo
máximo de tracción.
Tabla 4.7 Verificación del supuesto de normalidad de datos transformados del esfuerzo
𝑯𝟎 : El esfuerzo máximo de tracción tiene distribución
normal.
Hipótesis:
𝑯𝟏 : El esfuerzo máximo de tracción no tiene distribución
normal.
Nivel de
significancia:

71
Conclusión: Para una significancia del 5%, se concluye que los datos
transformados del esfuerzo máximo de tracción tienen
distribución normal.
Fuente: Autor
El estadístico de prueba y la significancia calculada, como se puede observar en la

Tabla 4.7, aclara que los datos transformados cumplen con el supuesto de normalidad,
ya que se requerir un valor-p mayor o igual a 0.05 para no rechazar 𝐻0 , en este caso el
valor-p es de 0.069.
Para verificar el supuesto de igualdad de varianza en los tratamientos de los datos

transformados del esfuerzo máximo de tracción, empleamos la prueba de Levene,
Tabla 4.8 Verificación del supuesto de igualdad de varianza de datos transformados del
esfuerzo máximo de tracción.
igual varianza.
Hipótesis:
Significancia: 𝛼 = 0.05 Número de datos: 𝑁 = 70
Caso1 Ambiente

Horno
Caso4 Ambiente
Horno
Caso5 Ambiente
Horno
Caso6 Ambiente
Horno
Caso7 Ambiente
Horno
0 25 50 75 100 125
72
tratamientos de los datos transformados del esfuerzo máximo
de tracción tienen igual varianza.
Fuente: Autor
Para verificar que exista independencia en los residuos de los datos transformados del
esfuerzo máximo de tracción, nos apoyamos en la información brindada por la Figura
4.3, la cual nos indica que no existe ninguna tendencia o patrón definido, por lo que se
puede concluir que existe independencia de residuos.
APLICACIÓN DE DISEÑOS EXPERIMENTALES
Para la aplicación de los diseños experimentales se consideró tres diseños que se

especifican en la sección 2.1.3, estos son aplicables de acuerdo a los factores
73
planteados. Para poder determinar el diseño que más se ajusta se analizan a
continuación:
Diseño completamente aleatorizado
Para este diseño se considera como únicas fuentes de variación del esfuerzo máximo
de tracción la configuración del material y el error aleatorio.
Tabla 4.9 ANOVA para el DCA del esfuerzo máximo de tracción.

𝑭𝟎 Valor-p
Configuración 60727.26 6 10121.21 23.51 0.000
Error 27118.92 63 430.46
Total 87846.18 69
Fuente: Autor
En el análisis de varianza en la Tabla 4.9 se puede determinar si existen o no

diferencias significativas en los tratamientos. Con el valor-p posterior al análisis
descrito en la Tabla 4.9, se concluye que si hay diferencias significativas entre las
configuraciones, además de este estadístico también nos interesa considerar los
coeficientes de determinación para poder tomar una decisión al momento de elegir el
mejor ajuste, los coeficientes de determinación se detallan en la Tabla 4.10.
Tabla 4.10 Coeficientes de determinación del modelo de regresión del DCA del esfuerzo
Coeficiente de Coeficiente de determinación
determinación (𝑹𝟐 ) ajustado (𝑹𝟐 𝒂𝒋 )
69.13 % 66.19 %
Fuente: Autor
Diseño en bloques completos al azar
Al notar que los datos se pueden ajustar mejor a otro modelo, se procede a aplicar el
diseño en bloques completos al azar, tomando en consideración como factor principal
74
a la configuración, mientras que como factor de bloque el tipo de secado, el análisis
en este tipo de diseño se restringe a no considerar el efecto de interacción entre los
factores anteriormente mencionados. El análisis de varianza de este diseño del esfuerzo
máximo de tracción se especifica en la Tabla 4.11.
Tabla 4.11 ANOVA para el DBCA del esfuerzo máximo de tracción.

𝑭𝟎 Valor-p
Configuración 60727.26 6 10121.21 28.78 0.000
Tipo de Secado 5317.12 1 5317.12 15.12 0.000
Error 21801.80 62 351.64
Total 87846.18 69
Fuente: Autor
Con la tabla de ANOVA de este diseño se concluye que ambos factores influyen
significativamente en esta propiedad, también se analizan los coeficientes de
determinación que se describe en la Tabla 4.12.
Tabla 4.12 Coeficientes de determinación del modelo de regresión del DBCA del esfuerzo
75.18 % 72.38 %
Fuente: Autor
Diseño Factorial Completo
Al aplicar este diseño experimental se tiene presente que se requiere igual interés en
ambos factores a analizar: la configuración y el tipo de secado, dentro del mismo
también se incluye el efecto asociado a la interacción de los factores anteriormente
mencionado, por lo que dependiendo de los resultados del ANOVA se establece si este
contribuye significativamente o no al esfuerzo máximo de tracción.
75
Tabla 4.13 ANOVA para el Diseño factorial completo del esfuerzo máximo de tracción.
𝑭𝟎 Valor-p
Modelo 80940.69 13 6226.21 50.49 0.000
Configuración 60727.26 6 10121.21 82.08 0.000
Tipo de Secado 5317.12 1 5317.12 43.12 0.000
Conf. * Secado 14896.31 6 2482.72 20.13 0.000
Error 6905.49 56 123.31
Total 87846.18 69
Fuente: Autor
De acuerdo a la Tabla 4.13 se puede entender que los efectos de los factores
configuración, tipo de secado y la interacción de estos factores, son significativos;
además se deduce que existen diferencias significativas en los tratamientos planteados.
Tabla 4.14 Coeficientes de determinación del modelo de regresión factorial general del
92.14 % 90.31 %
Fuente: Autor
En la Tabla 4.14 se describen los coeficientes de determinación para el Diseño

Factorial Completo, notamos que presenta un ajuste mucho mejor que modelos
anteriormente analizados.
SELECCIÓN Y ANÁLISIS DEL DISEÑO QUE MEJOR SE AJUSTE
Comparación de coeficientes de determinación
Para seleccionar el modelo y así el diseño que más se ajusta a los datos, basta con
comparar los coeficientes de determinación obtenidos anteriormente, para una
decisión más práctica se los contrasta en la Tabla 4.15.
76
Tabla 4.15 Coeficientes de determinación de cada diseño aplicado al esfuerzo máximo de
tracción.
Diseño Diseño en
Diseño Factorial
completamente bloques
Completo
aleatorizado completos al azar
𝑹𝟐 69.13 % 75.18 % 92.14 %
𝑹𝟐 𝒂𝒋 66.19 % 72.38 % 90.31 %
Fuente: Autor
Es claramente apreciable que el modelo de regresión factorial general del Diseño

Factorial Completo explica el 92.14% de la variabilidad del esfuerzo máximo de
tracción, por lo que se considera el modelo que mejor se ajusta a los datos analizados.
Resultados del análisis del diseño factorial del esfuerzo máximo de tracción.
Para representar los efectos que influyen en el esfuerzo máximo de tracción, estos se
muestran en la Figura 4.4, esta ilustración detalla que los efectos del factor A, que
corresponde a la configuración y los efectos de la interacción AB, correspondiente a
la interacción entre la configuración y el tipo de secado, son estadísticamente
significativos en esta propiedad.
De igual manera los efectos del factor B, correspondiente al tipo de secado, también
son significativos aunque más pequeños que los dos efectos anteriormente
mencionados.
Este diagrama corrobora la información brindada por el análisis de la varianza descrito

en la Tabla 4.13, se puede concluir claramente que se puede rechazar 𝐻0 debido a
evidencia suficiente en los datos.
77
Figura 4.4 Diagrama de Pareto de los efectos para el esfuerzo máximo de tracción.
Realizando una interpretación más específica tenemos la gráfica de los efectos

principales en la Figura 4.5 en la que se puede corroborar que predomina de manera
evidente entre la mayoría de niveles la influencia de los efectos de la configuración
sobre el esfuerzo máximo de tracción.
Figura 4.5 Gráfica de efectos principales para el esfuerzo máximo de tracción.

78
De la misma forma representamos la interacción de los efectos en la Figura 4.6, donde
notamos una marcada diferencia entre las pendientes de cada par de líneas entre la
mayoría de niveles de la configuración, por lo que se confirma que existe interacción
entre los factores configuración y tipo de secado.
Haciendo un análisis más profundo a manera de ejemplo, se puede citar el Caso 1 y

Caso 2, en donde para el secado al Horno el esfuerzo máximo de tracción disminuye
ligeramente, por lo que existe una pequeña diferencia entre ambos casos, sin embargo
para el secado al Ambiente la diferencia es más grande, ya que en el Caso 2 el esfuerzo
es por mucho menor al del Caso 1, por ello es que se entiende que el factor tipo de
secado influye determinantemente sobre el valor que el esfuerzo máximo de tracción
tendrá en cada configuración.
Figura 4.6 Gráfica de interacción para el esfuerzo máximo de tracción.

Debido a la conclusión del ANOVA del Diseño Factorial Completo del esfuerzo
máximo de tracción, es estricto efectuar el análisis de las respuestas predichas para el
cálculo de la deseabilidad individual ya que las diferencias existentes entre los
tratamientos son estadísticamente significativas.
79
ANÁLISIS DE RESPUESTAS PREDICHAS
Con el modelo de regresión factorial del Diseño Factorial Completo se estiman las
respuestas predichas del esfuerzo máximo de tracción, las cuales son la herramienta
clave para proceder a la aplicación de la función de deseabilidad. Estas respuestas
predichas se detallan en la Tabla 4.16.
Tabla 4.16 Respuestas predichas del esfuerzo máximo de tracción.

Factores
Respuestas
Tipo de
Configuración predichas [MPa]
Secado
Caso 1 Horno 67.711
Caso 2 Horno 64.964
Caso 3 Horno 66.964
Caso 4 Horno 30.585
Caso 5 Horno 22.146
Caso 6 Horno 55.176
Caso 7 Horno 31.576
Fuente: Autor
Cálculo de la deseabilidad individual
Previo al cálculo de la deseabilidad individual, es necesario definir las especificaciones

superior 𝑦𝑚á𝑥 e inferior 𝑦𝑚𝑖𝑛 , las cuales a criterio del investigador se seleccionan de
los máximos y mínimos predichos y observados que se detallan en la Tabla 4.17.
80
Respuestas observadas Respuestas predichas
Mínimo Máximo Mínimo Máximo
19.38 MPa 87.92 MPa 22.146 MPa 77.161 MPa
Fuente: Autor
Es así que se considera el valor del mínimo observado como la especificación inferior
y el valor del máximo predicho como la especificación superior, también se asigna a
la constante que define la forma de la función de deseabilidad 𝑟 el valor de 1, luego de
eso y teniendo en cuenta que el objetivo es maximizar la respuesta de salida,
empelando la ecuación 2.16, se calculan las deseabilidades individuales.
Tabla 4.18 Deseabilidad individual del esfuerzo máximo de tracción.

Factores
Tipo de 𝒅𝟏
Configuración
Secado
Caso 1 Horno 0.8365
Caso 2 Horno 0.7889
Caso 3 Horno 0.8235
Caso 4 Horno 0.1939
Caso 5 Horno 0.0479
Caso 6 Horno 0.6195
Caso 7 Horno 0.2111
Fuente: Autor
81
Las deseabilidades individuales se visualizan en la Tabla 4.18, con estos valores se
puede estimar que la combinación óptima individual para el esfuerzo máximo de
tracción es el Caso 1, secado al Ambiente.
ANÁLISIS DEL MÓDULO DE ELASTICIDAD

resultados.


supuesto de normalidad en los datos del módulo de elasticidad. El estadístico de prueba
y la significancia calculada, como se puede observar en la Tabla 4.19, aclara que los
datos cumplen con el supuesto de normalidad, ya que para no rechazar 𝐻0 , es necesario
que el valor-p sea mayor o igual a 0.05, siendo este de 0.076.
Tabla 4.19 Verificación del supuesto de normalidad del módulo de elasticidad.

𝑯𝟎 : El módulo de elasticidad tiene distribución normal.
Hipótesis:
𝑯𝟏 : El módulo de elasticidad no tiene distribución normal.
Nivel de
significancia:
82
módulo de elasticidad tienen distribución normal.
Fuente: Autor
Para la verificación del supuesto de igualdad de varianza en los tratamientos del

módulo de elasticidad, empleamos la prueba de Levene, después de su aplicación, se
indica que la varianza de los tratamientos no tiene diferencias significativas, por lo que
no se puede rechazar 𝐻0 , esto se describe en la Tabla 4.20, se aclara que la significancia
calculada es mayor que la significancia dada, en valores de 0.148 y 0.05,
respectivamente.
Tabla 4.20 Verificación del supuesto de igualdad de varianza del módulo de elasticidad.
𝑯𝟎 : Los tratamientos del módulo de elasticidad tienen igual
varianza.
Hipótesis:
𝑯𝟏 : Los tratamientos del módulo de elasticidad no tienen igual
varianza.
83
Nivel de
significancia:
Caso1 Ambiente

Horno
Caso4 Ambiente
Horno
Caso5 Ambiente
Horno
Caso6 Ambiente
Horno
Caso7 Ambiente
Horno
0 1000 2000 3000

tratamientos del módulo de elasticidad tienen igual varianza.
Fuente: Autor
Para verificar que exista independencia en los residuos del módulo de elasticidad, nos
apoyamos en la información brindada por la Figura 4.7, la cual nos indica que no existe
ninguna tendencia o patrón definido, por lo que se puede concluir que existe
independencia en los residuos de esta propiedad.
84
Figura 4.7 Gráfica del Orden de observación vs. Residuos del módulo de elasticidad.
No se requiere transformar los datos del módulo de elasticidad ya que cumplen con
todos los supuestos requeridos para el análisis.

TRANSFORMADOS
No se pueden verificar los supuestos en los datos transformados ya que no fue

necesario transformar los datos originales pues cumplen con todos los supuestos
requeridos para el análisis.

continuación:
85
Para este diseño se considera como únicas fuentes de variación del módulo de
elasticidad, la configuración del material y el error aleatorio, en el análisis de varianza
en la Tabla 4.21 se puede determinar si existen o no diferencias significativas en los
tratamientos.
Tabla 4.21 ANOVA para el DCA del módulo de elasticidad.

𝑭𝟎 Valor-p
Configuración 5962120.86 6 993686.81 5.57 0.000
Error 11233305.98 63 178306.44
Total 17195426.84 69
Fuente: Autor
Con el valor-p posterior al análisis descrito en la Tabla 4.21, se concluye que si hay
diferencias significativas entre las configuraciones, además de este estadístico,
también nos interesa considerar los coeficientes de determinación para poder tomar
una decisión al momento de elegir el mejor ajuste, los coeficientes de determinación
se detallan en la Tabla 4.22.
Tabla 4.22 Coeficientes de determinación del modelo de regresión del DCA del módulo de
elasticidad.
34.67 % 28.45 %
Fuente: Autor
86
factores anteriormente mencionados. El análisis de varianza de este diseño del módulo
de elasticidad se especifica en la Tabla 4.23.
Tabla 4.23 ANOVA para el DBCA del módulo de elasticidad.

𝑭𝟎 Valor-p
Configuración 5962120.86 6 993686.81 11.19 0.000
Tipo de Secado 5726635.24 1 5726635.24 64.48 0.000
Error 5506670.75 62 88817.27
Total 17195426.84 69
Fuente: Autor
significativamente en la respuesta, también se analizan los coeficientes de
Tabla 4.24 Coeficientes de determinación del modelo de regresión del DBCA del módulo de
elasticidad.
67.98 % 64.36 %
Fuente: Autor
mencionado por lo que dependiendo de los resultados del ANOVA se establece si este
contribuye significativamente o no al módulo de elasticidad.
87
Tabla 4.25 ANOVA para el Diseño factorial completo del módulo de elasticidad.
𝑭𝟎 Valor-p
Modelo 13874691.12 13 1067283.93 18.00 0.000
Configuración 5962120.86 6 993686.81 16.76 0.000
Tipo de Secado 5726635.24 1 5726635.24 96.57 0.000
Conf. * Secado 2185935.02 6 364322.50 6.14 0.000
Error 3320735.72 56 59298.85
Total 17195426.84 69
Fuente: Autor
configuración, tipo de secado y la interacción de estos factores, son significativamente
importantes, además se deduce que los tratamientos planteados son significativamente
diferentes.
módulo de elasticidad.
80.69 % 76.21 %
Fuente: Autor

Factorial Completo, notamos que presenta un ajuste mucho mejor para los datos del
módulo de elasticidad que modelos anteriores.
Para seleccionar un diseño como el que más se ajusta a los datos, basta con comparar
los coeficientes de determinación obtenidos anteriormente, para una decisión más
práctica se los contrasta en la Tabla 4.27.
88
Tabla 4.27 Coeficientes de determinación de cada diseño aplicado al módulo de elasticidad.
Diseño Diseño en
Diseño Factorial
Completo
𝑹𝟐 34.67 % 67.98 % 80.69 %
𝑹𝟐 𝒂𝒋 28.45 % 64.36 % 76.21 %
Fuente: Autor

Factorial Completo explica el 80.69% de la variabilidad del módulo de elasticidad, por
lo que se considera el modelo que mejor se ajusta a los datos analizados.
Resultados del análisis del diseño factorial del módulo de elasticidad.
Para representar los efectos que influyen en el módulo de elasticidad, estos se muestran
en la Figura 4.8, esta ilustración detalla que son estadísticamente significativos los
efectos del factor B, correspondiente al tipo de secado, llegando a ser los efectos más
grandes sobre esta propiedad.
Seguido de los efectos del factor B, se encuentran los efectos del factor A, que
corresponde a la configuración, luego de los mismos se encuentran los efectos de la
interacción AB, correspondiente a la interacción entre la configuración y el tipo de
secado; ambos son estadísticamente significativos sobre el módulo de elasticidad.

