Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
T E S I S
QUE PRESENTA:
DIRECTOR DE TESIS:
Resumen
Abstract
Introduccin 1
Conclusiones... 87
Referencias
ndice de grficas.
ndice de tablas.
Tabla 3.4 Diseo con arreglos int-ext, para robustecer la calidad del maz 67
ndice de imgenes.
ndice de cuadros.
factores de control y externamente factores de ruido. Las diferencias entre factores como
temperatura, tiempo, caudal de aire dentro de la secadora se basaron en la variable de
respuesta, caracterstica del producto incluyendo el factor operador y, por otra parte, la
influencia de las condiciones climticas como; la humedad relativa, humedad ambiente,
humedad de entrada del grano y variedad del grano. La comparacin enfocada a la calidad
realizada se interes entre un silo con tratamiento y otro sin tratamiento y finalmente entre
una temporada y otra con inters sobre ganancia monetaria. Se concluye que el factor
temperatura es el ms significativo, seguido del tiempo y el caudal de aire, y en cuanto al
factor operador no existi diferencia significativa en sus medias. Finalmente, hubo mejora
en la calidad del producto (daos por secadora) y aumento en el rendimiento de tonelaje (peso
especfico), al obtenerse 150 toneladas por encima del silo sin tratamiento.
ABSTRACT
This paper studied the process of corn drying by means of a Design of Experiments (DOE)
methodology and a main technique of Orthogonal Array (internal/external) was chosen, to
propose a cuantitative method that leads to the most amount and value of kernels, as well as
2
service (speed). The functions of signal/noise 10 10 [ 2 ] and (-10 10 (S2)) were chosen,
along with an Analysis of Variance (ANOVA) considering control factors and external noise
factors. The difference between the factors like temperature, time and airflow inside the dryer
were based on the response variable, the characteristic of the product including operating
factor and, on the other hand, the influence of climate conditions like: relative humidity,
environmental humidity, initial kernel humidity and kernel variety. The comparison of the
quality was focused between a treated and an untreated silo and finally between two different
seasons. It was concluded that the factor of temperature was the most significant, followed
by time, airflow and as for the operating factor, there was no significant difference between
the means. Finally, there was an improvement in the quality of the product (damage by
drying) and an increase in the performance of tonnage (specific weight), obtaining 150 tons
more than the untreated silo.
Introduccin.
El secado artificial del maz es una prctica ampliamente difundida, que al mismo tiempo
origina una serie de diversos problemas que afecta en los costos y la calidad del producto. El
secado constituye un cuello de botella para la mayora de las plantas de acopio, sobre todo
aquellas ubicadas en las regiones en donde la recepcin de este producto acepta con niveles
por encima de 15.0% de humedad.
La informacin de esta tesis parte de los antecedentes e importancia del maz, donde se
demuestra que ha sido tan importante a escala nacional e internacional, consolidndose como
una de las principales bases alimentarias. Se explica tambin en forma organizada como es
que esta tcnica cumple con la resolucin del problema dentro del proceso de secado,
analizando los factores y finalmente aplicando el diseo de experimentos para poder as,
realizar las conclusiones y recomendaciones que se le ofrecen al personal de la empresa
donde se realizaron las pruebas, tomndose de forma segura las decisiones finales.
El fundamento terico detalla las ventajas y desventajas del secado artificial del grano como
tema principal que afecten en su calidad y desarrollo del mismo, quedando en prctica el
seguimiento de la metodologa del diseo de experimento como aplicacin en la empresa,
apoyado mediante la utilizacin del software estadstico Minitab y Statgraphics
principalmente.
1
El procedimiento se realiza de manera que cumpla con todos los pasos e indicaciones
aplicadas actualmente en el sector de almacenamiento y acopio de maz, las actividades
principales llevadas a prctica que componen todo el proceso de flujo de la gramnea, as
como tambin se muestra un croquis representativo para facilitar la comprensin del flujo y
recorrido del maz dentro de la empresa y despus ubicar de forma ms explcita los factores
que intervienen en el proceso de secado incluyendo el anlisis de varianza de respuesta como
objetivo y el clculo de la normalidad y prueba de hiptesis.
El centro de acopio GRANISSA, presenta una necesidad latente en una de sus operaciones a
realizar, llamado secado artificial de maz, siendo este un punto crtico de control, ya que si
no cumple con la especificacin de calidad que es en el intervalo de 14.0% al 15.5% de
humedad surgen problemas, es decir, que constatando que en los registros anteriores se ha
observado que algunas muestras de humedad del grano despus de haber pasado por la
secadora, s han obtenido valores mayores del 15.5% (ocupa recirculacin) y menores de
13.0% (puede sufrir daos) de humedad, que ha implicado gasto extra, reproceso, demora y
disgustos e inconformidad de parte de los clientes.
2
La empresa actualmente presenta estadsticamente una prdida de producto de 10% una vez
aplicado el secado artificial y se mejorar el nivel de calidad del grano de maz por encima
del porcentaje actual. El equipo secador de maz cuenta con controles de operacin donde el
flujo y la temperatura se determinan por medio de la experiencia del operador (no por medios
cuantitativos), estos niveles son observados por medio de un display que marca todos los
movimientos realizados en cuanto a los factores de tiempo y temperatura, pero presenta la
desventaja de que no marca automticamente el porcentaje de prdida de humedad, por lo
que se procede al muestreo.
De qu manera se podra lograr que el proceso de secado artificial de maz blanco, mejore
la calidad del producto minimizando prdidas?
Objetivo general.
Objetivos especficos.
Identificar los factores, niveles y variables que intervienen en la calidad del producto
obtenido por el secado.
3
Interpretar los resultados utilizando mtodos grficos considerando todos los datos
observados.
Dentro del estudio a realizar se comprende que el tipo de secadora estacionaria o fija es la
que corresponde para este caso, omitiendo la secadora de flujo continuo y la de columnas, la
experimentacin se llevar a cabo en una sola empresa, pero subrayando que este tipo de
secadora la utilizan varias empresas almacenadoras en el estado de Sinaloa. Las variedades
que entran dentro de este estudio son Dekalb 2030, DK 2038 y DK 3000 ya que son las nicas
que maneja la empresa en cuestiones de granos de maz hasta el momento. Los niveles a
estudiar que se tomaron para cada factor se determinaron en base a la experiencia propia de
los operadores que laboran en planta y el responsable de la misma. Para el caso de la
temperatura se utilizaron el nivel alto y bajo correspondiente a 120 oF 180oF, para el caso
del tiempo se utilizaron tambin dos niveles de 15 y 30 minutos, para el tercer factor que fue
el caudal de aire se utiliz un alto y un bajo correspondiente a 1 628 m/minuto -
3,000 m/minuto, para el cuarto y ltimo factor controlable se tom al operador del primer y
segundo turno respectivamente. En cuanto a los factores ambientales como la humedad de
entrada del grano, temperatura ambiente, humedad relativa y variedad se tomaron en cuenta
para un arreglo externo identificados como factores de ruido y finalmente se descartaron
las impurezas y el grano quebrado debido a que en un punto anterior existe una etapa de
cribado que funcion correctamente disminuyendo los niveles de estos ltimos.
4
Captulo I. La Industria del maz en Sinaloa y su proceso de industrializacin .
El maz es el nico cereal de origen americano que se ha convertido en uno de los cultivos
principales en todo el mundo y el aumento de su consumo como alimento bsico se debi a
que rinde ms que el trigo, el centeno o la cebada. Gracias a su bajo precio, se convirti en
el alimento principal y la fuente central de energa y protenas para la gente. Actualmente,
85% de los pases cultivan maz. (SIAP, 2014).
5
La superficie cosechada de maz a nivel mundial tuvo una TMAC de 1.4%, lo que signific
un incremento de 138.8 millones de hectreas en 1998 a 161.0 millones de hectreas en 2008.