89
Figura 4.8 Diagrama de Pareto de los efectos para el módulo de elasticidad.

evidente la influencia de los efectos del tipo de secado sobre el módulo de elasticidad.
Figura 4.9 Gráfica de efectos principales para el módulo de elasticidad.

90

Caso 5, en donde para el secado al Ambiente el módulo de elasticidad se mantiene casi
constante, ya que existe una diferencia por poco nula entre ambos casos, sin embargo
para el secado al Horno la diferencia es más grande, ya que en el Caso 4 el módulo de
elasticidad es por mucho mayor al del Caso 5, por ello es que se entiende que el factor
tipo de secado influye determinantemente sobre el valor que el módulo de elasticidad
tendrá en cada configuración.
Figura 4.10 Gráfica de interacción para el módulo de elasticidad.

Debido a la conclusión del ANOVA del Diseño Factorial Completo del módulo de
elasticidad, es estricto efectuar el análisis de las respuestas predichas para el cálculo
de la deseabilidad individual ya que las diferencias existentes entre los tratamientos
son estadísticamente significativas.
91
respuestas predichas del módulo de elasticidad, las cuales son la herramienta clave
para proceder a la aplicación de la función de deseabilidad. Estas respuestas predichas
Tabla 4.28 Respuestas predichas del módulo de elasticidad.
Factores
Respuestas
Tipo de
Secado
Caso 1 Horno 1664.132
Fuente: Autor

92
Tabla 4.29 Máximos y mínimos de las respuestas observadas y predichas del módulo de
elasticidad.

458.48 MPa 3344.77 MPa 560.478 MPa 2459.880 MPa
Fuente: Autor
eso y teniendo en cuenta que el objetivo es maximizar la respuesta de salida.
Tabla 4.30 Deseabilidad individual del módulo de elasticidad.
Factores
Tipo de 𝒅𝟐
Configuración
Secado
Caso 1 Horno 0.6024
Caso 2 Horno 0.4281
Caso 3 Horno 0.6606
Caso 4 Horno 0.3340
Caso 5 Horno 0.0510
Caso 6 Horno 0.5173
Caso 7 Horno 0.2625
Fuente: Autor
93
Empelando la ecuación 2.16, se calculan las deseabilidades individuales, las cuales se
visualizan en la Tabla 4.30.
Con las deseabilidades individuales se puede estimar que la combinación óptima

individual para el módulo de elasticidad es el Caso 6, secado al Ambiente.
ANÁLISIS DE LA ELONGACIÓN

resultados.


supuesto de normalidad en los datos de la elongación. El estadístico de prueba y la
significancia calculada, como se puede observar en la Tabla 4.31, aclara que los datos
cumplen con el supuesto de normalidad, ya que para no rechazar 𝐻0 , es necesario que
el valor-p sea mayor o igual a 0.05, siendo este mayor que 0.150.
Tabla 4.31 Verificación del supuesto de normalidad de la elongación.

𝑯𝟎 : La elongación tiene distribución normal.
Hipótesis:
𝑯𝟏 : La elongación no tiene distribución normal.
Nivel de
significancia:
94
Estadístico de prueba: Kolmogorov – Smirnov = 0.065 Valor-p > 0.150
Conclusión: Para una significancia del 5%, se concluye que los datos de la
elongación tienen distribución normal.
Fuente: Autor
Para la verificación del supuesto de igualdad de varianza en los tratamientos de la

elongación, empleamos la prueba de Levene, después de su aplicación, se indica que
la varianza de los tratamientos no tiene diferencias significativas, por lo que no se
puede rechazar 𝐻0 , esto se describe en la Tabla 4.32, se aclara que la significancia
respectivamente.
Tabla 4.32 Verificación del supuesto de igualdad de varianza de la elongación.

𝑯𝟎 : Los tratamientos de la elongación tienen igual varianza.
Hipótesis: 𝑯𝟏 : Los tratamientos de la elongación no tienen igual
varianza.
Nivel de
significancia:
95
Caso1 Ambiente

Horno
Caso4 Ambiente
Horno
Caso5 Ambiente
Horno
Caso6 Ambiente
Horno
Caso7 Ambiente
Horno
0.0 0.6 1.2 1.8 2.4 3.0 3.6

tratamientos de la elongación tienen igual varianza.
Fuente: Autor
Figura 4.11 Gráfica del Orden de observación vs. Residuos de la elongación.

96
Para verificar que exista independencia en los residuos de la elongación, nos apoyamos
en la información brindada por la Figura 4.11.
La Figura 4.11 nos indica que no existe ninguna tendencia o patrón definido, por lo
que se puede concluir que existe independencia en los residuos de esta propiedad.
No se requiere transformar los datos de la elongación ya que cumplen con todos los
supuestos requeridos para el análisis.

TRANSFORMADOS


continuación:
Para este diseño se considera como únicas fuentes de variación de la elongación, la

configuración del material y el error aleatorio. En el análisis de varianza en la Tabla
4.33 se puede determinar si existen o no diferencias significativas en los tratamientos.
una decisión al momento de elegir el mejor ajuste.
97
Tabla 4.33 ANOVA para el DCA de la elongación.
𝑭𝟎 Valor-p
Configuración 17.221 6 2.870 9.40 0.000
Error 19.241 63 0.305
Total 36.461 69
Fuente: Autor
Los coeficientes de determinación se detallan en la Tabla 4.34.

elongación.
47.23 % 42.20 %
Fuente: Autor
factores anteriormente mencionados.
Tabla 4.35 ANOVA para el DBCA de la elongación.

𝑭𝟎 Valor-p
Configuración 17.221 6 2.870 15.94 0.000
Tipo de Secado 8.078 1 8.078 44.87 0.000
Error 11.162 62 0.180
Total 36.461 69
Fuente: Autor
98
El análisis de varianza de este diseño de la elongación se especifica en la Tabla 4.35.

elongación.
69.39 % 65.93 %
Fuente: Autor
contribuye significativamente o no a la elongación.
Tabla 4.37 ANOVA para el Diseño factorial completo de la elongación.

𝑭𝟎 Valor-p
Modelo 29.758 13 2.289 19.12 0.000
Configuración 17.221 6 2.870 23.98 0.000
Tipo de Secado 8.078 1 8.078 67.49 0.000
Conf. * Secado 4.459 6 0.743 6.21 0.000
Error 6.703 56 0.120
Total 36.461 69
Fuente: Autor
99
diferentes.
Tabla 4.38 Coeficientes de determinación del modelo de regresión factorial general de la

elongación.
81.62 % 77.35 %
Fuente: Autor

Factorial Completo, notamos que presenta un ajuste mucho mejor para los datos de la
elongación que modelos anteriores.
Tabla 4.39 Coeficientes de determinación de cada diseño aplicado a la elongación.

Diseño Diseño en
Diseño Factorial
Completo
𝑹𝟐 47.23 % 69.39 % 81.62 %
𝑹𝟐 𝒂𝒋 42.20 % 65.93 % 77.35 %
Fuente: Autor

Factorial Completo explica el 81.62% de la variabilidad de la elongación, por lo que
se considera el modelo que mejor se ajusta a los datos analizados.
100
Resultados del análisis del diseño factorial de la elongación.
Para representar los efectos que influyen en la elongación, estos se muestran en la

Figura 4.12, esta ilustración detalla que son estadísticamente significativos los efectos
del factor A, correspondiente a la configuración, siendo estos efectos los más grandes
sobre esta propiedad; seguidos muy cercanamente a estos, están los efectos del factor
B, que pertenecen al tipo de secado.
Por debajo de los efectos principales e igual estadísticamente significativos se

encuentran los efectos de la interacción AB, que pertenecen a la interacción entre la

Figura 4.12 Diagrama de Pareto de los efectos para la elongación.


principales en la Figura 4.13 en la que se puede corroborar que existe una particular
similitud entre la influencia de los efectos de la configuración y los del tipo de secado
sobre la elongación.
101
Figura 4.13 Gráfica de efectos principales para la elongación.

Figura 4.14 Gráfica de interacción para la elongación.

102
Caso 2, en donde para el secado al Ambiente la elongación disminuye drásticamente,
por lo que existe una gran diferencia entre ambos casos, mientras que para el secado
al Horno la elongación aumenta, por ello es que se entiende que el factor tipo de secado
influye determinantemente sobre el valor que la elongación tendrá en cada tipo de
configuración.
Debido a la conclusión del ANOVA del Diseño Factorial Completo de la elongación,

es estricto efectuar el análisis de las respuestas predichas para el cálculo de la
deseabilidad individual ya que las diferencias existentes entre los tratamientos son
estadísticamente significativas.
respuestas predichas de la elongación, las cuales son la herramienta clave para
proceder a la aplicación de la función de deseabilidad. Estas respuestas predichas se
detallan en la Tabla 4.40.
Tabla 4.40 Respuestas predichas de la elongación.
Factores
Respuestas
Tipo de
Configuración predichas [%]
Secado
Caso 1 Horno 4.072
Caso 2 Horno 4.940
103
Caso 3 Horno 3.780
Caso 4 Horno 2.816
Caso 5 Horno 3.976
Caso 6 Horno 3.690
Caso 7 Horno 3.212
Fuente: Autor

Tabla 4.41 Máximos y mínimos de las respuestas observadas y predichas de la elongación.

1.89 % 5.40 % 2.374 % 4.940 %
Fuente: Autor
empelando la ecuación 2.16, se calculan las deseabilidades individuales, las cuales se
Tabla 4.42 Deseabilidad individual de la elongación.
Factores
Tipo de 𝒅𝟑
Configuración
Secado
104
Caso 1 Horno 0.7154
Caso 2 Horno 1.0000
Caso 3 Horno 0.6197
Caso 4 Horno 0.3036
Caso 5 Horno 0.6839
Caso 6 Horno 0.5902
Caso 7 Horno 0.4334
Fuente: Autor

individual para la elongación es el Caso 2, secado al Horno.
ANÁLISIS DE LA DEFLEXIÓN

resultados.


supuesto de normalidad en los datos de la deflexión. El estadístico de prueba y la
significancia calculada, como se puede observar en la Tabla 4.43, aclara que los datos
105
cumplen con el supuesto de normalidad, ya que para no rechazar 𝐻0 , es necesario que
el valor-p sea mayor o igual a 0.05, siendo este mayor que 0.150.
Tabla 4.43 Verificación del supuesto de normalidad de la deflexión.

𝑯𝟎 : La deflexión tiene distribución normal.
Hipótesis:
𝑯𝟏 : La deflexión no tiene distribución normal.
Nivel de
significancia:

deflexión tienen distribución normal.
Fuente: Autor

deflexión, empleamos la prueba de Levene, después de su aplicación, se indica que la
varianza de los tratamientos no tiene diferencias significativas, por lo que no se puede
rechazar 𝐻0 , esto se describe en la Tabla 4.44.
106
Tabla 4.44 Verificación del supuesto de igualdad de varianza de la deflexión.
𝑯𝟎 : Los tratamientos de la deflexión tienen igual varianza.
Hipótesis:
𝑯𝟏 : Los tratamientos de la deflexión no tienen igual varianza.
Nivel de
significancia:
Caso1 Ambiente

Horno
Caso4 Ambiente
Horno
Caso5 Ambiente
Horno
Caso6 Ambiente
Horno
Caso7 Ambiente
Horno
0 2 4 6 8 10 12

tratamientos de la deflexión tienen igual varianza.
Fuente: Autor
Se aclara que la significancia calculada es mayor que la significancia dada, en valores

de 0.923 y 0.05, respectivamente.
Para verificar que exista independencia en los residuos de la deflexión, nos apoyamos
en la información brindada por la Figura 4.15, la cual nos indica que no existe ninguna
tendencia o patrón definido, por lo que se puede concluir que existe independencia en
los residuos de esta propiedad.
107
Figura 4.15 Gráfica del Orden de observación vs. Residuos de la deflexión.
No se requiere transformar los datos de la deflexión ya que cumplen con todos los
supuestos requeridos para el análisis.

TRANSFORMADOS


continuación:
108
Para este diseño se considera como únicas fuentes de variación de la deflexión, la

configuración del material y el error aleatorio, en el análisis de varianza en la Tabla
4.45 se puede determinar si existen o no diferencias significativas en los tratamientos.
Tabla 4.45 ANOVA para el DCA de la deflexión.

𝑭𝟎 Valor-p
Configuración 603.10 6 100.52 14.30 0.000
Error 442.72 63 7.03
Total 1045.82 69
Fuente: Autor
Tabla 4.46 Coeficientes de determinación del modelo de regresión del DCA de la deflexión.
57.67 % 53.64 %
Fuente: Autor
109
factores anteriormente mencionados. El análisis de varianza de este diseño de la
deflexión se especifica en la Tabla 4.47.
Tabla 4.47 ANOVA para el DBCA de la deflexión.

𝑭𝟎 Valor-p
Configuración 603.10 6 100.52 25.55 0.000
Tipo de Secado 198.82 1 198.82 50.54 0.000
Error 243.90 62 3.93
Total 1045.82 69
Fuente: Autor

deflexión.
76.68 % 74.05 %
Fuente: Autor
contribuye significativamente o no a la deflexión.
110
diferentes.
Tabla 4.49 ANOVA para el Diseño factorial completo de la deflexión.

𝑭𝟎 Valor-p
Modelo 903.25 13 69.48 27.29 0.000
Configuración 603.10 6 100.52 39.48 0.000
Tipo de Secado 198.82 1 198.82 78.10 0.000
Conf. * Secado 101.34 6 16.89 6.63 0.000
Error 142.56 56 2.55
Total 1045.82 69
Fuente: Autor

deflexión que modelos anteriores.

deflexión.
86.37 % 83.20 %
Fuente: Autor
111
Factorial Completo explica el 86.37% de la variabilidad de la deflexión, por lo que se
considera el modelo que mejor se ajusta a los datos analizados.
Tabla 4.51 Coeficientes de determinación de cada diseño aplicado a la deflexión.

Diseño Diseño en
Diseño Factorial
Completo
𝑹𝟐 57.67 % 76.68 % 86.37 %
𝑹𝟐 𝒂𝒋 53.64 % 74.05 % 83.20 %
Fuente: Autor
Resultados del análisis del diseño factorial de la deflexión.
Para representar los efectos que influyen en la deflexión, estos se muestran en la Figura
4.16, esta ilustración detalla que los efectos del factor B correspondiente al tipo de
secado, son estadísticamente significativos, siendo estos efectos los más grandes sobre
esta propiedad; seguidos muy cercanamente a estos, están los efectos del factor A, que
pertenecen a la configuración.
Figura 4.16 Diagrama de Pareto de los efectos para la deflexión.

112


similitud entre la influencia de los efectos del tipo de secado y de la configuración
sobre la deflexión.
Figura 4.17 Gráfica de efectos principales para la deflexión.



Caso 7, en donde para el secado al Horno la deflexión se mantiene casi constante, ya
113
que existe una diferencia por poco nula entre ambos casos, sin embargo para el secado
al Ambiente la diferencia es más grande, ya que en el Caso 7 la deflexión es por mucho
menor al del Caso 6, por ello es que se entiende que el factor tipo de secado influye
determinantemente sobre el valor que la deflexión tendrá en cada configuración.
Figura 4.18 Gráfica de interacción para la deflexión.

Debido a la conclusión del ANOVA del Diseño Factorial Completo de la deflexión, es

estricto efectuar el análisis de las respuestas predichas para el cálculo de la
deseabilidad individual ya que las diferencias existentes entre los tratamientos son
respuestas predichas de la deflexión, las cuales son la herramienta clave para proceder
a la aplicación de la función de deseabilidad. Estas respuestas predichas se detallan en
la Tabla 4.52.
114
Tabla 4.52 Respuestas predichas de la deflexión.
Factores
Respuestas
Tipo de
Configuración predichas [mm]
Secado
Caso 1 Horno 5.250
Caso 2 Horno 11.837
Caso 3 Horno 6.549
Caso 4 Horno 9.985
Caso 5 Horno 11.603
Caso 6 Horno 6.576
Caso 7 Horno 6.636
Fuente: Autor

Tabla 4.53 Máximos y mínimos de las respuestas observadas y predichas de la deflexión.