El 71% de la superficie cosechada lo concentraron 12 pases, como en el caso del volumen
de produccin, Estados Unidos, China y Brasil se mantuvieron en los tres primeros lugares
con 21%, 18% y 9% de la superficie cosechada respectivamente y TMAC de 0.7%, 1.5% y
2.9% respectivamente. Por su parte, Mxico ocup el 4 lugar en superficie cosechada de
maz con el 5% del total mundial, pero con una tendencia ligeramente a la baja reflejada en
una TMAC de -0.6%. 6. (Sagarpa-Siap, 2012)
A nivel nacional el grano que ms se produce es el maz, esto debido a que constituye la
principal fuente de energa para la dieta alimenticia de los mexicanos y por otro lado se utiliza
como forraje para el consumo animal. De acuerdo con datos del Sistema Informacin
Agroalimentaria de Consulta (SIACON) la produccin de maz ha presentado una tendencia
al alza durante los ltimos once aos, esto en virtud de que en 1998 se produjeron 18, 454,710
toneladas y para el 2008 el volumen de produccin fue de 24410,279 toneladas, lo que
significa una TMAC de 2.6%. (Sagarpa-Siap, 2012)
Por lo que podemos afirmar que a nivel mundial Mxico es uno de los pases que figuran en
la produccin de Maz de distinta variedad. El maz es el cultivo ms importante de Mxico.
El maz blanco en grano se utiliza principalmente para la elaboracin de las tradicionales
tortillas y tamales, pero de l tambin pueden obtenerse aceite e insumos para la fabricacin
de barnices, pinturas, cauchos artificiales y jabones. (SIAP, 2014).
6
Produccin agrcola en Mxico 2014 (toneladas)
Avena forrajera
2% Otros
20%
Maz forrajero
3% Fresa (planta)
Noche buena (planta) 39%
3%
Maz grano
Plantero de
5%
tabaco
(planta)
28%
Grfica 1.1.2 Elaboracin propia con datos tomados del (SIAP, 2014). Produccin agrcola
en Mxico 2014. [En lnea] http://www.siap.gob.mx/
Maz grano
Sorgo grano
32.3 30% Chile verde
Tomate rojo (Jitomate)
Trigo grano
8% Papa
5% 5% Frijol
5% 7% 8%
Otros
Grfica 1.1.3 Elaboracin propia con datos obtenidos del (SIAP, 2014). Principales cultivos
en Mxico en base al valor de la produccin 2014. [En lnea] http://www.siap.gob.mx/
La planta del maz es de aspecto robusto. Recuerda al de una caa. Tiene un solo tallo de
gran longitud, sin ramificaciones, que puede alcanzar hasta cuatro metros de altura, es decir,
poco ms de la altura de dos hombres. Al hacerle un corte presenta una mdula esponjosa.
La planta tiene flores tanto masculinas como femeninas. La inflorescencia masculina es un
espign o penacho amarillo que puede almacenar de veinte a 25 millones de granos de polen.
7
La femenina tiene menos granos de polen, mil como mximo, y se forman en unas estructuras
vegetativas denominadas espdices. (SIAP, 2014).
Imagen 1.1 Planta de maz. (SIAP, 2014). Imagen 1.1.2 Maz blanco nacional. (SIAP,
2014). [En lnea] http://www.siap.gob.mx/ [En lnea] http://www.siap.gob.mx/
El maz requiere una temperatura clida, entre 25 y 30C, y mucho sol para desarrollarse
bien. Sufre despus de los 30C o con temperaturas fras menores a 8C. Adems, necesita
mucha agua, alrededor de cinco milmetros de lluvia o riego diarios, en promedio. El maz
se adapta muy bien a todo tipo de suelos, especialmente los ligeramente cidos, profundos,
ricos en materia orgnica, con buen drenaje para no permitir encharcamientos que asfixiaran
las races. El maz se siembra de forma manual, depositando la semilla en los surcos, o con
maquinaria. Se debe enterrar a una profundidad de cinco centmetros cada veinte o 25
centmetros, para que al crecer cuente con suficiente espacio. Entre surco y surco la
separacin debe ser de aproximadamente un metro. El suelo necesita haber alcanzado una
temperatura de cuando menos 12C para la siembra. Para que la semilla germine, necesita de
15 a 20C. (SIAP, 2014).
8
tallos de la planta. La mazorca tambin se tritura y la cosecha se limpia por un dispositivo de
dos tamices. En la recoleccin, lo recomendable es que las mazorcas se encuentren bien
secas. (SIAP, 2014)
Tabla 1.1 Elaboracin propia, extrada de datos del SIAP, Porcentaje de produccin anual
a nivel nacional en el periodo 1998-2014. [En lnea] http://www.siap.gob.mx/
Series1 Series2
Grfica 1.1.4 Elaboracin propia con datos extrados del SIAP, 2014. Comparacin entre
la produccin de maz nacional y el estado de Sinaloa en el periodo 1998-2014. [En lnea]
http://www.siap.gob.mx/
9
Segn la Secretara de Economa Sinaloa, es el lder nacional en la produccin de alimentos,
la cercana geogrfica al mercado de Estados Unidos, as como la experiencia e
instrumentacin tecnolgica en la industria alimenticia, propician el desarrollo de Sinaloa.
Una llanura ecolgica con tierra frtil, abundante luz solar, esteros y 11 ros entre la Sierra
Madre y el Mar de Corts, hacen de Sinaloa la plataforma ideal para la produccin y
procesamiento de alimentos con extraordinaria calidad. Esto hace factible la instalacin de
industrias manufactureras de clase mundial, que combinadas al desarrollo y establecimiento
de empresas en tecnologas de informacin (TI), software e industria turstica diversificada,
resultan ser el binomio para impulsar los negocios en materia logstica y de biotecnologa.
El Producto Interno Bruto (PIB) del estado ascendi a ms de 324 mil millones de pesos en
2013, con lo que aport 2.1% al PIB nacional. En Mxico se registraron 23,316
investigadores en enero de 2015, de los cuales 1.5% corresponden a Sinaloa. La mayora de
los investigadores del estado se concentraron en las reas de Biotecnologa y Agropecuaria,
as como en Ciencias Sociales. (SE, 2015)
2,741,315.89 1,476,451.00
2,618,852.00
2014 2013 2012 2011 2010 2009 2008 2007 2006 2005 2004 2003 2002 2001 2000 1999 1998
Grfica 1.1.5 Elaboracin propia extrada con datos del (SIAP, 2014), Produccin anual de
maz (tons.) en el estado de Sinaloa en el periodo 1998-2014. [En lnea]
http://www.siap.gob.mx/cierre-de-la-produccion-agricola-por-cultivo/.
10
Desde 1993 Sinaloa se convirti en uno de los principales estados abastecedores de maz en
Mxico, al aportar ms de 2 millones de toneladas al ao. Durante la dcada de los noventa
su produccin promedio fue de 1.78 millones de toneladas, notoriamente superior a las 143
mil toneladas que la entidad aportaba en los ochenta. En el ao 2000 Sinaloa ocup el
segundo lugar en la produccin de este alimento, superado slo por el estado de Jalisco, y
seguido muy de cerca por los estados de Chiapas y Mxico, cuya produccin tambin super
los dos millones de toneladas. Debido a que Sinaloa presenta los rendimientos ms altos a
nivel nacional, la entidad cuenta con una importante ventaja comparativa en la produccin
de maz. Adems, es el principal productor de maz en el ciclo otoo-invierno, lo que le
permite tener mayor acceso al mercado nacional, pues la mayora de las entidades
productoras obtienen su mayor oferta en el ciclo primavera-verano. No obstante, las fuertes
ventajas en la produccin de maz, Sinaloa presenta serios problemas de comercializacin.
An en presencia de la Compaa Nacional de Subsistencias Populares (Conasupo) la entidad
tena problemas para poder comercializar su produccin. Durante el ciclo otoo-invierno
1997/1998 la regin norte de la entidad slo tena capacidad para almacenar 260 mil
toneladas de maz, en tanto que la produccin por cosechar ascenda a 901 mil toneladas.