3.659 mm 17.952 mm 4.752 mm 15.511 mm
Fuente: Autor
115
Es así que se considera el valor del mínimo predicho como la especificación inferior y
el valor del máximo observado como la especificación superior, también se asigna a
eso y teniendo en cuenta que el objetivo es minimizar la respuesta de salida, empelando
la ecuación 2.17, se calculan las deseabilidades individuales, las cuales se visualizan
en la Tabla 4.54.
Tabla 4.54 Deseabilidad individual de la deflexión.
Factores
Tipo de 𝒅𝟒
Configuración
Secado
Caso 1 Horno 0.9623
Caso 2 Horno 0.4633
Caso 3 Horno 0.8639
Caso 4 Horno 0.6035
Caso 5 Horno 0.4810
Caso 6 Horno 0.8618
Caso 7 Horno 0.8573
Fuente: Autor

individual para la deflexión es el Caso 7, secado al Ambiente.
116
ANÁLISIS DEL ESFUERZO MÁXIMO DE FLEXIÓN

resultados.


supuesto de normalidad en los datos de los datos del esfuerzo máximo de flexión.
Tabla 4.55 Verificación del supuesto de normalidad del esfuerzo máximo de flexión.
𝑯𝟎 : El esfuerzo máximo de flexión tiene distribución normal.
Hipótesis: 𝑯𝟏 : El esfuerzo máximo de flexión no tiene distribución
normal.
Nivel de
significancia:
117
Decisión: No rechaza la hipótesis nula.
esfuerzo máximo de flexión tienen distribución normal.
Fuente: Autor

Tabla 4.55, aclara que los datos cumplen con el supuesto de normalidad, ya que para
no rechazar 𝐻0 , es necesario que el valor-p sea mayor o igual a 0.05, siendo este mayor
que 0.150.

esfuerzo máximo de tracción, empleamos la prueba de Levene, tras su aplicación se
indica que la varianza de los tratamientos tiene diferencias significativas, por lo que se
puede rechazar 𝐻0 , el estadístico de prueba se describe en la Tabla 4.56, se aclara que
la significancia calculada no es mayor que la significancia dada, en valores de 0.018 y
0.05, respectivamente; por lo que se requiere transformar los datos para su verificación
y posterior análisis.
flexión.
𝑯𝟎 : Los tratamientos del esfuerzo máximo de flexión tienen
igual varianza.
Hipótesis:
𝑯𝟏 : Los tratamientos del esfuerzo máximo de flexión no
Nivel de
significancia:
118
Caso1 Ambiente

Horno
Caso4 Ambiente
Horno
Caso5 Ambiente
Horno
Caso6 Ambiente
Horno
Caso7 Ambiente
Horno
0 50 100 150

tratamientos del esfuerzo máximo de flexión no tienen igual
varianza.
Nota: Los datos requieren transformación por falta de igualdad de
varianza entre los tratamientos.
Fuente: Autor
Para verificar que exista independencia en los residuos del esfuerzo máximo de
flexión, nos apoyamos en la información brindada por la Figura 4.19, la cual nos indica
que no existe ninguna tendencia o patrón definido, por lo que se puede concluir que
existe independencia de los residuos de esta propiedad.
119
Figura 4.19 Gráfica del Orden de observación vs. Residuos del esfuerzo máximo de flexión.
Debido al incumplimiento del supuesto de igualdad de varianza, los datos requieren

ser transformados, por lo que se especifica el parámetro de transformación 𝜆 descrito
en la Tabla 4.57 a ser empleado para dicha transformación.
Tabla 4.57 Transformación de Box-Cox del esfuerzo máximo de flexión.

Nivel de
significancia:
120
Fuente: Autor

TRANSFORMADOS

de ajuste de Kolmogorov – Smirnov, esta vez en los datos transformados del esfuerzo
máximo de flexión.
Tabla 4.58 Verificación del supuesto de normalidad de datos transformados del esfuerzo
𝑯𝟎 : El esfuerzo máximo de flexión tiene distribución normal.
Hipótesis: 𝑯𝟏 : El esfuerzo máximo de flexión no tiene distribución
normal.
Nivel de
significancia:
121
transformados del esfuerzo máximo de flexión tienen
Fuente: Autor

valor-p es de 0.111.

transformados del esfuerzo máximo de tracción, empleamos la prueba de Levene, tras
su aplicación se indica que la varianza de los tratamientos no tiene diferencias
significativas, al igual que el caso sin transformar, por lo que no se puede rechazar 𝐻0 ,
esto se describe en la Tabla 4.59, se aclara que la significancia calculada es mayor que
la significancia dada, en valores de 0.189 y 0.05, respectivamente.
122
esfuerzo máximo de flexión.
𝑯𝟎 : Los tratamientos del esfuerzo máximo de flexión tienen
igual varianza.
Hipótesis:
𝑯𝟏 : Los tratamientos del esfuerzo máximo de flexión no
tienen varianzas iguales.
Nivel de
significancia:
Caso1 Ambiente

Horno
Caso4 Ambiente
Horno
Caso5 Ambiente
Horno
Caso6 Ambiente
Horno
Caso7 Ambiente
Horno
0 6 12 18 24 30

tratamientos de los datos transformados del esfuerzo máximo
de flexión tienen igual varianza.
Fuente: Autor
esfuerzo máximo de flexión, nos apoyamos en la información brindada por la Figura
4.20, la cual nos indica que no existe ninguna tendencia o patrón definido, por lo que
se puede concluir que existe independencia de residuos.
123

124
continuación:
Para este diseño se considera como únicas fuentes de variación del esfuerzo máximo
de flexión la configuración del material y el error aleatorio.
Tabla 4.60 ANOVA para el DCA del esfuerzo máximo de flexión.

𝑭𝟎 Valor-p
Configuración 2356.91 6 392.82 14.77 0.000
Error 1675.96 63 26.60
Total 4032.87 69
Fuente: Autor

diferencias significativas en los tratamientos.
diferencias significativas entre las configuraciones, además de este estadístico también
nos interesa considerar los coeficientes de determinación para poder tomar una
decisión al momento de elegir el mejor ajuste, los coeficientes de determinación se
Tabla 4.61 Coeficientes de determinación del modelo de regresión del DCA del esfuerzo
58.44 % 54.48 %
Fuente: Autor
125
factores anteriormente mencionados. El análisis de varianza de este diseño del esfuerzo
máximo de flexión se especifica en la Tabla 4.62.
Tabla 4.62 ANOVA para el DBCA del esfuerzo máximo de flexión.

𝑭𝟎 Valor-p
Configuración 2356.91 6 392.82 23.40 0.000
Tipo de Secado 635.10 1 635.10 37.83 0.000
Error 1040.86 62 16.79
Total 4032.87 69
Fuente: Autor
Tabla 4.63 Coeficientes de determinación del modelo de regresión del DBCA del esfuerzo
74.19 % 71.28 %
Fuente: Autor
126
contribuye significativamente o no al esfuerzo máximo de flexión.
Tabla 4.64 ANOVA para el Diseño factorial completo del esfuerzo máximo de flexión.
𝑭𝟎 Valor-p
Modelo 3556.42 13 273.57 32.15 0.000
Configuración 2356.91 6 392.82 46.17 0.000
Tipo de Secado 635.10 1 635.10 74.65 0.000
Conf. * Secado 564.41 6 94.07 11.06 0.000
Error 476.45 56 8.51
Total 4032.87 69
Fuente: Autor
88.19 % 85.44 %
Fuente: Autor

127
Tabla 4.66 Coeficientes de determinación de cada diseño aplicado al esfuerzo máximo de

flexión.
Diseño Diseño en
Diseño Factorial
Completo
𝑹𝟐 58.44 % 74.19 % 88.19 %
𝑹𝟐 𝒂𝒋 54.48 % 71.28 % 85.44 %
Fuente: Autor

Factorial Completo explica el 88.19% de la variabilidad del esfuerzo máximo de
flexión, por lo que se considera el modelo que mejor se ajusta a los datos analizados.
Resultados del análisis del diseño factorial del esfuerzo máximo de flexión.
Para representar los efectos que influyen en el esfuerzo máximo de flexión, estos se
muestran en la Figura 4.21, esta ilustración detalla que los efectos del factor B
correspondiente al tipo de secado, son estadísticamente significativos, siendo estos
efectos los más grandes sobre esta propiedad; seguidos muy cercanamente a estos,
están los efectos del factor A, que pertenecen a la configuración.


128
Figura 4.21 Diagrama de Pareto de los efectos para el esfuerzo máximo de flexión.

similitud entre la influencia de los efectos del tipo de secado y de la configuración
sobre el esfuerzo máximo de flexión.
Figura 4.22 Gráfica de efectos principales para el esfuerzo máximo de flexión.


129
Figura 4.23 Gráfica de interacción para el esfuerzo máximo de flexión.


Caso 3, en donde para el secado al Ambiente el esfuerzo máximo de flexión aumenta
sutilmente, por lo que podemos afirmar que ocurre una pequeña diferencia entre ambos
casos, sin embargo para el secado al Horno la diferencia es más considerable, ya que
en el Caso 3 el esfuerzo es por mucho mayor al del Caso 2, por ello es que se entiende
que el factor tipo de secado influye determinantemente sobre el valor que el esfuerzo
máximo de flexión tendrá en cada configuración.
Debido a la conclusión del ANOVA del Diseño Factorial Completo del esfuerzo
máximo de flexión, es estricto efectuar el análisis de las respuestas predichas para el
cálculo de la deseabilidad individual ya que las diferencias existentes entre los
respuestas predichas del esfuerzo máximo de flexión, las cuales son la herramienta
130
clave para proceder a la aplicación de la función de deseabilidad. Estas respuestas
predichas se detallan en la Tabla 4.67.
Tabla 4.67 Respuestas predichas del esfuerzo máximo de flexión.

Factores
Respuestas
Tipo de
Secado
Caso 5 Horno 15.714
Caso 7 Horno 90.071
Fuente: Autor

131
11.25 MPa 205.28 MPa 15.714 MPa 174.957 MPa
Fuente: Autor
Tabla 4.69 Deseabilidad individual del esfuerzo máximo de flexión.

Factores
Tipo de 𝒅𝟓
Configuración
Secado
Caso 1 Horno 0.7067
Caso 2 Horno 0.7199
Caso 3 Horno 1.0000
Caso 4 Horno 0.6428
Caso 5 Horno 0.0273
Caso 6 Horno 0.7191
Caso 7 Horno 0.4815
Fuente: Autor
132
individual para el esfuerzo máximo de flexión es el Caso 3, secado al Horno.
ANÁLISIS DEL MÓDULO DE ELASTICIDAD SECANTE DE

FLEXIÓN

resultados.


supuesto de normalidad de los datos del módulo de elasticidad secante de flexión. El
estadístico de prueba y la significancia calculada, como se puede observar en la Tabla
4.70, aclara que los datos originales no cumplen con el supuesto de normalidad, ya que
para no rechazar 𝐻0 es necesario que el valor-p sea mayor o igual a 0.05, siendo este
menor a 0.010; por lo que se requiere transformar los datos para su verificación y
posterior análisis.
Tabla 4.70 Verificación del supuesto de normalidad del módulo de elasticidad secante de
flexión.
𝑯𝟎 : El módulo de elasticidad secante de flexión tiene
Hipótesis:
𝑯𝟏 : El módulo de elasticidad secante de flexión no tiene
Nivel de
significancia:
133
Estadístico de prueba: Kolmogorov – Smirnov = 0.150 Valor-p < 0.010
módulo de elasticidad secante de flexión no tienen
Nota: Los datos requieren transformación por falta de normalidad.
Fuente: Autor

módulo de elasticidad secante de flexión, empleamos la prueba de Levene.
Tabla 4.71 Verificación del supuesto de igualdad de varianza del módulo de elasticidad
secante de flexión.
𝑯𝟎 : Los tratamientos del módulo de elasticidad secante de
flexión tienen igual varianza.
Hipótesis:
𝑯𝟏 : Los tratamientos del módulo de elasticidad secante de
flexión no tienen igual varianza.
134
Nivel de
significancia:
Caso1 Ambiente Comparaciones múltiples
Horno
Valor p 0,002
Caso2 Ambiente Prueba de Levene
Horno
Valor p 0,176
Caso3 Ambiente
Horno
Caso4 Ambiente
Horno
Caso5 Ambiente
Horno
Caso6 Ambiente
Horno
Caso7 Ambiente
Horno
0 8000 16000 24000

tratamientos del módulo de elasticidad secante de flexión
Nota: Los datos requieren verificación después de la transformación
por falta de normalidad.
Fuente: Autor
Tras su aplicación se indica que la varianza de los tratamientos no tiene diferencias

significativas, por lo que no se puede rechazar 𝐻0 , esto se describe en la Tabla 4.71,
se aclara que la significancia calculada es mayor que la significancia dada, en valores
de 0.248 y 0.05, respectivamente.
Para verificar que exista independencia en los residuos del módulo de elasticidad
secante de flexión, nos apoyamos en la información brindada por la Figura 4.24, la
cual nos indica que no existe ninguna tendencia o patrón definido, por lo que se puede
concluir que existe independencia de los residuos de esta propiedad.
135
Figura 4.24 Gráfica del Orden de observación vs. Residuos del módulo de elasticidad
Debido al incumplimiento del supuesto de normalidad, los datos requieren ser

transformados, por lo que se especifica el parámetro de transformación 𝜆 descrito en
la Tabla 4.72 a ser empleado para dicha transformación.
Tabla 4.72 Transformación de Box-Cox del módulo de elasticidad secante de flexión.

Nivel de
significancia:
136
Fuente: Autor

TRANSFORMADOS

de ajuste de Kolmogorov – Smirnov, esta vez en los datos transformados del módulo
de elasticidad secante de flexión.
Tabla 4.73 Verificación del supuesto de normalidad de datos transformados del módulo de
elasticidad secante de flexión.
𝑯𝟎 : El módulo de elasticidad secante de flexión tiene
Hipótesis:
𝑯𝟏 : El módulo de elasticidad secante de flexión no tiene
Nivel de
significancia:
137
transformados del módulo de elasticidad secante de flexión
tienen distribución normal.
Fuente: Autor

valor-p es mayor que 0.150.

transformados del módulo de elasticidad secante de flexión, empleamos la prueba de
Levene, tras su aplicación se indica que la varianza de los tratamientos no tiene
diferencias significativas, al igual que el caso sin transformar, por lo que no se puede
rechazar 𝐻0 , esto se describe en la Tabla 4.74, se aclara que la significancia calculada
es mayor que la significancia dada, en valores de 0.697 y 0.05, respectivamente.
138
módulo de elasticidad secante de flexión.
igual varianza.
Hipótesis:
Nivel de
significancia:
Horno
Valor p 0,032
Horno
Valor p 0,697
Caso3 Ambiente
Horno
Caso4 Ambiente
Horno
Caso5 Ambiente
Horno
Caso6 Ambiente
Horno
Caso7 Ambiente
Horno
0 1 2 3 4 5 6

tratamientos de los datos transformados del módulo de
elasticidad secante de flexión tienen igual varianza.
Fuente: Autor
módulo de elasticidad secante de flexión, nos apoyamos en la información brindada
por la Figura 4.25, la cual nos indica que no existe ninguna tendencia o patrón definido,
por lo que se puede concluir que existe independencia de residuos.
139

continuación:
Para este diseño se considera como únicas fuentes de variación del módulo de
elasticidad secante de flexión la configuración del material y el error aleatorio.
Tabla 4.75 ANOVA para el DCA del módulo de elasticidad secante de flexión.
𝑭𝟎 Valor-p
Configuración 254.89 6 42.48 12.72 0.000
Error 210.48 63 3.34
Total 465.37 69
Fuente: Autor
140
diferencias significativas en los tratamientos.
diferencias significativas entre las configuraciones, además de este estadístico también
nos interesa considerar los coeficientes de determinación para poder tomar una
decisión al momento de elegir el mejor ajuste, los coeficientes de determinación se
Tabla 4.76 Coeficientes de determinación del modelo de regresión del DCA del módulo de
54.77 % 50.46 %
Fuente: Autor
factores anteriormente mencionados. El análisis de varianza de este diseño del módulo
de elasticidad secante de flexión se especifica en la Tabla 4.77.
Tabla 4.77 ANOVA para el DBCA del módulo de elasticidad secante de flexión.
𝑭𝟎 Valor-p
Configuración 254.89 6 42.48 34.89 0.000
Tipo de Secado 135.00 1 135.00 110.88 0.000
Error 75.48 62 1.22
Total 465.37 69
Fuente: Autor
141
Tabla 4.78 Coeficientes de determinación del modelo de regresión del DBCA del módulo de
83.78 % 81.95 %
Fuente: Autor
contribuye significativamente o no al módulo de elasticidad secante de flexión.
Tabla 4.79 ANOVA para el Diseño factorial completo del módulo de elasticidad secante de
flexión.
𝑭𝟎 Valor-p
Modelo 445.45 13 34.27 96.32 0.000
Configuración 254.89 6 42.48 119.42 0.000
Tipo de Secado 135.00 1 135.00 379.49 0.000
Conf. * Secado 55.56 6 9.26 26.03 0.000
Error 19.92 56 0.36
Total 465.37 69
Fuente: Autor
142
95.72 % 94.73 %
Fuente: Autor

Tabla 4.81 Coeficientes de determinación de cada diseño aplicado al módulo de elasticidad

Diseño Diseño en
Diseño Factorial
Completo
𝑹𝟐 54.77 % 83.78 % 95.72 %
𝑹𝟐 𝒂𝒋 50.46 % 81.95 % 94.73 %
Fuente: Autor

Factorial Completo explica el 95.72% de la variabilidad del módulo de elasticidad
143
secante de flexión, por lo que se considera el modelo que mejor se ajusta a los datos
analizados.
Resultados del análisis del diseño factorial del módulo de elasticidad secante de
flexión.
Para representar los efectos que influyen en el módulo de elasticidad secante de

flexión, estos se muestran en la Figura 4.26, esta ilustración detalla que son
estadísticamente significativos los efectos del factor B, correspondiente al tipo de
secado, llegando a ser los efectos más grandes sobre esta propiedad.
Por debajo de los efectos del factor B e igual estadísticamente significativos se

encuentran los efectos del factor A y los efectos de la interacción AB, que pertenecen
a la configuración y a la interacción entre la configuración y el tipo de secado,
respectivamente.

Figura 4.26 Diagrama de Pareto de los efectos para el módulo de elasticidad secante de
flexión.
144
evidente entre la mayoría de niveles la influencia de los efectos del tipo de secado
sobre el módulo de elasticidad secante de flexión.
Figura 4.27 Gráfica de efectos principales para el módulo de elasticidad secante de flexión.