Tampoco tena la capacidad de movilizar las cosechas hacia los centros consumidores debido
a que Ferrocarriles Mexicanos fue incapaz de otorgar las 150 unidades diarias que demandaba
el sector en el periodo de cosechas. Esta situacin se sigue presentando y es probable que la
desaparicin de Conasupo haya agudizado esta problemtica. Los problemas de
comercializacin no son exclusivos del maz como producto, ni de Sinaloa como entidad.
Los estados que cuentan con excedentes de granos se enfrentan a problemas de
comercializacin similares. Segn informacin de Secofi (2001), en 1994 las importaciones
de maz fueron de 2.22 millones de toneladas. El crecimiento del consumo, que pas de 6.69
millones de toneladas en 1995 a 8.26 millones de toneladas en 1996 (SAGARPA, 1998),
determin que las importaciones rebasaran en ms de tres millones la cuota pactada para el
ltimo de los dos aos. En 1997 las importaciones descienden, en relacin con 1996,
ubicndose en 2.47 millones de toneladas, y para 1998, 1999 y 2000 vuelven a superar los 5
millones de toneladas. Vale la pena mencionar que, no obstante, las importaciones de maz
superaron la cuota establecida en el TLCAN, no fue sino hasta diciembre de 2000 que el
Gobierno estableci el Impuesto General de Importacin para las mercancas originarias de
11
Amrica del Norte. Para el maz importado proveniente de tales pases se estableci un
arancel de 3% al maz blanco, y de 1% al maz amarillo(Salazar et al., 2006). Para el ao
2001, los cupos de importacin autorizados por el gobierno superaron en un amplio margen
la cuota establecida en el TLCAN, al rebasar los cinco millones de toneladas. De acuerdo
con algunas opiniones, las experiencias de 1996, 1998, 1999 y 2000 son un ejemplo de la
posicin del gobierno mexicano en la construccin de un dumping tcnico a los productores
de maz, y por el cual se entiende como la accin de inundar el mercado con importaciones
baratas. Por lo general, el dumping lo realiza un pas sobre otro, pero en este caso lo realiz
el mismo gobierno de Mxico. (Salazar et al., 2006).A continuacin se observan los grficos
correspondientes a los estados ms productivos de grano de maz del pas en los ltimos 10
aos.
6,000,000.00
5,000,000.00
4,000,000.00
3,000,000.00
2,000,000.00
1,000,000.00
0.00
Jalisco
Jalisco
Jalisco
Michoacn
Michoacn
Michoacn
Sinaloa
Sinaloa
Sinaloa
Chiapas
Chiapas
Chiapas
Mxico
Mxico
Mxico
2008 2007 2006
Grfica 1.1.6 Elaboracin propia con datos tomados del SIAP. Entidades con mayor
produccin de maz (2006-2008). [En lnea] http://www.siap.gob.mx/
6,000,000.00
5,000,000.00
4,000,000.00
3,000,000.00
2,000,000.00
1,000,000.00
0.00
Jalisco
Jalisco
Jalisco
Michoacn
Michoacn
Michoacn
Sinaloa
Sinaloa
Sinaloa
Chiapas
Chiapas
Guerrero
Guerrero
Mxico
Mxico
Grfica 1.1.7 Elaboracin propia con datos tomados del SIAP. Entidades con mayor
produccin de maz (2009-2011). [En lnea] http://www.siap.gob.mx/
12
4,000,000.00
3,500,000.00
3,000,000.00
2,500,000.00
2,000,000.00
1,500,000.00
1,000,000.00
500,000.00
0.00
Jalisco
Jalisco
Jalisco
Michoacn
Michoacn
Sinaloa
Michoacn
Sinaloa
Sinaloa
Chiapas
Chiapas
Guanajuato
Mxico
Mxico
Mxico
2014 2013 2012
Grfica 1.1.8 Elaboracin propia con datos obtenidos del SIAP. Entidades con mayor
produccin de maz (2012-2014). [En lnea] http://www.siap.gob.mx/
Como podemos observar en las grficas anteriores el estado de Sinaloa ha sido el mayor
productor en el pas. Si el consumo nacional real fuera menor al consumo nacional aparente,
una de las regiones ms afectadas sera Sinaloa que incrementara sus inventarios ante la
imposibilidad de poder comercializar sus grandes excesos de produccin. Esta situacin
restara competitividad a la produccin de maz del productor sinaloense debido al costo en
que incurrira por almacenar el grano. Debido a la importancia del estado en la produccin
nacional de maz, este trabajo tiene como objetivo principal determinar los efectos que la
imposicin de los cupos de importacin tiene sobre los niveles de almacenamiento en el
estado de Sinaloa. (Salazar et al., 2006)
13
bajas caloras; Aceites: comestible de uso domstico y alimentos para beb; Almidn: para
la elaboracin de pan, atole, alimentos infantiles, cerveza, cartn corrugado y papel; Glucosa:
para la fabricacin de dulces, caramelos y chicles; Colorante: en los procesos para la
elaboracin de refrescos, cerveza, licores, embutidos y panificacin; Esta variedad de
productos que actualmente se fabrican a partir del maz, hasta hace unos pocos aos no haban
significado problema alguno para la dinmica de la oferta mundial. Con la entrada de los
biocombustibles a escena desde hace menos de una dcada, se observa que la oferta mundial,
aunque reacciona a los incrementos de los precios, no lo ha podido hacer a la misma
velocidad a la que se mueve la demanda. Si a lo anterior le sumamos los efectos adversos del
cambio climtico en la produccin agrcola de los ltimos aos, podemos explicar una buena
parte de los incrementos en los precios de los productos agrcolas y su impacto en el sector
alimentario mundial. (SE, 2012).
Transporte
Inicio
Fin Encostalado
No
Entrada de Camin cumple
Embarque Muestreo y anlisis
con carga
de maz (NMX)
Cumple No
Muestreo y anlisis cumple Carga de maz Almacenado
de maz (NMX)
Cumple Transporte en
elevadores
Toma de peso en Se rechaza
bruto Cumple
Determinacin de
Descarga de maz humedad (NMX)
en volcador No cumple
Cuadro 1.1 Elaboracin propia. Proceso de flujo del acopio de maz blanco.
14
El proceso de acopio de maz blanco se presenta de la siguiente manera.
M A I Z
N 003810
Observaciones:
Paso 2. En la bscula se registra el peso inicial con el camin cargado, pero antes de eso se
muestrea el camin,
Nombre y firma para efectos de rechazo o aceptacin
del responsable. delyproducto.
Nombre Despus de que se
firma del transportista.
acepta, se procede a descargar la unidad para que al final se realice el pesaje de tara para
determinar el peso neto.
15
Imagen 1.1.2 Homogeneizacin de maz. Imagen 1.1.3 Determinadores de humedad.
El muestreo se define como el mtodo o conjunto de prcticas que tienen por objeto la
obtencin de una muestra de un lote o de una remesa del que se desea conocer sus
caractersticas de calidad. La porcin extrada debe conservar fielmente las condiciones de
donde proviene el material que se evala. La muestra puede definirse como una porcin, que,
aunque ha sido extrada de una poblacin total, en este caso los granos, conserva
proporcionalmente la misma composicin que la del universo de donde proviene. (Maritimo
et al., 2006)
El muestreo deber ser realizado por una persona honesta, con los conocimientos, capacidad
y experiencia adecuada para desempear de manera correcta sus funciones. Deber contar
con la agudeza suficiente y una capacidad de observacin que le permita reconocer
situaciones que solo son detectables al momento de muestreo, como por ejemplo en el caso
de temperaturas anormales y olores objetables. (Maritimo et al., 2006)
Para el caso de maz en camiones, se utilizar la sonda de once alvolos separados (1.80
metros de longitud). Deber considerarse el volumen del lote para poder determinar el
nmero de inserciones que tendrn que hacerse para la obtencin de la muestra
representativa, de esta manera en los camiones con capacidad menor a 25 toneladas debern
hacerse cinco inserciones (caja normal), en los de 25 a 45 toneladas (caja grande) sern ocho
inserciones. (DICONSA, 2014).
16
2 4
3
3 5
1
Fig 1.1.3. Puntos de muestreo para un camin con carga de 25 toneladas aproximadamente.
2 4 8
3 7
1 5 9
Fig 1.1.4. Elaboracin propia. Puntos de muestreo para un camin con carga de 30 a 45
toneladas aproximadamente.
17
6.- Anlisis selectivo. (Quebrados, pigmentados y por daos). Por daos: Por calor, insectos,
germen caf, hongos y podridos. Otros daos: Inmaduros, germinados, roedor, manchados y
por microorganismos. (DICONSA, 2014)
Una vez analizado el maz, se descarga el camin por efecto de gravedad, cayendo el maz
a una fosa protegida por una malla filtradora y posteriormente por una pre-criba para que este
se almacene con el mnimo de impurezas.
Imagen. 1.1.4 Descarga de Maz en la empresa GRANISSA. Fig. 1.1.5 Etapa precribado.
(Aguirre, 1988)
18
El proceso de secado artificial se realiza cuando la humedad excede de un porcentaje mayor
de 15.5%, entonces, el manejo de la secadora debe ser el ptimo ya que aqu surge un punto
crtico de control, donde el operador registra la humedad de entrada para determinar los
niveles de temperatura y tiempo que va aplicar desde los controles de la mquina.
>| |
19
Al aplicar el descuento de maz, la empresa se protege, ya que a la hora de secar el grano de
maz disminuye su peso. Calculando el descuento para humedad 18 para un peso neto de 28
toneladas: Para poder aplicar descuento al maz, se requiere de que el grano posea una
humedad mayor a 14.0, por cada dcima se le aumenta 1.16. Si el grano trae una humedad
del 18 primero restamos 18 menos 14, y observamos que existen cuatro dcimas de
diferencia. Entonces, 4 por 1.16 es igual a 4.64 y eso lo dividimos entre 100; por lo tanto el
valor sera 0.0464. El peso neto del camin lo multiplicamos por 0.0464 lo que nos resulta:
(28000 kg) (0.0464) = 1299.2 = 1299 kg deducidos. (DICONSA, 2014)
20
Se debe recordar que todos los granos son materiales higroscpicos, es decir, estn
intercambiando humedad en forma permanente con el aire que los rodea. Este intercambio
ocurre hasta que se alcance una condicin de equilibrio, la que est definida como: La
humedad en la que a una temperatura dada y, con el aire a una humedad relativa dada, el
grano no toma ni pierde humedad. Es por estas razones que las secadoras, utilizan aire
caliente como agente desecante, ya que se hace vapor y la extrae de los granos hmedos. Con
el aire caliente que producen las secadoras se rompe el equilibrio higroscpico, y esta rotura
produce una migracin de la humedad de cada grano (agua interior), hacia las capas
exteriores, migracin que es mucho ms fuerte cuanto ms caliente es el aire, o este
circulando ms fuertemente. (de Baha, 2011)
21
El ltimo paso es el embarque,
normalmente se realiza por va
ferrocarril y en camiones de carga ya
que GRANISSA es una empresa
trasnacional que trabaja para empresas
como Cargill y Bachoco.
Clasificacin.
Especificaciones:
El maz en sus tres grados de calidad, a que se refiere esta norma y con el objeto de facilitar
su comercializacin, debe cumplir con las siguientes caractersticas:
Olor. El caracterstico al grano de maz sano, seco y limpio. No se permite el maz que
presente olores de humedad, fermentacin, rancidez, enmohecido o cualquier otro olor
extrao, esto se determina de acuerdo al mtodo descrito en el inciso 7.1. (Aplicaci et al.,
2002).
Humedad. La clasificacin del maz puede realizarse con diferentes niveles de humedad, sin
embargo se considera que el contenido de humedad que permite el manejo, conservacin y
almacenamiento del maz, es del 14 %. Esto se determina de acuerdo al mtodo descrito en
el inciso 7.3 (Aplicaci et al., 2002)
22
Densidad (peso hectoltrico). Para el caso de maz blanco en la elaboracin de tortillas de
maz y productos de maz nixtamalizados de calidad comercial, se considera que el grano
deber tener una densidad mnima de 74 kg/hl. Esto se determina de acuerdo al mtodo
descrito en el inciso 7.4 de la norma (Aplicaci et al., 2002)
Aflatoxinas. Los granos de maz destinados a consumo humano, deben cumplir las
tolerancias referentes a aflatoxinas producidas por los hongos Aspergillus flavus, A.
parasiticus y A. nomius determinadas por la Secretara de Salud. (Aplicaci et al., 2002)
23
Tabla de especificaciones. (Aplicaci et al., 2002).
Tabla de especificaciones.
En base a que en algunas ocasiones se han observado detalles del personal operador de
secadoras para lograr que la humedad del grano permanezca dentro de la especificacin
permitida, surge la idea de realizar un anlisis ms profundo para evitar dichos desperfectos;
Cuando se emplea la secadora se originan algunas prdidas de grano, como roturas y
produccin de polvo, que no suelen ser muy altas, y que, en general, se compensan, como se
24
explic anteriormente. La prdida ms importante es el sobre secado. Algunos cerealistas
realizan un sobre secado, para tener una mayor seguridad de almacenamiento, o para reducir
los problemas de "revenido" cuando despachan inmediatamente la mercadera a puerto. El
sobre secado puede tener alguna ventaja cuando se vende grano al exterior, pues los
compradores extranjeros obtienen una mercadera ms seca, ms segura, no estn pagando
agua y requieren menos volmenes de transporte para un mismo tonelaje. La diferencia
favorable para el vendedor se establecer si los compradores estn dispuestos a pagar un
precio extra por ese sobre secado. Pero el sobre secado tiene otro costo extra: el mayor
consumo de energa, que aumenta en mayor proporcin cuanto ms bajo es el contenido de
humedad final. El sobre secado representa, entonces, mucho dinero que se pierde, no slo
para cerealistas, sino para la economa del pas. (de Dios, 1996)
La palabra calidad aplicada al maz es una propiedad multifactica y est afectada por
diversos factores, algunos de los cuales pueden ser modificados: el cultivar, las prcticas
culturales, el manejo post cosecha y el transporte. Actualmente se observa una tendencia
hacia la produccin de maces con caractersticas de calidad diferenciada para satisfacer los
variados aspectos de la demanda. Estas caractersticas estn directamente asociadas con el
uso final del producto y justifican su comercializacin con identidad preservada en
contraposicin al grueso de la produccin que lo hace como commodity. Los progresos en
la utilizacin del maz dependern de la nueva informacin que se produzca, como resultado
de investigaciones, sobre las interrelaciones de las propiedades fsicas, qumicas y biolgicas
del granos de maz con el genotipo, el ambiente de cultivo y el manejo pre y post cosecha
(Informe INTA, 2010).
El deterioro biolgico de los granos (grain spoilage) es una variable que debe ser
controlada, tanto para el secado como en el almacenamiento. Este deterioro es una funcin
de la respiracin de los granos y depende fuertemente de su temperatura y contenido de
humedad, as como del tiempo al que los granos son expuestos a esas condiciones. El
deterioro biolgico puede disminuirse secando los granos hasta humedades inferiores a los
valores establecidos como seguros para el almacenamiento y acopindolos en estructuras
adecuadas a temperaturas razonablemente bajas. Los valores de humedad seguros dependen
25
del tipo de grano, de la duracin del almacenamiento y de las condiciones climticas del lugar
de acopio, siendo para el maz en Mxico y Argentina es del 14,5% de humedad.
(Fernando, Rodriguez, & Lateral, 2001).