Caso 6, en donde para el secado al Ambiente el módulo de elasticidad secante de
flexión aumenta ligeramente, por lo que existe una pequeña diferencia entre ambos
casos, sin embargo para el secado al Horno la diferencia es más considerable, ya que
en el Caso 6 el esfuerzo es por mucho mayor al del Caso 5, por ello es que se entiende
que el factor tipo de secado influye determinantemente sobre el valor que el módulo
de elasticidad secante de flexión tendrá en cada configuración.
145
Figura 4.28 Gráfica de interacción para el módulo de elasticidad secante de flexión.
Debido a la conclusión del ANOVA del Diseño Factorial Completo del módulo de
elasticidad secante de flexión, es estricto efectuar el análisis de las respuestas predichas
para el cálculo de la deseabilidad individual ya que las diferencias existentes entre los
respuestas predichas del módulo de elasticidad secante de flexión, las cuales son la
herramienta clave para proceder a la aplicación de la función de deseabilidad. Estas
respuestas predichas se detallan en la Tabla 4.82.
Tabla 4.82 Respuestas predichas del módulo de elasticidad secante de flexión.

Factores
Respuestas
Tipo de
Secado
146
Fuente: Autor

Tabla 4.83 Máximos y mínimos de las respuestas observadas y predichas del módulo de
495.37 MPa 20156.01 MPa 710.975 MPa 17563.577 MPa
Fuente: Autor
147
Tabla 4.84 Deseabilidad individual del módulo de elasticidad secante de flexión.
Factores
Tipo de 𝒅𝟔
Configuración
Secado
Caso 1 Horno 0.8593
Caso 2 Horno 0.4164
Caso 3 Horno 1.0000
Caso 4 Horno 0.4741
Caso 5 Horno 0.0126
Caso 6 Horno 0.6542
Caso 7 Horno 0.4824
Fuente: Autor

individual para el módulo de elasticidad secante de flexión es el Caso 3, secado al
Horno.
ANÁLISIS DE LA DEFORMACIÓN MÁXIMA

resultados.
148

supuesto de normalidad en los datos de la deformación máxima. El estadístico de
prueba y la significancia calculada, como se puede observar en la Tabla 4.85, aclara
que los datos cumplen con el supuesto de normalidad, ya que para no rechazar 𝐻0 , es
necesario que el valor-p sea mayor o igual a 0.05, siendo este mayor que 0.150.
Tabla 4.85 Verificación del supuesto de normalidad de la deformación máxima.

𝑯𝟎 : La deformación máxima tiene distribución normal.
Hipótesis:
𝑯𝟏 : La deformación máxima no tiene distribución normal.
Nivel de
significancia:

deformación máxima tienen distribución normal.
Fuente: Autor
149

deformación máxima, empleamos la prueba de Levene, después de su aplicación, se
indica que la varianza de los tratamientos no tiene diferencias significativas, por lo que
no se puede rechazar 𝐻0 , esto se describe en la Tabla 4.86, se aclara que la significancia
respectivamente.
Tabla 4.86 Verificación del supuesto de igualdad de varianza de la deformación máxima.

𝑯𝟎 : Los tratamientos de la deformación máxima tienen igual
varianza.
Hipótesis:
𝑯𝟏 : Los tratamientos de la deformación máxima no tienen
igual varianza.
Nivel de
significancia:
Horno
Valor p 0,602
Horno
Valor p 0,911
Caso3 Ambiente
Horno
Caso4 Ambiente
Horno
Caso5 Ambiente
Horno
Caso6 Ambiente
Horno
Caso7 Ambiente
Horno
0,0 0,5 1,0 1,5 2,0 2,5 3,0

tratamientos de la deformación máxima tienen igual
varianza.
Fuente: Autor
150
Para verificar que exista independencia en los residuos de la deformación máxima, nos
apoyamos en la información brindada por la Figura 4.29, la cual nos indica que no
existe ninguna tendencia o patrón definido, por lo que se puede concluir que existe
Figura 4.29 Gráfica del Orden de observación vs. Residuos de la deformación máxima.
No se requiere transformar los datos de la deformación máxima ya que cumplen con


TRANSFORMADOS

151

continuación:
Para este diseño se considera como únicas fuentes de variación de la deformación

máxima, la configuración del material y el error aleatorio, en el análisis de varianza en
la Tabla 4.87 se puede determinar si existen o no diferencias significativas en los
tratamientos.
Tabla 4.87 ANOVA para el DCA de la deformación máxima.

𝑭𝟎 Valor-p
Configuración 21.489 6 3.582 16.55 0.000
Error 13.631 63 0.216
Total 35.120 69
Fuente: Autor

deformación máxima.
61.19 % 57.49 %
Fuente: Autor
152
deformación máxima se especifica en la Tabla 4.89.
Tabla 4.89 ANOVA para el DBCA de la deformación máxima.

𝑭𝟎 Valor-p
Configuración 21.489 6 3.582 24.88 0.000
Tipo de Secado 4.706 1 4.706 32.69 0.000
Error 8.925 62 0.144
Total 35.120 69
Fuente: Autor

74.59 % 71.72 %
Fuente: Autor
153
contribuye significativamente o no a la deformación máxima.
Tabla 4.91 ANOVA para el Diseño factorial completo de la deformación máxima

𝑭𝟎 Valor-p
Modelo 29.616 13 2.278 23.18 0.000
Configuración 21.489 6 3.582 36.44 0.000
Tipo de Secado 4.706 1 4.706 47.88 0.000
Conf. * Secado 3.421 6 0.570 5.80 0.000
Error 5.504 56 0.098
Total 35.120 69
Fuente: Autor
diferentes.

84.33 % 80.69 %
Fuente: Autor

deformación máxima que modelos anteriores.
154
Tabla 4.93 Coeficientes de determinación de cada diseño aplicado a la deformación

máxima.
Diseño Diseño en
Diseño Factorial
Completo
𝑹𝟐 61.19 % 74.59 % 84.33 %
𝑹𝟐 𝒂𝒋 57.49 % 71.72 % 80.69 %
Fuente: Autor

Factorial Completo explica el 84.33% de la variabilidad de la deformación máxima,
por lo que se considera el modelo que mejor se ajusta a los datos analizados.
Resultados del análisis del diseño factorial de la deformación máxima.
Para representar los efectos que influyen en la deformación máxima, estos se muestran
en la Figura 4.30, esta ilustración detalla que son estadísticamente significativos los
efectos del factor A, correspondiente a la configuración, llegando a ser los efectos más
grandes sobre esta propiedad.
Seguido de los efectos del factor A, se encuentran los efectos del factor B, que
corresponde al tipo de secado, luego de los mismos se encuentran los efectos de la
interacción AB, correspondiente a la interacción entre la configuración y el tipo de
secado; ambos son estadísticamente significativos sobre la deformación máxima.
155
Figura 4.30 Diagrama de Pareto de los efectos para la deformación máxima.


evidente la influencia de los efectos de la configuración sobre la deformación máxima.
Figura 4.31 Gráfica de efectos principales para la deformación máxima.

156

Caso 7, en donde para el secado al Horno la deflexión disminuye sutilmente, por lo
que podemos afirmar que existe una pequeña diferencia entre ambos casos, sin
embargo para el secado al Ambiente la diferencia es más grande, ya que en el Caso 7
la deflexión es por mucho menor al del Caso 6, por ello es que se entiende que el factor
tipo de secado influye determinantemente sobre el valor que la deflexión tendrá en
cada configuración.
Figura 4.32 Gráfica de interacción para la deformación máxima.

Debido a la conclusión del ANOVA del Diseño Factorial Completo de la deformación

máxima, es estricto efectuar el análisis de las respuestas predichas para el cálculo de
la deseabilidad individual ya que las diferencias existentes entre los tratamientos son
157
respuestas predichas de la deformación máxima, las cuales son la herramienta clave
Tabla 4.94 Respuestas predichas de la deformación máxima.
Factores
Respuestas
Tipo de
Configuración predichas [%]
Secado
Caso 1 Horno 1.056
Caso 2 Horno 2.140
Caso 3 Horno 1.244
Caso 4 Horno 1.700
Caso 5 Horno 2.748
Caso 6 Horno 1.394
Caso 7 Horno 1.278
Fuente: Autor

158
Tabla 4.95 Máximos y mínimos de las respuestas observadas y predichas de la deformación
máxima.

0.72 % 3.18 % 0.934 % 2.922 %
Fuente: Autor
Es así que se considera el valor del mínimo predicho como la especificación inferior y
el valor del máximo observado como la especificación superior, también se asigna a
eso y teniendo en cuenta que el objetivo es minimizar la respuesta de salida.
Tabla 4.96 Deseabilidad individual de la deformación máxima.
Factores
Tipo de 𝒅𝟕
Configuración
Secado
Caso 1 Horno 0.9457
Caso 2 Horno 0.4630
Caso 3 Horno 0.8620
Caso 4 Horno 0.6589
Caso 5 Horno 0.1923
Caso 6 Horno 0.7952
Caso 7 Horno 0.8468
Fuente: Autor
159
Empelando la ecuación 2.17, se calculan las deseabilidades individuales, las cuales se

individual para la deformación máxima es el Caso 7, secado al Ambiente.
ANÁLISIS DE LA ENERGÍA MEDIA DE FALLO

resultados.


supuesto de normalidad en los datos de la energía media de fallo. El estadístico de
prueba y la significancia calculada, como se puede observar en la Tabla 4.19, aclara
que los datos cumplen con el supuesto de normalidad, ya que para no rechazar 𝐻0 , es
necesario que el valor-p sea mayor o igual a 0.05, siendo este mayor que 0.150.
Tabla 4.97 Verificación del supuesto de normalidad del módulo de elasticidad.

𝑯𝟎 : La energía media de fallo tiene distribución normal.
Hipótesis:
𝑯𝟏 : La energía media de fallo no tiene distribución normal.
Nivel de
significancia:
160
energía media de fallo tienen distribución normal.
Fuente: Autor
Verificación de igualdad de varianza
Para verificar que los tratamientos cumplan con el supuesto de igualdad de varianza es
necesario que se analice el gráfico de los predichos contra los residuos.
Figura 4.33 Gráfica de Predichos vs. Residuos de la energía media de fallo.

161
Como se observa en la Figura 4.33 donde podemos notar que los puntos se distribuyen
aleatoriamente sin un patrón contundente detectable, esto indica que se cumple el
supuesto de igualdad de varianza.
Para verificar que exista independencia en los residuos de la energía media de fallo,
nos apoyamos en la información brindada por la Figura 4.34, la cual nos indica que no
Figura 4.34 Gráfica del Orden de observación vs. Residuos de la energía media de fallo.
No se requiere transformar los datos de la energía media de fallo ya que cumplen con
162
TRANSFORMADOS


continuación:
Para este diseño se considera como únicas fuentes de variación de la energía media de
fallo, la configuración del material y el error aleatorio, en el análisis de varianza en la
Tabla 4.98 se puede determinar si existen o no diferencias significativas en los
tratamientos.
Tabla 4.98 ANOVA para el DCA de la energía media de fallo.

𝑭𝟎 Valor-p
Configuración 0.845 6 0.141 3.95 0.048
Error 0.250 7 0.036
Total 1.094 13
Fuente: Autor
diferencias significativas entre las configuraciones, aunque con un valor muy cercano
al límite, además de este estadístico, también nos interesa considerar los coeficientes
de determinación para poder tomar una decisión al momento de elegir el mejor ajuste,
los coeficientes de determinación se detallan en la Tabla 4.99.
163
Tabla 4.99 Coeficientes de determinación del modelo de regresión del DCA de la energía
media de fallo.
77.19 % 57.64 %
Fuente: Autor
energía media de fallo se especifica en la Tabla 4.100.
Tabla 4.100 ANOVA para el DBCA de la energía media de fallo.

𝑭𝟎 Valor-p
Configuración 0.845 6 0.141 3.73 0.067
Tipo de Secado 0.023 1 0.023 0.60 0.466
Error 0.227 6 0.038
Total 1.094 13
Fuente: Autor
Con la tabla de ANOVA de este diseño se concluye que ni la configuración ni el tipo

de secado influyen significativamente en la respuesta, lo cual contrasta con la
conclusión del análisis anterior teniendo que poner claro interés al aumento de otra
fuente de variabilidad en el presente modelo. También se analizan los coeficientes de
164
Tabla 4.101 Coeficientes de determinación del modelo de regresión del DBCA de la energía
media de fallo.
79.28 % 55.11 %
Fuente: Autor
Para la aplicación del Diseño Factorial Completo como se describe en el punto 2.1.3.3
de la fundamentación teórica, es necesario que existan al menos dos réplicas para evitar
que el cuadrado medio de error se anule, truncando el cálculo de los estadísticos
necesarios para análisis de la varianza del Diseño Factorial Completo.
Tabla 4.102 Coeficientes de determinación de cada diseño aplicado a la energía media de

fallo.
Diseño Diseño en
Diseño Factorial
Completo
𝑹𝟐 77.19 % 79.28 % -
𝑹𝟐 𝒂𝒋 57.64 % 55.11 % -
Fuente: Autor
Es claramente apreciable que el modelo de regresión del Diseño en Bloques Completos

al Azar explica el 79.28 % de la variabilidad de la energía media de fallo, por lo que
se considera el modelo que mejor se ajusta a los datos analizados.
165
Resultados del análisis del diseño en bloques completos al azar de la energía
media de fallo.
Para representar los efectos que influyen en el módulo de elasticidad, estos se muestran
en la Figura 4.35, esta ilustración detalla que son estadísticamente insignificantes los
efectos del factor A y del factor B, correspondiente a la configuración y al tipo de
secado, respectivamente, pudiendo llegar a considerarse el más próximos a influir en
la energía media de fallo el factor A.

en la Tabla 4.100, se puede concluir claramente que no se puede rechazar 𝐻0 debido a
evidencia insuficiente en los datos.
Figura 4.35 Diagrama de Pareto de los efectos para la energía media de fallo.

principales en la Figura 4.36, en la que se puede corroborar que los efectos de la
configuración están cerca de influir en la energía media de fallo, lejos de esto, los
efectos del tipo de secado apenas influyen en esta propiedad.
166
Figura 4.36 Gráfica de efectos principales para la energía media de fallo.
Debido a la conclusión del ANOVA del diseño en bloques completos al azar de la

energía media de fallo, no es estricto efectuar el análisis de las respuestas predichas
para el cálculo de la deseabilidad individual ya que las diferencias existentes entre los
tratamientos son estadísticamente insignificantes, sin embargo para contar con una
apreciación más exacta al momento de realizar la optimización simultanea de las
respuestas el investigador ve necesario incluir en el cálculo la deseabilidad individual
de esta respuesta.
Con el modelo de regresión del diseño en bloques completos al azar se estiman las
respuestas predichas de la energía media de fallo, las cuales son la herramienta clave
167
Tabla 4.103 Respuestas predichas de la energía media de fallo.
Factores
Respuestas
Tipo de
Configuración predichas [J]
Secado
Caso 1 Horno 2.222
Caso 2 Horno 1.883
Caso 3 Horno 2.165
Caso 4 Horno 1.826
Caso 5 Horno 1.430
Caso 6 Horno 2.052
Caso 7 Horno 1.996
Fuente: Autor

Tabla 4.104 Máximos y mínimos de las respuestas observadas y predichas de la energía

media de fallo.