El maz se cosecha en Francia con elevados contenidos de humedad que, en algunos reglones,
puede llegar al 40%. La mayora de la produccin se cosecha entre 30 y 35%. Entonces, el
secado constituye una preocupacin fundamental para el acopio, por la alta acumulacin de
partidas hmedas en la apoca de recoleccin, y por los elevados consumos de energa que
26
requiere la operacin. Ante tal circunstancia se ha ingeniado para disear secadoras de
elevada eficiencia energtica, que pueden procesar grandes volmenes en poco tiempo y que
al mismo tiempo no afectan demasiado la calidad del grano. Gracias a la accin
mancomunada de fabricantes de secadoras, de grandes acopladores y cooperativas, y con el
apoyo de instituciones de investigacin, se ha logrado tener hoy en el mercado francs
secadoras modernas que ellos llaman de la "nueva generacin y que posiblemente, sean las
mejores a nivel internacional.(FAO, 1993)
Entre los institutos de investigacin que han trabajado en estos aspectos debe destacarse al
ITCF (Institu Technique des Crales et Fourrages), en su Estacin Experimental de
Boigneville. Muchas de las innovaciones que se detallan que tienen su origen en aquella
experiencia francesa, hacindose referencia en cada oportunidad a la fuente respectiva.(de
Dios, 1996)
27
secadoras durante un perodo prudencial. Tan perjudicial como una secadora deficiente, lo es
otra buena, manejada por personal incompetente. (FAO, 1993)
Toda secadora nueva debe estar provista de un manual donde estn indicadas las
especificaciones y medidas de la mquina, seguido (o en manual separado) de las
instrucciones para su correcto uso y ajustes. Dos argentinos, Marcelo Valfioriani y Marcelo
Lombardo, combinaron en el diseo Mega que vienen perfeccionando desde hace 12 aos,
las virtudes de los sistemas existentes de caballete y de columna para las secadoras de granos.
(El Universo, 2011)
El secado artificial consiste en alterar las propiedades fsicas del aire, (aumentar su velocidad
y temperatura y en algunos casos reducir su contenido de humedad) para secar las semillas.
Dependiendo de la forma en que fluyan las semillas en el proceso de secamiento. Se pueden
considerar tres sistemas de secamiento artificial: secamiento estacionario, secamiento
continuo y secamiento intermitente, adems se debe de tener en cuenta que el precio de la
secadora representa el 50% de una instalacin de secado (Aguirre, 1988).
A continuacin se muestra una tabla donde se muestran las imgenes de las secadoras
convencionales ms utilizadas en la actualidad.
28
Imagen del tipo de secadora. Caractersticas / Funcionamiento
Secadora de Flujo Continuo. Este
tipo de secadora maneja un flujo
constante del grano, la cual consta
de dos etapas, la primera de arriba
hacia abajo, es donde se aplica
aire caliente para evaporar el agua
contenida en el grano, y la
segunda etapa para enfriar el
grano de forma considerable. Se
utilizan principalmente en USA.
[En lnea] http://www.graindryers.com/
Secadora estacionaria. Este tipo
de secadora trabaja solo cuando el
espacio donde se almacena
temporalmente el grano para su
secado, est totalmente lleno, el
grano esta pseudo-estacionado
secndose hasta lograr su nivel
ptimo de humedad.
[En lnea] http://www.graindryers.com/
29
CAPITULO II. DISEO DE EXPERIMENTOS.
Los mtodos utilizados para el diseo experimental son complejos. Comprenden el uso del
diseo factorial y de los arreglos ortogonales, que reducen el nmero de experimentos
requeridos. Tambin son capaces de identificar los efectos de variables que no se pueden
controlar (llamadas ruido), como los cambios en las condiciones ambientales. El uso de estos
mtodos produce (a) la rpida identificacin de las variables de control (observando los
efectos principales), y (b) la habilidad para determinar el mejor mtodo de control del
proceso. Algunas veces, el control de estas variables requiere equipo nuevo o modificaciones
importantes al equipo existente. (Kalpakjian, 2006)
30
Es comn que estas pruebas o experimentos se hagan sobre la marcha, con base en el ensayo
y error, apelando a la experiencia y a la intuicin, en lugar de seguir un plan experimental
adecuado que garantice una buena respuesta a las interrogantes planteadas. Algo similar
ocurre con el anlisis de los datos experimentales, donde ms que hacer un anlisis riguroso
de toda la informacin obtenida y tomar en cuenta la variacin, se realiza un anlisis informal,
intuitivo. Es tal el poder de la experimentacin que, en ocasiones, se logran mejoras a pesar
de que el experimento se hizo con base en el ensayo y error. Sin embargo, en situaciones de
cierta complejidad no es suficiente aplicar este tipo de experimentacin, por lo que es mejor
proceder siempre en una forma eficaz que garantice la obtencin de las respuestas a las
interrogantes planteadas en un lapso corto de tiempo y utilizando pocos recursos. El diseo
estadstico de experimentos es precisamente la forma ms eficaz de hacer pruebas. El diseo
de experimentos consiste en determinar cules pruebas se deben realizar y de qu manera,
para obtener datos que, al ser analizados estadsticamente, proporcionen evidencias objetivas
que permitan responder las interrogantes planteadas, y de esa manera clarificar los aspectos
inciertos de un proceso o resolver un problema. (Gutierrez, H. 2004).
Algunos problemas tpicos que pueden resolverse con el diseo y el anlisis de experimentos
son los siguientes:
1. Comparar a dos o ms materiales con el fin de elegir al que mejor cumple los
requerimientos. 2. Comparar varios instrumentos de medicin para verificar si
trabajan con la misma precisin y exactitud. 3. Determinar los factores (las x vitales)
de un proceso que tienen impacto sobre una o ms caractersticas del producto final.
4. Encontrar las condiciones de operacin (temperatura, velocidad, humedad, por
ejemplo) donde se reduzcan los defectos o se logre un mejor desempeo del proceso.
5. Reducir el tiempo de ciclo del proceso. 6. Hacer el proceso insensible o robusto a
oscilaciones de variables ambientales. 7. Apoyar el diseo o rediseo de nuevos
productos o procesos. 8. Ayudar a conocer y caracterizar nuevos materiales.
(Gutierrez, H. 2004).
31
2.2 Definiciones
Una vez definido el tipo de estudio a realizar y establecer las hiptesis de investigacin, el
investigador debe concebir la manera prctica y concreta de responder a las preguntas de
investigacin. Esto implica seleccionar o desarrollar un diseo de investigacin y aplicarlo
al contexto particular de su estudio. Diseo se refiere al plan o estrategia concebida para
responder a las preguntas de investigacin. El diseo seala al investigador lo que debe hacer
para alcanzar sus objetivos de estudio, contestar las interrogantes que se ha planteado y
analizar la certeza de las hiptesis formuladas en un contexto en particular. (Martinez, 2008).
32
como lo es el diseo de experimentos. En la literatura esta tcnica es tambin referenciada
como diseo factorial. Los conceptos de diseo de experimentos han sido usados desde el
trabajo de Fisher. (Fisher, 1935). El diseo experimental de acuerdo con el libro
Manufactura, Ingeniera y Tecnologa (Kalpakjian, 2006) , identifica los efectos de las
variables controlables (factores) de un producto o proceso e incluye el desarrollo del diseo
factorial, combinndolo con los arreglos ortogonales.
33
2.3 Experimentos con un solo factor y anlisis de varianza.
El diseo experimental tiene sus orgenes en los trabajos de Ronald Fisher (1890-1962),
desarrollados en la Estacin Agrcola Experimental de Rothamsted, en el Reino Unido, donde
introdujo el concepto de aleatorizacin y el anlisis de varianza. A lo largo de varias dcadas,
la teora del diseo de experimentos y sus aplicaciones se consolid y expandieron, y, en
aos recientes, recibieron un fuerte impulso por las contribuciones de Genichi Taguchi, un
estadstico japons ampliamente conocido en Occidente. (Yacuzzi, Martn, Quiones, &
Popovsky, 2013).