1.3574 J 2.2624 J 1.4302 J 2.3028 J
Fuente: Autor
168
Tabla 4.105 Deseabilidad individual de la energía media de fallo.
Factores
Tipo de 𝒅𝟖
Configuración
Secado
Caso 1 Horno 0.9145
Caso 2 Horno 0.5556
Caso 3 Horno 0.8547
Caso 4 Horno 0.4957
Caso 5 Horno 0.0770
Caso 6 Horno 0.7350
Caso 7 Horno 0.6752
Fuente: Autor

individual para la energía media de fallo es el Caso 1, secado al Ambiente.
169
CÁLCULO DE LA DESEABILIDAD GLOBAL
Para contar con una única respuesta analizable de manera objetiva se realizar el cálculo
de la deseabilidad global, la cual incluye todas las deseabilidades individuales
obtenidas mediante los análisis anteriormente descritos.
Para el cálculo de la deseabilidad global se disponen las deseabilidades de cada

propiedad mecánica analizada, estas se detallan en la Tabla 4.18, Tabla 4.30, Tabla
4.42, Tabla 4.54, Tabla 4.69, Tabla 4.84, Tabla 4.96 y Tabla 4.105.
Tabla 4.106 Cálculo de la deseabilidad global de las propiedades mecánicas.
Factores Deseabilidades individuales
Rank
Tipo de 𝑫𝑮
Conf. 𝒅𝟏 𝒅𝟐 𝒅𝟑 𝒅𝟒 𝒅𝟓 𝒅𝟔 𝒅𝟕 𝒅𝟖
Secado
Caso 1 Ambiente 1.000 0.736 0.691 0.519 0.555 0.273 0.523 1.000 0.617 4
Caso 2 Ambiente 0.687 0.700 0.438 0.208 0.401 0.142 0.234 0.641 0.373 10
Caso 3 Ambiente 0.616 0.670 0.401 0.685 0.512 0.279 0.607 0.940 0.557 6
Caso 4 Ambiente 0.436 0.612 0.264 0.200 0.367 0.163 0.194 0.581 0.314 12
Caso 5 Ambiente 0.651 0.618 0.485 0.185 0.193 0.057 0.115 0.162 0.229 13
Caso 6 Ambiente 0.902 1.000 0.349 0.510 0.459 0.217 0.475 0.821 0.530 7
Caso 7 Ambiente 0.279 0.520 0.159 1.000 0.103 0.147 1.000 0.761 0.357 11
Caso 1 Horno 0.837 0.602 0.715 0.962 0.707 0.859 0.946 0.915 0.808 2
Caso 2 Horno 0.789 0.428 1.000 0.463 0.720 0.416 0.463 0.556 0.576 5
Caso 3 Horno 0.824 0.661 0.620 0.864 1.000 1.000 0.862 0.855 0.825 1
Caso 4 Horno 0.194 0.334 0.304 0.604 0.643 0.474 0.659 0.496 0.431 9
Caso 5 Horno 0.048 0.051 0.684 0.481 0.027 0.013 0.192 0.077 0.089 14
Caso 6 Horno 0.620 0.517 0.590 0.862 0.719 0.654 0.795 0.735 0.678 3
Caso 7 Horno 0.211 0.263 0.433 0.857 0.482 0.482 0.847 0.675 0.478 8
Fuente: Autor
Se especifica la importancia relativa 𝑤𝑖 de cada una de las propiedades con el valor de

1, para mantener un criterio de importancia equitativa entre todas las respuestas; el
valor calculado de la deseabilidad global se define en la Tabla 4.106, donde se puede
señalar como punto óptimo simultáneo al correspondiente al que combina la
170
Configuración Caso 3, Tipo de Secado al Horno, con una deseabilidad global de
0.8250.
4.3 VERIFICACIÓN DE HIPÓTESIS
Para verificar la hipótesis “El análisis estadístico del material híbrido con fibra de
vidrio y abacá en matriz polimérica de resina poliéster permitirá la optimización de
propiedades mecánicas a tracción, flexión e impacto”, se plantea realizar el análisis de
varianza de los valores de deseabilidad global, ya que esta abarca las múltiples
propiedades mecánicas analizadas en el numeral 4.2; con este análisis se pretende
contrastar la significancia calculada y la significancia predefinida.
ANÁLISIS DE LA DESEABILIDAD GLOBAL
La deseabilidad global tiene la capacidad de expresar de manera conjunta lo que se

anhela conseguir de cada propiedad mecánica analizada, por lo que, si el objetivo de
una optimización se enfoca en sentido opuesto al resto, la deseabilidad individual de
esa propiedad la califica bajo la mismo pauta que las otras.
Es así que el coeficiente de deseabilidad global, se mantiene siempre objetivo, a la par

de los intereses que el investigador tiene sobre cada propiedad; logrando distinguir de
un único grupo de valores que resumen las 8 propiedades tratadas, el valor más
deseable, optimizado así todas las propiedades mecánicas analizadas.
Tabla 4.107 Deseabilidad global de las propiedades mecánicas.
Factores
Deseabilidad
Tipo de Rank
Configuración Global (𝑫𝑮)
Secado
Caso 1 Ambiente 0.6166 4
171
Caso 1 Horno 0.8083 2
Fuente: Autor
Hay que entender que si el coeficiente de deseabilidad global de la Tabla 4.107, abarca
las 8 propiedades mecánicas, ese valor, por sí solo no indica si existe una clara
diferencia estadística entre cada combinación de factores, por lo que afirmar de manera
exclusiva la existencia de una combinación que resalte del resto, no estaría
estadísticamente probada.
Es así que para lograr verificar la existencia de una media muestral diferente del resto,
se pretende efectuar el análisis de varianza correspondiente a los datos de la
deseabilidad global.
Para no perder la precisión de los resultados, previo a la realizar el análisis de la

varianza, se verifican los supuestos paramétricos de los datos de la deseabilidad global:
Se emplea la prueba de bondad de ajuste de Kolmogorov – Smirnov, el estadístico de

prueba y la significancia calculada, como se puede observar en la
Tabla 4.108, aclara que los datos cumplen con el supuesto de normalidad, ya que para
no rechazar 𝐻0 , es necesario que el valor-p sea mayor o igual a 0.05, siendo este mayor
que 0.150.
172
Tabla 4.108 Verificación del supuesto de normalidad de la deseabilidad global.
𝑯𝟎 : La deseabilidad global tiene distribución normal.
Hipótesis:
𝑯𝟏 : La deseabilidad global no tiene distribución normal.
Nivel de
significancia:

deseabilidad global tienen distribución normal.
Fuente: Autor
Verificación de igualdad de varianza
Para verificar que los tratamientos cumplan con el supuesto de igualdad de varianza es
necesario que se analice el gráfico de los predichos contra los residuos.
Como se observa en la Figura 4.37 donde podemos notar que los puntos se distribuyen
aleatoriamente sin un patrón contundente detectable, esto indica que se cumple el
supuesto de igualdad de varianza.
173
Figura 4.37 Gráfica de Predichos vs. Residuos de la deseabilidad global.
Para verificar que exista independencia en los residuos de la deseabilidad global, nos
apoyamos en la información brindada por la Figura 4.38, la cual nos indica que no
Figura 4.38 Gráfica del Orden de observación vs. Residuos de la deseabilidad global.
174
Comprobando que los datos de la deseabilidad global cumplan con los supuestos
paramétricos se puede efectuar sin inconveniente el análisis de la varianza.
ANÁLISIS DE VARIANZA DE LA DESEABILIDAD GLOBAL
El análisis de la varianza en este caso, se realiza de manera similar al diseño en bloques

completos al azar, considerando como fuentes de variabilidad a la configuración, el
tipo de secado y el error aleatorio.
La hipótesis a probar es la siguiente:
𝑯𝟎 : Las deseabilidades globales medias poblacionales de las configuraciones

considerando el tiempo de secado son iguales.
𝑯𝟏 : Al menos dos deseabilidades globales medias poblacionales de las

configuraciones considerando el tiempo de secado son diferentes.
El objetivo del ANOVA a más de probar la hipótesis, es descubrir cuál de estos

factores afecta significativamente y en qué porcentaje al esfuerzo máximo de tracción,
el módulo de elasticidad, la elongación, la deflexión, el esfuerzo máximo de flexión,
el módulo de elasticidad secante de flexión, la deformación máxima y la energía media
de fallo; simultáneamente.
Tabla 4.109 ANOVA de la deseabilidad global.

𝑭𝟎 Valor-p
Configuración 0.4634 6 0.0772 9.15 0.008
Tipo de Secado 0.0591 1 0.0591 7.01 0.038
Error 0.0506 6 0.0084
Total 0.5731 13
Fuente: Autor
175
Ya efectuado el análisis y con los resultados dispuestos en la Tabla 4.109, se puede
constatar lo significativos que resultan ser los factores configuración y tipo de secado
para las propiedades mecánicas anteriormente mencionadas.
Al obtener un valor-p igual a 0.008, siendo este menor a 0.05 se rechaza la hipótesis
𝐻0 , por lo que se puede declarar que existen diferencias en los tratamientos, dejando
en evidencia que existe al menos un tratamiento mejor que los demás. Esta aseveración
concluye como posible el hecho de obtener mediante la metodología estadística
aplicada, una combinación que optimice las propiedades mecánicas del material
híbrido analizado.
Tabla 4.110 Contribución de cada factor a la deseabilidad global.
Fuente de variabilidad Contribución
Configuración 80.85 %
Tipo de Secado 10.32 %
Error 8.83 %
Total 100.00 %
Fuente: Autor
Para ser más precisos y de una manera más ampliada, se describe la contribución de
cada una de las fuentes de variabilidad de las propiedades en la Tabla 4.110, con todo
esto se hace especial énfasis de que el modelo de regresión del ANOVA aplicado,
explica un 91.17 % de la variabilidad total de los datos.
Se puntualiza que la configuración del material es el factor que más influye en las
propiedades mecánicas del híbrido analizado, llegando a contener el 80.85 % de la
variabilidad total de los datos.
PRUEBA DE CONFIRMACIÓN
Para tener una visualización más clara de lo que se concluye con el análisis de la
varianza se contrastan los valores predichos y los valores experimentales de las
176
propiedades en el punto óptimo obtenido, la confirmación de los resultados se visualiza
en la Tabla 4.111.
Se puede apreciar que los valores predichos están muy cerca a los valores
experimentales, por lo tanto, el modelo de regresión factorial general del Diseño
Factorial Completo es adecuado para explicar la variabilidad de: el esfuerzo máximo
de tracción, el módulo de elasticidad, la elongación, la deflexión, el esfuerzo máximo
de flexión, el módulo de elasticidad secante de flexión y la deformación máxima;
mientras que el modelo de regresión del Diseño en Bloques Completos al Azar explica
adecuadamente la variabilidad de la energía media de fallo.
Tabla 4.111 Resultados de la prueba de confirmación.

Configuración Caso 3, Secado al Horno
Valores Valores
Propiedades Mecánicas
Experimentales Predichos
Esfuerzo Máximo de Tracción [MPa] 66.908 MPa 66.964 MPa
Módulo de Elasticidad [MPa] 1780.592 MPa 1780.592 MPa
Elongación [%] 3.780 % 3.780 %
Deflexión [mm] 6.549 mm 6.549 mm
Esfuerzo Máximo de Flexión [MPa] 175.260 MPa 174.957 MPa
Módulo de Elasticidad Secante de
17606.456 MPa 17563.577 MPa
Flexión [MPa]
Deformación Máxima [%] 1.244 % 1.244 %
Energía Media de Fallo [J] 2.149 J 2.165 J
Fuente: Autor
VALIDACIÓN DE METODOLOGÍA APLICADA
De manera adicional al análisis efectuado, se busca estimar la precisión de la

metodología estadística basada en el DOE y la función de deseabilidad, aplicada en
este trabajo experimental; con respecto a la metodología de criterios ponderados,
presente en el trabajo de investigación con tema: “Estudio de Polímeros Híbridos
Estratificados de Matriz Poliéster Reforzada con Fibra de Vidrio y Cabuya como
177
Material Alternativo y su incidencia en las propiedades mecánicas en Guardachoques
para Buses” del Ing. Mg. Juan Gilberto Paredes Salinas. [18]
Tabla 4.112 Tabla de resumen criterios ponderados.

EVALUACIÓN DE COMBINACIÓN DE PROPIEDADES MECÁNICAS
TRACCIÓN FLEXIÓN IMPACTO
Acepta o no
Diferencia
Promedio
Espesor
Diferencia
Diferencia
Diferencia
Diferencia
Diferencia
de Flexión
Res. Máx.
Elasticida
Esfuerzo
Esfuerzo
Tipo de
Máximo
Máximo
Impacto
Módulo
Módulo
ensayo
d
FCo2-30% 3.30 0.09 51.88 20.76 6258 1216 114.06 48.6 8229 7430 2.38 0.38 7.5
FL 30% 3.01 0.20 78.24 5.60 5272 230 120.52 42.1 8053 7606 2.38 0.38 9.3
FL 40% 3.00 0.21 92.20 19.56 5577 535 59.28 103 1799 13860 1.54 0.46 5.5
TP 30% 2.83 0.38 59.46 13.18 7948 2906 121.95 40.7 6751 8908 2.38 0.38 6.3
Parámetro 3.21 72.64 5042 162.64 15659 2.00

Desv. Est. 0.20 7.50 2417 85.49 8121 0.42
Fuente: [18]
Es así que en base a la información tomada de dicho trabajo experimental se procede

a aplicar la metodología descrita en la sección 4.2.
Verificación de supuestos
El cumplimiento de los supuestos es sustancial para que los valores obtenidos mediante
la aplicación del ANOVA tengan la validez necesaria, es así que para las cinco
respuestas experimentales a analizar se resumen los resultados de las pruebas aplicadas
a los datos, en la Tabla 4.113.
Tabla 4.113 Verificación de supuestos de los datos.

Supuestos
Respuestas Igualdad de
Normalidad Independencia
experimentales varianza
de residuos
Valor-p Valor-p
Espesor [mm] 0.061 Cumple 0.198 Cumple Cumple
178
Esfuerzo Máximo de
> 0.150 Cumple 0.116 Cumple Cumple
Tracción [MPa]
Módulo de Elasticidad
> 0.150 Cumple 0.056 Cumple Cumple
[MPa]
Esfuerzo Máximo de
0.050 Cumple 0.115 Cumple Cumple
Flexión [MPa]
Secante de Flexión 0.124 Cumple 0.099 Cumple Cumple
[MPa]
Fuente: Autor
Los datos que no cumplieron con los supuestos fueron transformados para su correcto
análisis.
Aplicación del diseño experimental (DCA)
El diseño que se aplicó a los datos, posterior a que cumplieran los supuestos, es el
diseño completamente aleatorizado, debido a que solo se cuenta con dos fuentes de
variabilidad: la configuración y el error experimental. En la Tabla 4.114, se resume los
resultados claves del ANOVA de cada respuesta experimental.
Tabla 4.114 Significancias y coeficientes de determinación de cada respuesta.

Respuestas experimentales Valor-p 𝑹𝟐
Espesor [mm] 0.000 93.54 %
Esfuerzo Máximo de Tracción [MPa] 0.000 82.45 %
Módulo de Elasticidad [MPa] 0.044 28.18 %
Esfuerzo Máximo de Flexión [MPa] 0.000 82.64 %
Módulo de Elasticidad Secante de Flexión [MPa] 0.000 79.61 %
Fuente: Autor
De la Tabla 4.114 se entiende que el efecto de la configuración es significativo, por lo

que al menos dos medias poblacionales de cada respuesta, son diferentes; adicional a
179
esto, también se puede entender que un en la mayoría de respuestas, un gran porcentaje
de la variabilidad de los datos, es explicada por la configuración del material.
Análisis de respuestas predichas
Mediante la ecuación de regresión que se genera tras el ANOVA de cada respuesta

experimental, se obtienen las respuestas predichas que se detallan en la Tabla 4.115.
Tabla 4.115 Respuestas predichas para cada configuración.

Respuestas experimentales
Secante de Flexión [MPa]
Energía Media de Fallo

Esfuerzo Máximo de
Esfuerzo Máximo de
Tracción [MPa]
Flexión [MPa]
Espesor [mm]
Configuración [MPa]
[J]
FCo2-30% 3.1354 51.913 6270.686 114.273 8277.298 2.380
FL 30% 3.0191 78.266 5257.556 121.377 8263.620 2.380
FL 40% 3.5782 92.590 7073.297 60.721 1801.202 1.540
TP 30% 2.8766 67.340 8947.094 122.454 6805.747 2.380
Fuente: Autor
Optimización de múltiples respuestas
Tendiendo definidas cada una de las respuestas predichas se da paso al cálculo de las
deseabilidades individuales y la deseabilidad global, teniendo el coeficiente
comprendido entre 0 y 1 que es objetivamente analizable. Las deseabilidades
individuales y global se disponen en la Tabla 4.116.
Mediante el análisis aplicado a los datos se elige como la configuración que mejor
aprovecha las propiedades mecánicas del material, el Caso 2, que se entiende por el
híbrido de fibra larga, con 70% de matriz y 30% de refuerzo a estratificación a
compresión, siguiendo el orden de capas de refuerzo FV + FC + FV.
180
Tabla 4.116 Deseabilidades individuales y globales para cada configuración.
Deseabilidades individuales
Conf. DG Rank
𝒅𝟏 𝒅𝟐 𝒅𝟑 𝒅𝟒 𝒅𝟓 𝒅𝟔
FCo2-30% 0.6951 0.1490 0.6041 0.8900 1.0000 1.0000 0.6180 2
FL 30% 0.8008 0.7003 0.4543 0.9855 0.9980 1.0000 0.7940 1
FL 40% 0.2925 1.0000 0.7229 0.1697 0.0451 0.3679 0.2900 4
TP 30% 0.0696 0.4718 1.0000 1.0000 0.7830 1.0000 0.5433 3
Fuente: Autor
Para contrastar de cierta manera la metodología aplicada en cada documento,

disponemos la información final de los análisis en la Tabla 4.117.
Tabla 4.117 Contraste de metodologías.

Metodología aplicada
Valores ponderados DOE y Deseabilidad
Configuración
Distancia Distancia
Calific. Calific.
media media
FCo2-30% 7.5 4.90% 0.6180 10.09%
FL 30% 9.3 30.07% 0.7940 41.45%
FL 40% 5.5 23.08% 0.2900 48.33%
TP 30% 6.3 11.89% 0.5433 3.21%
Promedio 17.48% 25.77%
Fuente: Autor
Es evidente el hecho de que en ambos casos se selecciona la misma configuración

como óptima, sin embargo se recalca que:
 La metodología que emplea el diseño de experimentos junto con la función de

deseabilidad tiene una distancia media más grande en cada una de las
configuraciones, que la metodología de los valores ponderados, como vemos en la
Tabla 4.117, por lo que su calificación es más apreciable, dejando más exactitud
para un contraste y selección de alternativas, ya que este resulta más preciso y con
un menor error de elegir un configuración como óptima.
181
 Hay que tener presente que la metodología de criterios ponderados involucra un
conocimiento exhaustivo de la teoría de resistencia de materiales y experiencia en
el ámbito de caracterización de materiales.
 La metodología estadística permite contar con estadísticos de prueba que se

derivan de los datos maestrales tomados en los ensayos, los cuales nos ayudan a
entender de mejor manera el comportamiento de factores de entrada en las
respuestas experimentales medidas, con la facilidad de proyectar esta información
a una población controlada de materiales similares.
 La metodología estadística brinda un valor cuantificable de cometer el error de

considerar un factor que influye significativamente en una propiedad mecánica,
cuando en realidad no lo hace, logrando así verificar de manera adecuada la
hipótesis planteada.
 La metodología estadística requiere un alto grado de conocimiento de la teoría

estadística a aplicar y de conceptos generales en base a análisis estadísticos para
entender de manera eficiente resultados que interpretados de manera correcta nos
brindan información valiosa; fuera de esto, el conocimiento de teoría de resistencia
de materiales y de caracterización de materiales, puede ser no tan exhaustivo como
en la metodología de criterios ponderados.
182
CAPITULO V
5 CONCLUSIONES Y RECOMENDACIONES
5.1 CONCLUSIONES
El presente trabajo experimental empleó una metodología estadística basada en el

diseño de experimentos y la función de deseabilidad, para la optimización de las
propiedades mecánicas a tracción, flexión e impacto del material compuesto híbrido
fabricado de un tejido de abacá (FAb) y algodón (FAl) más fibra de vidrio (FV),
combinado con una matriz polimérica de resina poliéster; tomando como factores de
entrada la configuración y el tipo de secado. A partir de los resultados de la
investigación, se puede extraer las siguientes conclusiones:
 Con el Diseño de Experimentos y la función de Deseabilidad, se analizan los

factores configuración y tipo de secado, con cada uno de sus niveles; con lo que se
describe la importancia y contribución que tiene cada uno de estos factores a las
propiedades mecánicas a tracción, flexión e impacto, siendo esta contribución de
manera global en un 80.85 % y 10.32 %, respectivamente.
 Tras la evaluación consistente de la idoneidad de los datos para el análisis

paramétrico; se transformaron los mismos en caso de no cumplir con los supuestos,
aplicando una transformación Box-Cox.
 Del análisis realizado a las propiedades mecánicas a tracción, flexión e impacto;

se establece que el modelo de regresión factorial general del Diseño Factorial
Completo explica hasta el 95.72% la variabilidad de estas propiedades, mientras
que para la propiedad mecánica a impacto el modelo de regresión del Diseño en
Bloques Completos al Azar explica el 79.28 % de la variabilidad de la energía
media de fallo.
 Mediante la función de deseabilidad se determina la condición óptima en el que se

aprovechan al máximo las propiedades mecánicas del material híbrido, esto se da
cuando se emplea: 20% de fibra de vidrio, 7.75% de fibra de abacá dispuesta a 45°
183
tejida con 2.25% de fibra de algodón a 135°, en una matriz polimérica de resina
poliéster y secada al horno.
 La función de deseabilidad conjuntamente con el diseño factorial completo

convierte el análisis subjetivo de las propiedades mecánicas, en un análisis objetivo
mediante un valor comparable en cada combinación, lo que hace práctico este
análisis al momento de optimizar factores.
5.2 RECOMENDACIONES
 Para la aplicación de cualquier diseño de experimentos, es necesario que el

investigador conozca el contexto en el que encuentran los datos que se están
analizando, en este caso, la teoría de resistencia de materiales ayuda al investigador
a entender de mejor manera mucho de los valores e interpretaciones estadísticas
que se obtienen de las propiedades mecánicas.
 La metodología estadística proporciona una visión más amplia de los datos, brinda
una perspectiva más clara de los factores analizados pudiendo conocer el grado de
contribución de estos uno de ellos a la propiedad mecánica evaluada. Al contar con
valores que miden el error, generalmente se establece una significancia estadística
del 5%.
 Es importante que se realicen un número adecuado de réplicas para entre muchas

otras cosas, poder entender de mejor manera la variabilidad de los datos, el diseño
factorial acepta como mínimo 2 réplicas, sin embargo, un enfoque más estricto
dentro del contexto de caracterización de materiales emplearía como mínimo 4
réplicas.
 La función de deseabilidad califica de manera adecuada los tratamientos que se

están analizando, dando una visión clara de lo que se quiere en la práctica, por lo
que hay que tener presente que se requiere que existan amplias diferencias en los
valores de deseabilidad global para cada tratamiento, para que la calificación sea
más apreciable, es decir que las deseabilidades globales deben ser estadísticamente
diferentes.
184
 Existen otras metodologías con un enfoque diferente, dentro de la que se puede
abordar la metodología de superficie de respuesta (MSR), la cual aplicada de
manera adecuada puede brindarnos un análisis preciso dentro del tema de
optimización, ya que se puede generar puntos óptimo globales, que se extienden
más allá de la región de experimentación.
185
BIBLIOGRAFÍA
[1] F. Barari, R. Morgan, and P. Barnard, “A design of experiments (DOE)

approach to optimise temperature measurement accuracy in Solid Oxide Fuel
Cell (SOFC),” J. Phys. Conf. Ser., vol. 547, no. 1, pp. 0–10, 2014.
[2] M. Velasco peña, J. Rodríguez suárez, and D. Restrepo ardila, “Caracterización

de propiedades mecánicas de piezas en ABS en función de parámetros de
proceso de manufactura aditiva FDM,” XXI Congr. Nac. Ing. Mecánica, no.
January, pp. 716–722, 2016.
[3] H. Majumder and K. Maity, “Multi-Response Optimization of WEDM Process

Parameters Using Taguchi Based Desirability Function Analysis,” IOP Conf.
Ser. Mater. Sci. Eng., vol. 338, no. 1, pp. 0–6, 2018.
[4] A. Nurulhuda et al., “Analysis on Flexural Strength of A36 Mild Steel by

Design of Experiment (DOE),” IOP Conf. Ser. Mater. Sci. Eng., vol. 226, no.
1, pp. 0–8, 2017.
[5] E. H. Agung, S. M. Sapuan, M. M. Hamdan, H. M. D. K. Zaman, and U.

Mustofa, “Optimization of the Mechanical Properties of Abaca Fibre-
Reinforced High Impact Polystyrene (HIPS) Composites Using Box-Behnken
Design of Experiments,” Polym. Polym. Compos., vol. 19, no. 8, pp. 697–710,
2011.
[6] T. Rajmohan, K. Yogeswar, S. Gayatri, G. M. Dinesh, G. V. Raghavendra, and

K. R. Charan Reddy, “Multi response optimization of drilling performance of
MWCNT filled banana-glass fibre reinforced composite,” IOP Conf. Ser.
Mater. Sci. Eng., vol. 390, no. 1, pp. 0–7, 2018.
[7] Suardi, H. Homma, and Abubakar, “Identification of tensile strength properties

of abaca fiber by weakest-linkage approach-statistic property of fiber diameter,”
IOP Conf. Ser. Mater. Sci. Eng., vol. 308, no. 1, 2018.
186
[8] La Hora, “Sector carrocero de Tungurahua mejoró en los últimos cinco meses,”
2018. [Online]. Available:
https://lahora.com.ec/tungurahua/noticia/1102138004/sector-carrocero-de-
tungurahua-mejoro-en-los-ultimos-cinco-meses. [Accessed: 20-Aug-2006].
[9] I. Espejo Miranda et al., Inferencia Estadística. Teoría y Problemas. Cádiz:

Universidad de Cádiz, 2009.
[10] H. Gutierrez Pulido and R. De la Vara Salazar, Análsis y diseño de

experimentos, Tercera Ed. México: McGRAW-HILL, 2012.
[11] R. E. Walpole, R. H. Myers, S. L. Myers, and K. Ye, Probabilidad y estadística

para ingeniería y ciencia, Novena Edi. México: Person, 2012.
[12] D. C.Montgomery, Libro analisis y diseno de experimentos, Segunda Ed.

Limusa Wiley, 2004.
[13] C. Guisande González, “Tratamiento de datos.” [Online]. Available:

https://books.google.com.ec/books?id=AhNx24025ZoC&printsec=frontcover
&dq=castor+guisande+estadística&hl=es&sa=X&ved=0ahUKEwj0_PO0o6_f
AhULbq0KHTWYCHMQ6AEILzAB#v=onepage&q=castor guisande
estadística&f=true.
[14] A. García Pérez, “La interpretación de los datos. Una introducción a la

Estadística Aplicada.” [Online]. Available:
https://books.google.com.ec/books?id=wtwlBgAAQBAJ&pg=PT96&dq=tran
sformación+de+box+cox&hl=es&sa=X&ved=0ahUKEwiw7rHIpK_fAhUSW
a0KHdJXCb4Q6AEIPTAE#v=onepage&q=transformación de box
cox&f=false.
[15] Minitab, “Transformación de Box-Cox.” [Online]. Available:

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/quality-and-
process-improvement/control-charts/how-to/box-cox-transformation/methods-
and-formulas/methods-and-formulas/.
[16] G. Fabila Carrera, “Diseño y Análisis de Experimentos Industriales.” [Online].
187
Available: https://books.google.com.ec/books?id=G622oQ8-
RFQC&pg=PA28&lpg=PA28&dq=fabila+deseabilidad&source=bl&ots=w1P
tVvIiK1&sig=PvRg3E8-
oIwxKBrPyRxHbl3Zcec&hl=es&sa=X&ved=2ahUKEwj26rWJpq_fAhWIz4
MKHZa_B3AQ6AEwBnoECAcQAQ#v=onepage&q=fabila
deseabilidad&f=true.
[17] R. C. Hibbeler, Mecanica de materiales, Octava Ed. México, 2011.
[18] J. G. Paredes Salinas, “Estudio de Polímeros Híbridos Estratificados de Matriz

Poliéster Reforzada con Fibra de Vidrio y Cabuya como Material Alternativo y
su incidencia en las propiedades mecánicas en Guardachoques para Buses,”
UNIVERSIDAD TECNICA DE AMBATO, 2012.
188
\
ANEXOS
189
Anexo 1: Factura de adquisición de licencia del software estadístico Minitab®
190
Anexo 2. Norma para ensayo de ASTM D 3039M-00
1
Standard Test Method for

Tensile Properties of Polymer Matrix Composite Materials1
year of original adoption or, in the case of revision, the year of last revision. A number in parentheses indicates the year of last
reapproval. A superscript epsilon ( ) indicates an editorial change since the last revision or reapproval.
This standard has been approved for use by agencies of the Department of Defense.
1
NOTE
1. Scope Properties and Equilibrium Conditioning of Polymer Ma-

1.1 This test method determines the in-plane tensile prop- trix Composite Materials4
5
erties of polymer matrix composite materials reinforced by
E 6 Terminology Relating to Methods of Mechanical Test-
ing5
ites in which the laminate is balanced and symmetric with
respect to the test direction. someters5
1.2 The values stated in either SI units or inch-pound units
are to be regarded separately as standard. Within the text, the and Chord Modulus5
inch-pound units are shown in brackets. The values stated in E 122 Practice for Choice of Sample Size to Estimate a
each system are not exact equivalents; therefore, each system Measure of Quality for a Lot or Process6
must be used independently of the other. Combining values
from the two systems may result in nonconformance with the ture5
standard. E 177 Practice for Use of the Terms Precision and Bias in
1.3 This standard does not purport to address all of the ASTM Test Methods6
safety concerns, if any, associated with its use. It is the E 251 Test Methods for Performance Characteristics of
responsibility of the user of this standard to establish appro- Metallic Bonded Resistance Strain Gages5
priate safety and health practices and determine the applica- E 456 Terminology Relating to Quality and Statistics6
bility of regulatory limitations prior to use. E 691 Practice for Conducting an Interlaboratory Study to
Determine the Precision of a Test Method6
2. Referenced Documents
2.1 ASTM Standards: Under Tensile Loading5
E 1237 Guide for Installing Bonded Resistance Strain
tive Density) of Plastics by Displacement2 Gages5
D 883 Terminology Relating to Plastics2
3. Terminology
D 2584 Test Method for Ignition Loss of Cured Reinforced
Resins3 3.1
D 2734 Test Method for Void Content of Reinforced Plas-
tics3
D 3171 Test Methods for Constituent Content of Compos-
ites Materials4
D 3878 Terminology for Composite Materials4
D 5229/D 5229M Test Method for Moisture Absorption shall have precedence over the other standards.
3.2
1
This test method is under the jurisidiction of ASTM Committee D30 on
analytical dimensions are stated immediately following the
Composite Materials and is the direct responsibility of Subcommittee D30.04 on term (or letter symbol) in fundamental dimension form, using
Lamina and Laminate Test Methods. the following ASTM standard symbology for fundamental
Current edition approved April 10, 2000. Published July 2000. Originally
2
Annual Book of ASTM Standards, Vol 08.01.
3 5
Annual Book of ASTM Standards, Vol 08.02. Annual Book of ASTM Standards, Vol 03.01.
4 6
Annual Book of ASTM Standards, Vol 15.03. Annual Book of ASTM Standards, Vol 14.02.
1
Anexo 3. Norma para ensayo de ASTM D 7264M-07
Copyright by ASTM Int'l (all rights reserved); Mon Sep 6 14:00:16 EDT 2010
Downloaded/printed by
Escuela Politecnica Nacional pursuant to License Agreement. No further reproductions authorized.
Anexo 4. Norma para ensayo de Impacto- ASTM D
Copyright by ASTM Int'l (all rights reserved); Mon Sep 6 14:00:53 EDT 2010
Downloaded/printed by
Escuela Politecnica Nacional pursuant to License Agreement. No further reproductions authorized.
LABORATORIO DE RESISTENCIA DE MATERIALES
ENSAYO DE TRACCIÓN DE MATERIALES COMPUESTOS
INFORME DE RESULTADOS N°: 1865027520201710810-ETC
DATOS GENERALES
Datos informativos: N° de proforma: RM_2017_039
Empresa / Cliente: Ing. Juan Paredes.
RUC/C.I.: 1865027520001 Ciudad: Ambato.
Dirección: Av. Los Chasquis y Rio Guayllabmaba, Edif. Ciencias Básicas.
Teléfono: 0983017390 Correo: [email protected]
Datos del ensayo:
Lugar de Ejecución del Ensayo: Laboratorio de Resistencia de Materiales.
Dirección: Ambato/Catiglata. Toronto y Rio de Janeiro.
Método de ensayo: ASTM D3039-2015. Método de prueba estándar para propiedades
de tracción de materiales compuestos de matriz de polimérica.
Tipo de ensayo: Cuantitativo. Tipo de probeta: Plana.
Equipo utilizado: Maquina de ensayos universal. Metro test 50 kN
Velocidad de ensayo: 10 mm/min Precarga: 0 N
Fecha de Inicio de Ensayo: 01/12/2017. Fecha de Finalización de Ensayo: 01/12/2017.
Los resultados obtenidos en el presente informe corresponden a ensayos realizados en
probetas de materiales compuestos. Las probetas fueron recibidas en el Laboratorio de
Resistencia de Materiales del CFPMC del H.G.P. Tungurahua.
OBJETOS DE ENSAYO
Número de Probetas cuantificadas
N° Identificación del grupo Configuración de la probeta Probetas a Ensayar
20% FV + 10% (FAb 0° + FAl 90°)

1 186502752020170810 ETC08 6
2 186502752020170810 ETC09 10% FV + 20% (FAb 0° + FAl 90°) 6

20% FV + 10% (FAb 45° + FAl 90°)
3 186502752020170810 ETC10 6
186502752020170810 ETC11 10% FV + 20% (FAb 45° + FAl 135°)
4 6
30% (FAb 0°, 45°, 135° + FAl 90°, 135°, 225°)
5 186502752020170810 ETC12 6
186502752020170810 ETC13 10% FV + 20% F. Larga Abacá
6 6
7 186502752020170810 ETC14 10% FV + 20% F. Corta Abacá 5
Total 41
Nota: Las probetas fueron realizadas en un molde con la utilización de mezcla de resina con refuerzo de
fibra de hoja de abacá y algodón, la configuración de los porcentajes de fibra y fracción volumétrica se
realiza según especificaciones declaradas por el cliente.
Observaciones: Ninguna.
Elaborado por: Aprobado por:

Ing. Fernando Galarza Ing. Ángel Balseca Ing. Esteban López Espinel
Analista Técnico Área de Analista Técnico Área de Director Técnico Área de Ensayos e
Ensayos e Inspecciones CFPMC Ensayos e Inspecciones CFPMC Inspecciones CFPMC
Fecha de entrega de Informe: Ambato, 06 de diciembre de 2017.
N°. Factura: 001-002-000003896
Código: RG-RM-004 INFORME DE ENSAYO DE Página 1 de 5
Fecha de Elaboración: 11-05-2016 TRACCIÓN MATERIALES
Fecha de última aprobación: 21- 06 -2017 COMPUESTOS
Revisión: 7
Resultados:
Dimensiones mm Fuerza Esfuerzo Módulo de %
Pro Identificación de probeta Temper Humedad máxima máximo de elasticidad Elongación Tipo de
beta atura Relativa Ancho Espesor (N) tracción (Calculado) (Calculado) falla
(°C) (%) (MPa) (MPa) evaluado
1 186502752020170810-ETC 08-1 20,1 64,8 25,11 3,19 5320,36 66,42 1573,65 4,22 LGM
2 186502752020170810-ETC 08-2 20,1 64,8 25,05 3,03 5263,56 69,35 1654,28 4,19 LGM
3 186502752020170810-ETC 08-3 20,1 64,8 25,16 3,05 5220,96 68,04 1667,72 4,08 LGM
4 186502752020170810-ETC 08-4 20,1 64,8 25,11 3,18 5394,52 67,56 1741,91 3,88 LIT
5 186502752020170810-ETC 08-5 20,1 64,8 25,14 3,08 5202,03 67,18 1683,10 3,99 LGM
6 186502752020170810-ETC 08-6 20,1 64,8 25,14 3,11 4963,78 63,49 1330,75 4,77 GAT
Promedio x̅ 5227,54 67,01 1608,57 4,07
Desviación estándar Sn−1 147,01 1,98 146,51 1,12
Coeficiente de variación CV 2,81 2,96 9,11 27,47
Dimensiones mm Esfuerzo Módulo de %