34
Si tu variable predictora es categrica y tu variable respuesta es continua, tu diseo se
denomina de tipo ANOVA. En terminologa ANOVA, los tratamientos son las diferentes
categoras de las variables predictoras que se utilizan en el estudio. En un estudio
experimental, los tratamientos representan las diferentes manipulaciones que se llevan a cabo
(ej. extraccin del nctar de las flores y no extraccin o control). En un estudio observacional,
los tratamientos representan los diferentes grupos que se quieren comparar (ej. tipos de
hbitat). Dentro de cada tratamiento, se realizan mltiples observaciones, y cada una de estas
observaciones es una rplica. (Cayuela, Rey, & Carlos, 2011).
El primer concepto fundamental es que todo valor observado puede expresarse mediante la
siguiente funcin: = + +
Donde yij sera el valor observado (variable dependiente), y es el efecto del tratamiento i.
Es una variable aleatoria que aade a la funcin cierto error que desva la puntuacin
observada de la puntuacin pronosticada.
De un factor, que es el caso ms sencillo, la idea bsica del anlisis de la varianza es comparar
la variacin total de un conjunto de muestras y descomponerla como:
= +
Donde:
35
La distribucin de los residuales debe ser normal.
Homocedasticidad: homogeneidad de las varianzas. (Srinivasan, 2007)
Total N-1
Tamao de
la muestra
36
2.4 Diseo de bloques.
Cuando se quieren comparar ciertos tratamientos o estudiar el efecto de un factor, es deseable
que las posibles diferencias se deban principalmente al factor de inters y no a otros factores
que no se consideran en el estudio. Cuando esto no ocurre y existen otros factores que no se
controlan o nulifican para hacer la comparacin, las conclusiones podran ser afectadas
sensiblemente. Por ejemplo, supongamos que se quieren comprar varias mquinas, si cada
mquina es manejada por un operador diferente y se sabe que ste tiene una influencia en el
resultado, entonces es claro que el factor operador debe tomarse en cuenta si se quiere
comparar a las mquinas de manera justa. Un operador ms hbil puede hacer ver a su
mquina (aunque sta sea la peor) como la que tiene el mejor desempeo, lo cual impide
hacer una comparacin adecuada de los equipos. Para evitar este sesgo hay dos maneras de
anular el posible efecto del factor operador: la manera lgica es utilizar el mismo operador
en las cuatro mquinas; sin embargo, tal estrategia no siempre es aconsejable, ya que utilizar
al mismo sujeto elimina el efecto del factor operador pero restringe la validez de la
comparacin con dicho operador, y es posible que el resultado no se mantenga al utilizar a
otros operadores. La otra forma de anular el efecto operador en la comparacin consiste en
que cada operador trabaje durante el experimento con cada una de las mquinas. Esta
estrategia es la ms recomendable, ya que utilizar a todos los operadores con todas las
mquinas permite tener resultados de la comparacin que son vlidos para todos los
operadores. Esta ltima forma de nulificar el efecto de operadores, recibe el nombre de
bloqueo. (Gutierrez, H. 2004).
37
covarianza. Cuando la fuente de variabilidad perturbadora es conocida y controlable, puede
usarse una tcnica de diseo llamada formacin de bloques para eliminar de manera
sistemtica su efecto sobre las comparaciones estadsticas entre los tratamientos. La
formacin de bloques es una tcnica de diseo en extremo importante que se utiliza
ampliamente en la experimentacin industrial. (Montgomery, 2004)
El objetivo sera hacer el error experimental tan pequeo como fuera posible; es decir, querra
eliminarse del error experimental la variabilidad entre los ejemplares de prueba. Un diseo
para lograr esto requiere que el experimentador pruebe cada punta una vez en cada uno de
los cuatro ejemplares de prueba. A este diseo, se le llama diseo de bloques completos
aleatorizados (ReBD, randomized complete block design). La respuesta observada es la
dureza en la escala C de Rockwell menos 40. La palabra "completos" indica que cada bloque
(ejemplar de prueba) contiene todos los tratamientos (puntas). Al utilizar este diseo, los
bloques o ejemplares de prueba forman una unidad experimental ms homognea en la cual
comparar las puntas. De hecho, esta estrategia de diseo mejora la precisin de las
comparaciones entre las puntas al eliminar la variabilidad entre los ejemplares de prueba.
Dentro de un bloque, el orden en que se prueban las cuatro puntas se determina
aleatoriamente. Observe la similitud de este problema de diseo con el de la seccin 2-5,
donde se analiz la prueba t: pareada. El diseo de bloques completos aleatorizados es una
generalizacin de ese concepto. (Montgomery, 2004)
38
En el diseo en cuadro latino (DCL) se controlan dos factores de bloque y se estudia un factor
de tratamientos, por lo que se tienen cuatro fuentes de variabilidad que pueden afectar la
respuesta observada, estas son: los tratamientos, el factor de bloque I (columnas), el factor
de bloque II (renglones) y el error aleatorio. Se llama cuadro latino por dos razones: es un
cuadro debido a que tiene la restriccin adicional de que los tres factores involucrados se
prueban en la misma cantidad de niveles, y es latino porque se utilizan letras latinas para
denotar a los tratamientos o niveles del factor de inters. Sean A, B, C.. K, los k tratamientos
a comparar, por lo tanto ambos factores de bloques tienen tambin k niveles cada uno.
(Gutierrez, H. 2004).
Total K2-1
Tabla 2.4.1 Tabla de ANOVA para el diseo de cuadro latino. (Gutierrez, H. 2004).
39
Con el diseo en cuadro grecolatino (DCGL) se controlan tres factores de bloque, adems
del factor de tratamientos. Se llama cuadro grecolatino porque los cuatro factores
involucrados se prueban en la misma cantidad de niveles, de aqu que se pueda escribir como
un cuadro, adems, se utilizan letras latinas para denotar a los tratamientos y letras griegas
para nombrar a los niveles del tercer factor de bloque. Al igual que en el cuadro latino, cada
letra (latinas y griegas) debe aparecer slo una vez en cada rengln y en cada columna.
Adems, cada par de letras debe aparecer slo una vez en todo el arreglo (Gutierrez, H. 2004).
Diseo en
cuadro
Grecolatino
40
2.5 Diseos Factoriales.
El objetivo de un diseo factorial es estudiar el efecto de varios factores sobre una o varias
respuestas, cuando se tiene el mismo inters sobre todos los factores. Por ejemplo, uno de los
objetivos particulares ms importantes que en ocasiones tiene un diseo factorial es
determinar una combinacin de niveles de los factores en la que el desempeo del proceso
sea mejor. Los factores pueden ser de tipo cualitativo (mquinas, tipos de material, operador,
etc.), o de tipo cuantitativo (temperatura, humedad, velocidad, presin, etc.). Para estudiar la
manera en que influye cada factor sobre la variable de respuesta es necesario elegir al menos
dos niveles de prueba para cada uno de ellos. Con el diseo factorial completo se corren
aleatoriamente todas las posibles combinaciones que pueden formarse con los niveles de los
factores a investigar. As, la matriz de diseo o arreglo factorial es el conjunto de puntos
experimentales o tratamientos que pueden formarse considerando todas las posibles
combinaciones de los niveles de los factores. Por ejemplo, con k = 2 factores, ambos con dos
niveles, se forma el diseo factorial 2 2 = 22, que consiste en cuatro combinaciones o puntos
experimentales. Si ahora uno tiene tres niveles y el otro dos, se pueden construir 3 2
combinaciones que dan lugar al diseo factorial 3 2. Observe que en el nombre del diseo
factorial va implcito el nmero de tratamientos que lo componen. Para obtener el nmero de
corridas experimentales se multiplica el nmero de tratamientos por el nmero de rplicas,
donde una de stas se lleva a cabo cada vez que se corre el arreglo completo. En general, la
familia de diseos factoriales 2k consiste en k factores, todos con dos niveles de prueba; y la
familia de diseos factoriales 3k consiste en k factores cada uno con tres niveles de prueba.