Pro Identificación de probeta Temper Humedad Fuerza máximo de elasticidad Elongación Tipo de
beta atura Relativa Ancho Espesor máxima tracción (Calculado) (Calculado) falla
(°C) (%) (N) (MPa) (MPa) evaluado
7 186502752020170810-ETC 09-1 22,2 52,4 25,05 3,27 4618,24 56,38 1291,09 4,37 LIT
8 186502752020170810-ETC 09-2 22,2 52,4 25,15 2,86 4977,98 69,21 1422,02 4,87 LIT
9 186502752020170810-ETC 09-3 22,2 52,4 25,03 2,91 5085,27 69,82 1333,20 5,24 GAT
10 186502752020170810-ETC 09-4 22,2 52,4 25,07 3,01 5175,21 68,58 1270,78 5,40 LGM
11 202017186502750810-ETC 09-5 22,2 52,4 25,05 2,9 4406,81 60,66 1258,97 4,82 LGM
12 202017186502750810-ETC 09-6 22,2 52,4 25,16 2,74 5836,31 84,66 1425,34 5,94 LGM
Promedio x̅ v 68,22 1333,57 4,94
Revisión: 7
13 186502752020170810-ETC 10-1 20,3 65,3 25,59 3,27 4665,57 55,76 1938,10 2,88 LGM
14 186502752020170810-ETC 10-2 20,3 65,3 25,09 2,72 5138,92 75,30 1884,04 4,00 LIT
15 186502752020170810-ETC 10-3 20,3 65,3 25,26 2,76 4357,9 62,51 1614,02 3,87 LGM
16 186502752020170810-ETC 10-4 20,3 65,3 25 2,82 4955,89 70,30 1781,82 3,95 LIT
17 186502752020170810-ETC 10-5 20,3 65,3 25,72 2,74 5001,65 70,97 1672,94 4,24 LGM
18 186502752020170810-ETC 10-6 20,3 65,3 25,13 2,96 4627,71 62,21 1626,06 3,83 LGM
Promedio x̅ 4791,27 66,17 1752,83 3,79
LGM
19 186502752020170810-ETC 11-1 21,2 62,4 25,13 2,87 2477,16 34,35 1159,25 2,96 LIT
20 186502752020170810-ETC 11-2 21,2 62,4 25,33 3,29 2297,29 27,57 940,97 2,93 GAT
21 186502752020170810-ETC 11-3 21,2 62,4 25,21 2,87 2098,48 29,00 942,90 3,08 LGM
22 186502752020170810-ETC 11-4 21,2 62,4 25,08 2,75 2090,59 30,31 1607,87 1,89 GAT
23 186502752020170810-ETC 11-5 21,2 62,4 25,07 2,76 2188,42 31,63 983,57 3,22 LGM
24 186502752020170810-ETC 11-6 21,2 62,4 25,1 2,75 2087,44 30,24 814,26 3,71 LGM
Promedio x̅ 2206,56 30,52 1074,80 2,81
Revisión: 7
25 186502752020170810-ETC 12-1 24,6 52,3 25,62 3,7 1771,88 18,69 503,28 3,71 LIT
26 186502752020170810-ETC 12-2 24,6 52,3 25,23 3,76 2066,93 21,79 586,78 3,71 LIT
27 186502752020170810-ETC 12-3 24,6 52,3 25,4 3,48 2320,95 26,26 706,07 3,72 LIT
28 186502752020170810-ETC 12-4 24,6 52,3 25,8 3,9 1950,17 19,38 458,58 4,23 LGM
29 186502752020170810-ETC 12-5 24,6 52,3 25,66 4,02 2022,75 19,61 475,72 4,12 LIT
30 186502752020170810-ETC 12-6 24,6 52,3 25,66 3,64 2202,62 23,58 575,34 4,10 LGM
Promedio x̅ 2055,88 21,55 550,96 3,90

31 186502752020170810-ETC 13-1 22,5 52,3 25,95 3,51 4832,82 53,06 1476,64 3,59 LGM
32 186502752020170810-ETC 13-2 22,5 52,3 25,12 3,91 6180,27 62,92 1623,41 3,88 LGM
33 186502752020170810-ETC 13-3 22,5 52,3 24,93 3,67 4581,95 50,08 1395,45 3,59 LIT
34 186502752020170810-ETC 13-4 22,5 52,3 24,97 3,77 4086,52 43,41 1423,29 3,05 LGM
35 186502752020170810-ETC 13-5 22,5 52,3 25,43 3,64 5113,67 55,24 1502,67 3,68 GAT
36 186502752020170810-ETC 13-6 22,5 52,3 25,27 3,86 5321,94 54,56 1470,95 3,71 GAT
Promedio x̅ 5019,53 53,21 1482,07 3,56
Revisión: 7
37 186502752020170810-ETC 14-1 24,6 51,5 25,1 3,27 2308,33 28,12 923,07 3,05 LIT
38 186502752020170810-ETC 014-2 24,6 51,5 25,12 3,1 2735,92 35,13 1045,89 3,36 GAT
39 186502752020170810-ETC 14-3 24,6 51,5 25,16 3,08 2238,91 28,89 1039,57 2,78 LGM
40 186502752020170810-ETC 14-4 24,6 51,5 25,19 3,12 2775,36 35,31 957,83 3,69 GAT
41 186502752020170810-ETC 14-5 24,6 51,5 25,13 3,29 2507,13 30,32 952,87 3,18 LIT
Promedio x̅ 2513,13 31,56 983,85 3,21
Nomenclatura:
De tipo de falla evaluado: El tipo de falla evaluado se lo realiza mediante los criterios de la norma ASTM D3039-2015.
Primer carácter Segundo carácter Tercer carácter

L Lateral A En el agarre T Parte superior
L Lateral I Dentro del agarre T Parte superior
A Angular G Zona calibrada M Medio

Revisión: 7
ENSAYO DE TRACCIÓN DE MATERIALES COMPUESTOS
INFORME DE RESULTADOS N°: 186502752020170810-ETC
DATOS GENERALES
Empresa / Cliente: Ing. Juan Paredes.
Dirección: Av. Los Chasquis y Rio Guayllabmaba, Edif. Ciencias Básicas.
Datos del ensayo:
de tracción de materiales compuestos de matriz de polimérica.
Tipo de ensayo: Cuantitativo. Tipo de probeta: Plana.
Equipo utilizado: Maquina de ensayos universal. Metro test 50 kN
Velocidad de ensayo: 10 mm/min Precarga: 0 N
OBJETOS DE ENSAYO
20% FV + 10% (FAb - 0° + FAl -90°)

1 186502752020170810 ETC01 5
2 186502752020170810 ETC02 10% FV + 20% (FAb - 0° + FAl -90°) 5

20% FV + 10% (FAb - 45° + FAl -90°)
3 186502752020170810 ETC03 5
186502752020170810 ETC04 10% FV + 20% (FAb - 45° + FAl -135°)
4 5
30% (FAb - 0°, 45°, 135° + FAl -90°, 135°, 225°)
5 186502752020170810 ETC05 5
186502752020170810 ETC06 10% FV + 20% F. Larga Abacá
6 5
7 186502752020170810 ETC07 10% FV + 20% F. Corta Abacá 5
Total 35

N°. Factura: 001-002-000003896
Revisión: 7
Resultados:
Dimensiones mm Fuerza Esfuerzo Módulo de %
Pro Identificación de probeta Temper Humedad máxima máximo de elasticidad Elongación Tipo de
beta atura Relativa Ancho Espesor (N) tracción (Calculado) (Calculado) falla
(°C) (%) (MPa) (MPa) evaluado
1 186502752020170810-ETC 01-1 25.1 42.6 24.84 2.72 5940.44 87,92 2109.46 4.17 LGM
2 186502752020170810-ETC 01-2 25.1 42.6 24.56 2.99 5598.06 76,23 1943.51 3.92 LGM
3 186502752020170810-ETC 01-3 25.1 42.6 24.75 2.65 4858.07 74.07 2044.55 3.62 LGM
4 186502752020170810-ETC 01-4 25.1 42.6 24.66 2.99 5607.52 76.05 1799.77 4.23 LGM
5 186502752020170810-ETC 01-5 25.1 42.6 24.81 3.07 5437.12 71.38 1761.36 4.05 LAT
Promedio x̅ 5488.24 77.13 1931.73 4
Desviación estándar Sn−1 397,02 6.34 150.74 0.24
Coeficiente de variación CV 7,23 8.22 7.80 6

6 186502752020170810-ETC 02-1 23.2 50.5 24.91 3.09 4072.32 52.91 1651.89 3.20 LAT
7 186502752020170810-ETC 02-2 23.2 50.5 24.72 3.16 4208.01 53.87 1504.06 3.58 LAT
8 186502752020170810-ETC 02-3 23.2 50.5 24.94 2.94 5017.42 68.43 2519.46 2.72 LAT
9 186502752020170810-ETC 02-4 23.2 50.5 25.08 2.95 4593 62.03 1899.84 3.27 LAT
10 186502752020170810-ETC 02-5 23.2 50.5 24.77 2.91 4166.99 57.81 1721.97 3.36 LAT
4411.55 59.02 1859.44 3.23
Desviación estándar Sn−1 392.53 6.39 395.45 0.32
Coeficiente de variación CV 8.90 10.82 21.27 9.88

Revisión: 7
11 186502752020170810-ETC 03-1 23.2 50.5 25.02 3.26 4485.7 55 1740.36 3.16 LGM
12 186502752020170810-ETC 03-2 23.2 50.5 24.86 3.23 4596.15 57.24 1859.61 3.08 LAT
13 186502752020170810-ETC 03-3 23.2 50.5 24.51 3.44 4544.08 53.89 1514.57 3.56 LGM
14 186502752020170810-ETC 03-4 23.2 50.5 24.54 3.46 4405.24 51.88 2229 2.33 LIT
15 186502752020170810-ETC 03-5 23.2 50.5 24.89 3.27 4622.97 56.80 1657.91 3.43 LGM
Promedio x̅ 4530.83 54.96 1800.29 3.11
LGM
16 186502752020170810-ETC 04-1 24.4 47.1 25.13 3.23 3338.64 41.13 2025.78 2.03 LIT
17 186502752020170810-ETC 04-2 24.4 47.1 25.13 2.93 3401.75 46.20 1744.45 2.65 LGM
18 186502752020170810-ETC 04-3 24.4 47.1 25.12 2.94 3179.28 43.05 1404.62 3.06 LAT
19 186502752020170810-ETC 04-4 24.4 47.1 25.06 2.97 3275.53 44.01 1450.92 3.03 LIT
20 186502752020170810-ETC 04-5 24.4 47.1 25.12 2.8 3414.37 48.54 1789.17 2.71 LGM
Promedio x̅ 3321.91 44.59 1682.99 2.70

Revisión: 7
21 186502752020170810-ETC 05-1 25.9 43.7 25.25 2.98 4318.46 57.39 1740.84 3.30 LAT
22 186502752020170810-ETC 05-2 25.9 43.7 25.19 2.8 3988,69 56.55 1801 3.14 LGM
23 186502752020170810-ETC 05-3 25.9 43.7 25.17 2.87 4149,63 57.44 1604.76 3.58 LAT
24 186502752020170810-ETC 05-4 25.9 43.7 25.2 3.09 4037,61 51.85 1489.66 3.48 LIT
25 186502752020170810-ETC 05-5 25.9 43.7 25.35 2.66 4159.1 61.68 1842.05 3.35 LGM
Promedio x̅ 4130,70 56.98 1695.66 3.37
Desviación estándar Sn−1 127,72 3.50 146.01 0.17
Coeficiente de variación CV 3,09 6.14 8.61 5.03

26 186502752020170810-ETC 06-1 24.1 49.8 24.91 3.31 4581.95 55.57 1740.95 3.19 LIT
27 186502752020170810-ETC 06-2 24.1 49.8 24.8 2.87 5765,31 81 2627.51 3.08 LAT
28 186502752020170810-ETC 06-3 24.1 49.8 24.55 3.13 5269,87 68.58 2302.30 2.98 LGM
29 186502752020170810-ETC 06-4 24.1 49.8 24.58 3.21 5569,66 70.59 2283.87 3.09 LAT
30 186502752020170810-ETC 06-5 24.1 49.8 24.8 2.84 5717,97 81.18 3344.77 2.43 LAT
Promedio x̅ 5380,95 71.39 2459.88 2.95

Revisión: 7
31 186502752020170810-ETC 07-1 23.7 49.6 24.79 3.2 3016.77 38.03 1511.49 2.52 LIT
32 186502752020170810-ETC 07-2 23.7 49.6 24.93 3.08 2668.07 34.75 1717.46 2.02 LIT
33 186502752020170810-ETC 07-3 23.7 49.6 24.7 3.34 2791.14 33.83 1440.92 2.35 LGM
34 186502752020170810-ETC 07-4 23.7 49.6 24.81 3.26 2472.42 30.57 1347.12 2.27 LGM
35 186502752020170810-ETC 07-5 23.7 49.6 24.78 3.15 3130.37 40.10 1479.62 2.71 LGM
Promedio x̅ 2815.75 35.46 1499.32 2.37
Nomenclatura:
De tipo de falla evaluado: El tipo de falla evaluado se lo realiza mediante los criterios de la norma ASTM D3039-2015.

L Lateral A En el agarre T Parte superior
L Lateral I Dentro del agarre T Parte superior
A Angular G Zona calibrada M Medio

Revisión: 7
ENSAYO DE FLEXIÓN DE MATERIALES COMPUESTOS
INFORME DE RESULTADOS N°: 186502752020170810-EFC
DATOS GENERALES
Empresa / Cliente: Ing. Juan Paredes
Dirección: Av. Los Chasquis y Río Guayllabamba, Edif. Ciencias Básicas. UTA
Datos del ensayo:
de flexión de materiales compuestos de matriz de polímero.
Tipo de ensayo: Cuantitativo. Procedimiento: A
Equipo utilizado: Máquina de ensayos universal. Metro test 50 kN
Velocidad de ensayo: 10 mm/min Precarga: 0 N Distancia entre apoyos: 100 mm
OBJETOS DE ENSAYO
20% FV + 10% (FAb - 0° + FAl -90°) S.H.

1 186502752020170810 ETC01 5
2 186502752020170810 ETC02 10% FV + 20% (FAb - 0° + FAl -90°) S.H. 5

20% FV + 10% (FAb - 45° + FAl -135°) S.H.
3 186502752020170810 ETC03 5
186502752020170810 ETC04 10% FV + 20% (FAb - 45° + FAl -135°) S.H.
4 5
30% (FAb - 0°, 45°, 135° + FAl -90°, 135°, 225°) S.H.
5 186502752020170810 ETC05 5
186502752020170810 ETC06 10% FV + 20% F. Larga Abacá S.H.
6 5
7 186502752020170810 ETC07 10% FV + 20% F. Corta Abacá S.H. 5
Total 35

N°. Factura: 001-002-000003896
Fecha de Elaboración: 11-05-2016 FLEXIÓN MATERIALES
Revisión: 8
Resultados:
Dimensiones mm Fuerza Deflexión Esfuerzo Módulo de Deformaci
elasticidad
Pro Identificación de probeta Tempe Humedad máxima (mm) máximo ón Tipo de
Ancho Espesor secante de
bet ratura Relativa (N) de flexión flexión máxima falla
a (°C) (%) (MPa) (Mpa) (%) evaluado
1 186502752020170810-EFC 01-1 18.7 52.4 12.58 3.2 83.62 12.938 97.37 3919.70 2.48 OAB
2 186502752020170810-EFC 01-2 18.7 52.4 12.9 2.98 85.2 9.199 111.56 6782.67 1.64 OAB
3 186502752020170810-EFC 01-3 18.7 52.4 12.59 3.18 66.27 9.329 78.08 4386.47 1.78 OAB
4 186502752020170810-EFC 01-4 18.7 52.4 12.53 2.87 85.2 10.857 123.83 6623.28 1.87 OAB
5 186502752020170810-EFC 01-5 18.7 52.4 13.06 2.86 72.58 13.182 101.91 4505.41 2.26 OAB
Promedio x̅ 78.57 11.10 102.55 5243.50 2.01
Desviación estándar Sn−1 8.67 1.91 17.03 1351.35 0.35
Coeficiente de variación CV 11.03 17.16 16.61 25.77 17.51

elasticidad
6 186502752020170810-EFC 02-1 22 42.3 12.96 3.06 59.96 13.093 74.11 3083.14 2.40 OAB
7 186502752020170810-EFC 02-2 22 42.3 13.09 2.94 59.96 17.952 79.49 2510.19 3.17 OAB
8 186502752020170810-EFC 02-3 22 42.3 13.07 2.94 61.53 14.076 81.70 3290.26 2.48 OAB
9 186502752020170810-EFC 02-4 22 42.3 13.2 2.79 47.33 14.323 69.09 2881.75 2.40 OAB
10 186502752020170810-EFC 02-5 22 42.3 13.23 2.83 56.8 16.608 80.41 2851.36 2.82 OBB
Promedio x̅ 57.12 15.21 76.96 2923.34 2.65
Desviación estándar Sn−1 5.73 2 5.26 290.59 0.33