Es claro que si los k factores no tienen la misma cantidad de niveles, debe escribirse el
producto de manera explcita; por ejemplo, con k = 3 factores, el primero con cuatro niveles
y los dos restantes con dos niveles, se tiene el diseo factorial 4 2 2 o 4 2 2. (Gutierrez,
H. 2004).
41
Modelo estadstico/
Con dos
Hiptesis y ANOVA/
factores
Comparacin de medias
Dos factores
Efectos aleatorios aleatorios/
Modelo mixto
Los tipos ms simples de diseos factoriales incluyen nicamente dos factores o conjuntos
de tratamientos. Hay a niveles del factor A y b niveles del factor B, los cuales se disponen en
un diseo factorial; es decir, cada rplica del experimento contiene todas las ab
combinaciones de los tratamientos. En general, hay n rplicas. (Montgomery, 2004)
42
El diseo 2k es de particular utilidad en las etapas iniciales del trabajo experimental, cuando
probablemente se estn investigando muchos factores. Este diseo proporciona el menor
nmero de corridas con las que pueden estudiarse k factores en un diseo factorial completo.
Por consiguiente, estos diseos se usan ampliamente en los experimentos de tamizado o
seleccin de factores. Puesto que slo hay dos niveles para cada factor, se supone que la
respuesta es aproximadamente lineal en el rango elegido para los niveles de los factores. En
muchos experimentos de tamizado de factores, cuando se acaba de iniciar el estudio del
proceso o sistema, este supuesto suele ser razonable. (Montgomery, 2004)
Cuando se quiere investigar la influencia de tres factores (A, B y C) sobre una o ms variables
de respuesta, y el nmero de niveles de prueba en cada uno de los factores es a, b y c,
respectivamente, se puede construir el arreglo factorial a b c, que consiste de a b c
tratamientos o puntos experimentales. Entre los arreglos de este tipo que se utilizan con
frecuencia en aplicaciones diversas se encuentran: el factorial 2 3, el factorial 33 y los
factoriales mixtos con no ms de cuatro niveles en dos de los factores, por ejemplo, el
factorial 4 3 2 y el factorial 4 4 2, por mencionar dos de ellos. (Gutierrez, H., 2004).
El estudio factorial de tres factores (A, B y C) permite investigar los efectos: A, B, C, AB,
AC, BC y ABC, donde el nivel de desglose o detalle con el que pueden estudiarse depende
del nmero de niveles utilizado en cada factor. Por ejemplo, si un factor se prueba en dos
niveles, todo su efecto marginal (individual) es lineal, o sea que su efecto individual no se
puede descomponer; pero, si tuviera tres niveles su efecto marginal se puede descomponer
en una parte lineal y otra cuadrtica pura. (Montgomery, 2004)
En resumen, se tienen siete efectos de inters sin considerar desglose, y con ellos se pueden
plantear las siete hiptesis nulas H0 : Efecto A = 0, H0 : Efecto B = 0, , H0 : Efecto ABC =
0, cada una aparejada con su correspondiente hiptesis alternativa. El ANOVA para probar
estas hiptesis se muestra ms adelante. Al efecto cuyo valor-p sea menor al valor
especificado para alfa, se declara estadsticamente significativo o se dice que est activo. Las
sumas de cuadrados son muy similares a las obtenidas para dos factores;
43
Fuente de Suma de Grados de Cuadrado F P-valor
variabilidad cuadrados libertad medio
Efecto A a-1 / P(F>0 )
Error abc(n-1)
Total abcn-1
Tabla 2.5.1 Tabla de ANOVA para el diseo factorial AxBxC (Gutierrez, H., 2004)
Permiten estudiar el efecto individual y de interaccin de los distintos factores. 2. Son diseos
que se pueden aumentar para formar diseos compuestos en caso de que se requiera una
exploracin ms completa. Por ejemplo, es til aumentar el diseo si el comportamiento de
la respuesta no es lineal en los factores controlados. 3. Se pueden correr fracciones de diseos
factoriales, las cuales son de gran utilidad en las primeras etapas de una investigacin que
involucra a muchos factores, cuando interesa descartar de manera econmica los que no son
importantes, antes de hacer un estudio ms detallado con los factores que s son importantes.
4. Pueden utilizarse en combinacin con diseos de bloques en situaciones en las que no
puede correrse todo el diseo factorial bajo las mismas condiciones. Por ejemplo, cuando
cada lote de material slo alcanza para correr la mitad del experimento, ste se puede realizar
en dos bloques (dos lotes), lo cual implica repartir las pruebas en los dos lotes de la manera
ms conveniente posible. 5. La interpretacin y el clculo de los efectos en los experimentos
factoriales se puede hacer con aritmtica elemental, en particular cuando cada factor se
prueba en dos niveles. (Gutierrez, 2004)
44
Cuando se quiere investigar la influencia de tres factores (A, B y C) sobre una o ms variables
de respuesta, y el nmero de niveles de prueba en cada uno de los factores es a, b y c,
respectivamente, se puede construir el arreglo factorial a b c, que consiste de a b c
tratamientos o puntos experimentales. Entre los arreglos de este tipo que se utilizan con
frecuencia en aplicaciones diversas se encuentran: el factorial 2 3, el factorial 33 y los
factoriales mixtos con no ms de cuatro niveles en dos de los factores, por ejemplo, el
factorial 4 3 2 y el factorial 4 4 2, por mencionar dos de ellos. Se ha visto que puede
resultar til ajustar una curva de respuesta a los niveles de un factor cuantitativo para que el
experimentador cuente con una ecuacin que relacione la respuesta con el factor. Esta
ecuacin podra utilizarse para hacer interpolaciones, es decir, para predecir la respuesta en
niveles intermedios entre los factores, respecto de los que se utilizaron realmente en el
experimento. (Montgomery, 2004).
Suponga que tres factores, A, B y C, cada uno con dos niveles, son de inters. Al diseo se
le llama diseo factorial 23, y en este caso la representacin geomtrica de las ocho
combinaciones de tratamientos puede hacerse con un cubo. Utilizando la notacin"+" y "-"
para representar los niveles alto y bajo de los factores, las ocho corridas del diseo 2 3.
(Montgomery, 2004).
Diseo
Experimento 22
factorial 22
Diseo Experimento 23
factorial 23
Diseo Diseo factorial
factorial general 2k
2k
Diseo factorial Experimento 25 no
general 2k no replicado replicado
Factorial 2k en bloques
45
2.6 Diseo Robusto.
El diseo robusto tiene su origen en las ideas del ingeniero japons Genichi Taguchi, quien
desarroll su propia filosofa y mtodos de ingeniera de la calidad desde la dcada de 1950.
Fue a partir del xito de los japoneses en industrias tan importantes como la automotriz y la
elec trnica que Occidente comienza a fijarse en los mtodos utilizados por ellos. De esta
manera, los mtodos de Taguchi y de otros autores japoneses se introducen en Estados
Unidos a partir de la dcada de los aos ochenta. Taguchi hace varias contribuciones a la
calidad. Es precisamente en el diseo de experimentos donde hace sus aportaciones ms
importantes, con la introduccin de lo que l llama diseo de parmetros (Taguchi, 1987),
que se convirti en lo que ahora se conoce en Occidente como diseo robusto. En este
captulo describimos las principales ideas del diseo robusto y cmo se pueden utilizar para
la mejora y optimizacin de procesos. Cabe sealar que la mayora de las ideas y los mtodos
propuestos por Taguchi fueron muy criticados por los expertos estadsticos de Occidente (por
ejemplo, Nair, 1992 y Box, 1988); no obstante, terminaron por reconocer que Taguchi ha
hecho una buena cantidad de contribuciones a las buenas prcticas experimentales que
requiere la industria mundial. Quiz la contribucin ms importante de Taguchi es que, a
partir de la controversia generada por sus ideas y mtodos, el diseo de experimentos ha
logrado un gran avance en las ltimas tres dcadas, tanto en su base terica como en
aplicaciones a problemas concretos. (Gutierrez, 2004).