Revisión: 8
elasticidad
11 186502752020170810-EFC 03-1 24.6 41.2 12.98 3.41 78.89 7.298 78.40 5250.74 1.49 OAB
12 186502752020170810-EFC 03-2 24.6 41.2 12.98 3.42 88.36 7.901 87.30 5384.69 1.62 OAB
13 186502752020170810-EFC 03-3 24.6 41.2 13.05 3.39 105.71 9.875 105.73 5263.92 2.01 OAB
14 186502752020170810-EFC 03-4 24.6 41.2 12.71 3.43 104.13 10.359 104.46 4899.71 2.13 OAB
15 186502752020170810-EFC 03-5 24.6 41.2 12.91 3.34 96.25 9.152 100.25 5465.87 1.83 OAB
Promedio x̅ 94.67 8.92 95.23 5252.98 1.82

elasticidad
16 186502752020170810-EFC 04-1 24.5 41.2 13.07 2.98 69.42 17.492 71.77 2868.54 3.13 OAB
17 186502752020170810-EFC 04-2 24.5 41.2 13.13 3.06 74.16 16.619 72.38 2965.35 3.05 OAB
18 186502752020170810-EFC 04-3 24.5 41.2 13.09 3.14 72.58 11.506 67.48 3891.38 2.17 OAB
19 186502752020170810-EFC 04-4 24.5 41.2 13.09 2.87 66.27 15.538 73.76 3445.69 2.68 OAB
20 186502752020170810-EFC 04-5 24.5 41.2 13.14 2.91 66.27 15.428 71.47 3316.45 2.69 OAB
Promedio x̅ 69.74 15.32 71.37 3297.48 2.74

Revisión: 8
elasticidad
21 186502752020170810-EFC 05-1 24.4 42.2 13.25 3.13 31.56 13.627 36.47 1425.04 2.56 OAB
22 186502752020170810-EFC 05-2 24.4 42.2 13.16 3.13 34.71 16.749 40.38 1283.86 3.15 OAB
23 186502752020170810-EFC 05-3 24.4 42.2 13.22 3.06 42.6 15.885 51.62 1769.97 2.92 OAB
24 186502752020170810-EFC 05-4 24.4 42.2 13.1 3.05 36.29 16.081 44.67 1517.90 2.94 OAB
25 186502752020170810-EFC 05-5 24.4 42.2 13.24 3.33 41.02 15.213 41.91 1378.80 3.04 OAB
Promedio x̅ 37.24 15.51 43.01 1475.11 2.92

elasticidad
26 186502752020170810-EFC 06-1 24.8 41.6 12.54 3.05 74.16 9.521 95.36 5473.06 1.74 OAB
27 186502752020170810-EFC 06-2 24.8 41.6 12.98 3.15 71 9.68 82.69 4519.77 1.83 OAB
28 186502752020170810-EFC 06-3 24.8 41.6 12.59 3.09 77.31 12.085 96.47 4305.54 2.24 OAB
29 186502752020170810-EFC 06-4 24.8 41.6 12.77 3.28 63.11 14.954 68.91 2341.36 2.94 OAB
30 186502752020170810-EFC 06-5 24.8 41.6 12.95 3.07 72.58 9.875 89.20 4903.83 1.82 OAB
Promedio x̅ 71.63 11.22 86.20 4308.71 2.11

Revisión: 8
elasticidad
31 186502752020170810-EFC 07-1 24.7 41.8 12.89 3.36 17.35 4.125 17.88 2150.53 0.83 OAB
32 186502752020170810-EFC 07-2 24.7 41.8 12.76 3.34 37.87 5.894 39.91 3378.59 1.18 OAB
33 186502752020170810-EFC 07-3 24.7 41.8 12.92 3.2 22.09 4.739 25.05 2752.56 0.91 OAB
34 186502752020170810-EFC 07-4 24.7 41.8 12.94 3.2 25.24 3.745 28.57 3973.68 0.72 OAB
35 186502752020170810-EFC 07-5 24.7 41.8 12.93 3.28 28.4 5.255 30.62 2961.19 1.03 OAB
Promedio x̅ 26.19 4.75 28.41 3043.31 0.94
Nomenclatura:
De tipo de falla evaluado: el tipo de falla evaluado se lo realiza mediante los criterios de la norma ASTM D7264-2015.

O Otros A En el punto de carga B Fondo
O Otros L Entre la carga y el punto de apoyo V varios

Revisión: 8
ENSAYO DE FLEXIÓN DE MATERIALES COMPUESTOS
INFORME N°: 186502752020170810-EFC
Empresa / Cliente: Ing. Juan Paredes
Dirección: Av. Los Chasquis y Río Guayllabamba, Edif. Ciencias Básicas. UTA
Datos del ensayo:
Método de ensayo: ASTM D7264-2015. Método de prueba estándar para
propiedades de flexión de materiales compuestos de matriz de polímero.
Tipo de ensayo: Cuantitativo. Procedimiento: A
Equipo utilizado: Máquina de ensayos universal. Metro test 50 kN
Velocidad de ensayo: 10 mm/min Precarga: 0 N Distancia entre apoyos: 100 mm
Fecha de Inicio de Ensayo: 30/11/2017. Fecha de Finalización de Ensayo:
01/12/2017.
OBJETOS DE ENSAYO
Probetas
N° Identificación del grupo Configuración de la probeta a
Ensayar
1 186502752020170810 EFC 08 20% FV + 10% (FAb 0° + FAl 90°) S.H. 6
2 186502752020170810 EFC 09 10% FV + 20% (FAb 0° + FAl 90°) S.H. 6
3 186502752020170810 EFC 10 20% FV + 10% (FAb 45° + FAl 135°) S.H. 6
4 186502752020170810 EFC 11 10% FV + 20% (FAb 45° + FAl 135°) S.H. 6
5 186502752020170810 EFC 12 30% (FAb 0°, 45°, 135° + FAl 90°, 135°, 225°) S.H. 6
6 186502752020170810 EFC 13 10% FV + 20% F. Larga Abacá S.H. 6
7 186502752020170810 EFC 14 10% FV + 20% F. Corta Abacá S.H. 5
Total 41
Nota: Las probetas fueron realizadas en un molde con la utilización de mezcla de resina
con refuerzo de fibra de hoja de abacá y algodón, la configuración de los porcentajes de
fibra y fracción volumétrica se realiza según especificaciones declaradas por el cliente.

Ambato, 04 de Diciembre del 2017.
N°. Factura. 001-002-000003896
Fecha de última aprobación: 20-06-2017 COMPUESTOS
Revisión: 6
Resultados:
Dimensiones mm Fuerza Esfuerzo máximo

Módulo de
Probe Identificación de probeta Tempera Humedad máxima Deflexión de flexión (MPa) Deformación Tipo de
elasticidad secante
ta tura (°C) Relativa (%) (N) (mm) máxima (%) falla
Ancho Espesor de flexión (Mpa)
evaluado
1 186502752020170810-EFC 08-1 21,6 54,5 13,2 3,37 116,76 3,659 93,46 15790,94 0,74 OAB
2 186502752020170810-EFC 08-2 21,6 54,5 13,13 3,34 148,31 5,451 121,50 13903,69 1,09 OAV
3 186502752020170810-EFC 08-3 21,6 54,5 13,17 3,32 148,31 4,932 122,60 15598,66 0,98 OAB
4 186502752020170810-EFC 08-4 21,6 54,5 13,34 3,49 116,76 3,185 86,23 16161,90 0,67 OAM
5 186502752020170810-EFC 08-5 21,6 54,5 13,21 3,42 181,45 6,681 140,92 12849,15 1,37 OAV
6 186502752020170810-EFC 08-6 21,6 54,5 13,18 3,33 194,07 5,528 159,34 18033,59 1,10 OAB
Promedio x̅ 150,94 4,91 120,68 15389,66 0,99
Desviación estándar Sn−1 32,07 1,29 27,70 1814,04 0,26
Coeficiente de variación CV 21,24 26,34 22,95 11,79 26,10

Módulo de
elasticidad secante
evaluado
7 186502752020170810-EFC 09-1 22,5 52,1 13,37 3,12 124,65 11,162 114,93 6875,35 2,09 OAV
8 186502752020170810-EFC 09-2 22,5 52,1 13,1 3,05 140,42 12,613 138,27 7488,24 2,31 OAT
9 186502752020170810-EFC 09-3 22,5 52,1 13,24 2,9 99,4 9,146 107,12 8414,21 1,59 OAM
10 186502752020170810-EFC 09-4 22,5 52,1 13,13 2,83 112,02 9,794 127,83 9608,41 1,66 OAB
11 186502752020170810-EFC 09-5 22,5 52,1 13,06 2,9 129,38 13,108 141,35 7747,00 2,28 OAT
12 186502752020170810-EFC 09-6 22,5 52,1 13,11 3,15 134,11 12,506 123,71 6542,57 2,36 OAT
Promedio x̅ 123,33 11,39 125,54 7779,30 2,05
Revisión: 6
Módulo de
elasticidad secante
evaluado
13 186502752020170810-EFC 10-1 20,5 57,2 13,39 3,12 173,56 6,539 159,79 16316,76 1,22 OAV
14 186502752020170810-EFC 10-2 20,5 57,2 13,14 3,2 211,43 7,489 188,56 16392,21 1,44 OAM
15 186502752020170810-EFC 10-3 20,5 57,2 13,2 3,3 192,49 5,525 160,69 18361,16 1,09 OAM
16 186502752020170810-EFC 10-4 20,5 57,2 13,07 2,97 197,22 7,144 205,28 20156,01 1,27 OAB
17 186502752020170810-EFC 10-5 20,5 57,2 13,19 3,08 159,36 6,385 152,83 16190,55 1,18 OAM
18 186502752020170810-EFC 10-6 20,5 57,2 13,15 3,32 195,65 6,048 161,98 16806,14 1,20 OAM
Promedio x̅ 188,29 6,52 171,52 17370,47 1,24

Módulo de
elasticidad secante
evaluado
19 186502752020170810-EFC 11-1 21,5 56,1 13,33 2,7 124,65 12,045 153,93 9860,62 1,95 OAB
20 186502752020170810-EFC 11-2 21,5 56,1 13,14 2,97 99,4 10,954 102,91 6590,05 1,95 OAB
21 186502752020170810-EFC 11-3 21,5 56,1 13,08 2,94 47,33 10,845 50,24 3282,44 1,91 OAT
22 186502752020170810-EFC 11-4 21,5 56,1 13,19 2,93 93,09 8,472 98,65 8279,60 1,49 OAB
23 186502752020170810-EFC 11-5 21,5 56,1 13,3 2,77 96,25 8,491 113,18 10025,15 1,41 OAB
24 186502752020170810-EFC 11-6 21,5 56,1 13,24 2,85 104,13 9,964 116,19 8524,32 1,70 OAB
Promedio x̅ 94,14 10,13 105,85 7760,36 1,74

Revisión: 6
Módulo de
elasticidad secante
evaluado
25 186502752020170810-EFC 12-1 21,8 60,5 13,54 4,27 44,18 12,411 21,47 844,22 3,18 OAM
26 186502752020170810-EFC 12-2 21,8 60,5 13,41 3,66 25,24 10,59 16,86 906,28 2,33 OAB
27 186502752020170810-EFC 12-3 21,8 60,5 13,76 3,82 20,51 10,532 12,26 634,73 2,41 OAM
28 186502752020170810-EFC 12-4 21,8 60,5 13,6 3,81 17,35 7,631 10,55 755,69 1,74 OAM
29 186502752020170810-EFC 12-5 21,8 60,5 13,61 3,79 28,4 13,105 17,43 731,22 2,98 OAM
30 186502752020170810-EFC 12-6 21,8 60,5 13,61 4,16 22,09 11,378 11,25 495,37 2,84 OAM
Promedio x̅ 26,30 10,94 14,97 727,92 2,58

Módulo de
elasticidad secante
evaluado
31 186502752020170810-EFC 13-1 22,6 63,1 13,12 3,61 198,8 8,414 139,52 9569,70 1,82 OAM
32 186502752020170810-EFC 13-2 22,6 63,1 13,1 3,55 137,27 5,813 99,78 10073,00 1,24 OAV
33 186502752020170810-EFC 13-3 22,6 63,1 13,14 3,55 91,51 4,374 66,31 8897,12 0,93 OAV
34 186502752020170810-EFC 13-4 22,6 63,1 13,13 3,61 254,03 5,99 178,15 17163,74 1,30 OAV
35 186502752020170810-EFC 13-5 22,6 63,1 13,28 3,51 96,25 3,861 70,59 10852,29 0,81 OAB
36 186502752020170810-EFC 13-6 22,6 63,1 13,1 3,41 213 8,802 167,80 11646,72 1,80 OAB
Promedio x̅ 165,14 6,21 120,36 11367,10 1,32

Revisión: 6
Probe Identificación de probeta Tempera Humedad máxima Deflexión de flexión (MPa) Módulo de Deformación Tipo de
ta tura (°C) Relativa (%) (N) (mm) elasticidad secante máxima (%) falla
Ancho Espesor de flexión (Mpa) evaluado
37 186502752020170810-EFC 14-1 22,9 55,3 13,13 3,51 63,11 4,802 46,82 5786,69 1,01 OAV
38 186502752020170810-EFC 14-2 22,9 55,3 13,16 3,11 105,71 6,944 99,66 9614,12 1,30 OAB
39 186502752020170810-EFC 14-3 22,9 55,3 13,09 3,07 104,13 5,849 101,28 11751,13 1,08 OAB
40 186502752020170810-EFC 14-4 22,9 55,3 13,18 3,2 100,98 7,054 89,78 8286,57 1,35 OAB
41 186502752020170810-EFC 14-5 22,9 55,3 13,22 3,22 135,69 8,531 118,79 9009,25 1,65 OAB
Promedio x̅ 101,92 6,64 91,27 8889,55 1,28
Nomenclatura:
De tipo de falla evaluado: el tipo de falla evaluado se lo realiza mediante los criterios de la norma ASTM D2764-2015.

O Otros A En el punto de carga B Fondo
L Entre la carga y el punto de V Varios
apoyo T Superior

Revisión: 6

Tesis I. M. 513 - Erazo Sánchez Henry David

Cargado por

Copyright:

Formatos disponibles

Tesis I. M. 513 - Erazo Sánchez Henry David

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tesis I. M. 513 - Erazo Sánchez Henry David

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD TÉCNICA DE AMBATO

FACULTAD DE INGENIERÍA CIVIL Y MECÁNICA

CARRERA DE INGENIERÍA MECÁNICA

TRABAJO EXPERIMENTAL PREVIO A LA OBTENCIÓN DEL TÍTULO

“ANÁLISIS ESTADÍSTICO DE LAS PROPIEDADES MECÁNICAS A

AUTOR: Henry David Erazo Sánchez

TUTOR: Ing. Mg. Juan Gilberto Paredes Salinas

En mi calidad de Tutor del Trabajo Experimental, previo a la obtención del Título de

 El presente Trabajo Investigativo es original de su autor.

Por lo tanto, autorizo la presentación de este documento ante el organismo pertinente,

Ambato, Febrero de 2019

Los contenidos, ideas, análisis, y conclusiones son de exclusiva responsabilidad de mi

Ambato, Febrero de 2019

Autorizo a la Universidad Técnica de Ambato, para que haga de este Trabajo

Ambato, Febrero de 2019

Ambato, Febrero de 2019

Para constancia firman:

Dedico este trabajo a Dios, por ser el pilar de mi vida, mi guía

en cada acto y por permitirme llegar hasta este valioso

momento de mi formación profesional.

A Gloria, mi madre, por ser una mujer fuerte, por inculcarme

desde pequeño objetividad; por enseñarme que con esfuerzo y

perseverancia se consigue llegar a la meta.

A mi padre Mauricio, por están en algunos de mis buenos y

malos momentos, por su comprensión frente a mis instantes de

A mi hermana Mady, por ser una mujer optimista, por

enseñarme que siempre existe solución para los problemas, por

compartirme su positivismo y alegría en las dificultades.

A mi mejor amiga Mayté Fernanda, por ser una persona

valiosa, por brindarme su apoyo, por ser fuente de muchas de

mis alegrías, por enseñarme a confiar en las personas y

demostrarme que las cosas no siempre son solo en blanco y

A mis cachorros Jack, Nailah, Black, Kyara y Copito; que han

sido disipadores de estrés y han demostrado sentimientos

sinceros y desinteresados mejor que muchas personas.

Agradezco principalmente a Dios, por la vida, por mi familia;

por enseñarme en cada situación a desarrollar las capacidades

necesarias para saber desenvolverme correctamente, por

siempre ponerme en el camino correcto para permitir retribuir

la bondad de sus acciones.

Agradezco a mi madre y a mi hermana por su completo apoyo,

por su compañía en las largas noches de arduo trabajo, por la

seguridad que han sabido compartirme a lo largo de mi vida

universitaria. A mi padre, por la confianza que me ha sabido

brindar, aunque sea a la distancia.

Al tutor de este trabajo, el ingeniero Juan Paredes, que confió

en mis capacidades para saber desarrollar cada parte de este

proyecto, y que supo guiarme y me ayudó a complementar

conocimientos para su completo desarrollo.

A mis compañeros, que en toda la carrera fuimos un constante

apoyo, logrando superar nuestras falencias; haciendo que

recuerde que juntos se llega más lejos.

CERTIFICACIÓN DEL TUTOR ................................................................................II

1.2 ANTECEDENTES ........................................................................................... 23

1.3 JUSTIFICACIÓN ............................................................................................. 26

1.4 OBJETIVOS ..................................................................................................... 27

OBJETIVO GENERAL ............................................................................... 27

OBJETIVOS ESPECÍFICOS ...................................................................... 27

INFERENCIA ESTADÍSTICA ................................................................... 29

ENFOQUE CLÁSICO ................................................................................. 30