Una de las ms importantes de stas es el diseo robusto, donde la atencin se centra en uno
o ms de los siguientes puntos: 1. El diseo de sistemas (productos o procesos) que no sean
sensibles a factores ambientales que puedan afectar el desempeo una vez que el sistema se
ha desplegado en el campo. Un ejemplo es la formulacin de una pintura para exteriores que
debe tener gran duracin cuando se exponga a una variedad de condiciones climticas. Puesto
que las condiciones climticas no son del todo predecibles, y ciertamente no son constantes,
el responsable de la formulacin del producto quiere que ste sea robusto contra un amplio
rango de factores de temperatura, humedad y precipitacin pluvial que afectan el desgaste y
acabado de la pintura. 2. El diseo de productos para que no sean sensibles a la variabilidad
transmitida por los componentes del sistema. 3. El diseo de procesos para que el producto
manufacturado est tan cerca como sea posible de las especificaciones nominales, aun cuando
sea imposible controlar con toda precisin algunas variables del proceso (como la
46
temperatura) o las caractersticas de las materias primas. 4. Determinar las condiciones de
operacin de un proceso para que las caractersticas crticas del producto estn tan cerca
como sea posible del valor objetivo deseado y la variabilidad en torno a este objetivo se
minimice. (Montgomery, 2004)
La metodologa de Taguchi para el problema RPD gira en torno al uso de un diseo ortogonal
para los factores controlables, el cual se "cruza" con un diseo ortogonal separado para los
factores de ruido. Taguchi lo llama el diseo de arreglo interior y de arreglo exterior.
Entonces se realiza cada corrida del arreglo interior para todas las combinaciones de
tratamientos del arreglo exterior, producindose la n observaciones. A este tipo de diseo se
le llama diseo de arreglo cruzado. Taguchi sugiri que los datos de un experimento de
arreglo cruzado se resumieran con dos estadsticos: el promedio de cada observacin en el
arreglo interior para todas las corridas del arreglo exterior y un resumen de estadsticas que
intentaba combinar informacin acerca de la media y la varianza, llamado relacin seal a
47
ruido. Las relaciones seal a ruido se definen a propsito para que un valor mximo de la
relacin minimice la variabilidad transmitida por las variables de ruido. Entonces se lleva a
cabo un anlisis para determinar cules son los ajustes de los factores controlables que dan
como resultado 1) una media tan prxima como sea posible al objetivo deseado y 2) un valor
mximo de la relacin seal a ruido. (Montgomery, 2004).
FACTOR Y
SEAL (M) PRODUCTO / PROCESO
CARACTERSTICA
DE CALIDAD
Fig. 2.6 Diagrama de los diferentes tipos de factores en diseo robusto. (Gutierrez, 2004)
Los arreglos ortogonales son diseos propuestos por Taguchi que, como su nombre lo indica,
tienen la propiedad de ortogonalidad, misma que tambin poseen los diseos factoriales
clsicos. Estos arreglos son diseos factoriales completos, fraccionados o mixtos,
dependiendo del nmero de factores a estudiar en un caso particular. Por ejemplo, el arreglo
ortogonal L8 (AO_L8) tiene ocho corridas experimentales, y con l se pueden estudiar desde
dos hasta siete factores en dos niveles cada uno. Si se estudian siete factores equivale a un
diseo factorial fraccionado 2III 7 3, mientras que con dos factores sera un factorial
completo 22 con dos rplicas. Para menos de siete factores es necesario saber a cules
columnas del arreglo deben asignarse los factores, para tener la estructura alias que permita
estudiar lo ms claro posible a esos factores. Por ejemplo, al estudiar cuatro factores con el
arreglo L8, stos se deben asignar a las columnas 1, 2, 4 y 7, para obtener la informacin con
la calidad de la fraccin 2IV 4 1 con generador I = ABCD. El arreglo ortogonal L16 se
pueden estudiar desde cuatro hasta 15 factores (para menos de cuatro factores es mejor
48
utilizar un L8). Cuando se estudian cuatro factores, stos se deben asignar a las columnas 1,
2, 4 y 8, para estimar de manera separada a las interacciones, y en este caso equivaldra a un
diseo factorial completo 24. Si se estudian 15 facto res el arreglo L16 equivaldra a una
fraccin 2III 15 11. Ocurre que, en la medida de que se estudian ms factores, se tienen
menos grados de libertad para estudiar interacciones; sin embargo, Taguchi no hace nfasis
en el estudio de las interacciones, prefiere saturar lo ms posible los arreglos y analizar slo
los efectos principales de cada factor. (Gutierrez, 2004).
La condicin fundamental para que un diseo experimental sea de tipo robusto es que exista
al menos un factor de ruido para el cual se busca hacer que el proceso o producto sea
insensible a su efecto, sin pretender controlar dicho factor de ruido. ste seguir actuando
como siempre el proceso despus del experimento, pero se busca que su efecto sea menor.
Un diseo experimental propuesto por Taguchi para determinar condiciones de operacin
robustas a uno o varios factores de ruido es el diseo con arreglo interno y externo. Una vez
identificados los factores de control y los factores de ruido con los que se quiere
experimentar, se construyen los arreglos ortogonales. (Gutierrez, 2004).
Principios de la
filosofa Taguchi
Robustez
Diseo
Factores de control de
robusto ruido y seal.
Cuadro 2.6 Clasificacin del campo de conocimiento de diseo robusto (Gutierrez, 2004)
49
2.6 Planeacin Experimental.
La industria, es una prctica comn hacer experimentos o pruebas con la idea de que al mover
o hacer algunos cambios sobre los materiales, mtodos o condiciones de operacin de un
proceso se puedan detectar, resolver o minimizar los problemas de calidad. Tambin
comentamos que es comn que estas pruebas o experimentos se hagan sobre la marcha, a
prueba y error, con base en la experiencia y la intuicin, en lugar de seguir un plan
experimental adecuado que garantice una buena respuesta a las interrogantes planteadas. De
aqu que, ms que apostarle a la improvisacin y a la estrategia de prueba y error, el reto es
mejorar la forma en que se disea un experimento. De hecho, el xito de un experimento
radica en el alto porcentaje en la calidad de su planeacin. Por ello, es importante contener
las ansias y no hacer pruebas antes de conceptualizar el problema y decidir la mejor estrategia
experimental para abordarlo. El diseo de experimentos se puede aplicar a problemas o
situaciones en las que se quiere investigar y/o probar conjeturas en las que se comparan dos
o ms situaciones para las causas o factores involucrados. (Gutierrez, 2004).
50
1. Planear un experimento. Lo primero es localizar un problema importante que sea
susceptible de atacarse con diseo de experimentos. La importancia del problema se
puede cuantificar con base en la prdida que causa a la compaa. Una vez ubicado
el problema se determinan los factores controlables que pudieran tener alguna
influencia sobre la caracterstica de calidad de inters. Se disea el plan experimental
ms adecuado a la situacin, con lo cual quedan especificadas las corridas del proceso
que han de realizarse: cules tratamientos y cuntas repeticiones de cada uno. 2. Hacer
las corridas experimentales. Se prueba el proceso en cada tratamiento especificado en
la etapa de planeacin. Las corridas se hacen en orden aleatorio y de acuerdo al plan
experimental seleccionado. 3. Verificar o analizar los resultados. Consiste en analizar
los datos con las tcnicas adecuadas. Verificar los supuestos y determinar el mejor
trata miento (o tratamiento ganador) para la variable de respuesta que es objeto de
estudio. 4. Implementacin de los resultados. Hacer pruebas confirmatorias para tener
una mejor representatividad del desempeo del proceso en el nuevo tratamiento. Con
base en lo aprendido es posible planear otro experimento y repetir el ciclo de Deming.
Cada vuelta al ciclo implica necesariamente mejoras, ya que en el peor de los casos,
cuando no se consigue la mejora se ha logrado ms conocimiento del proceso.
(Gutierrez, 2004)
1. PLANEAR un cambio o
4. ACTUAR de acuerdo con
una prueba con el objetivo
los resultados, implemente
de encontrar causas y lograr
el cambio o deschelo, o
una mejora.
bien, planee una prueba.
CICLO DE DEMING
51
2.7 Herramientas computacionales.
Dentro de las herramientas que podemos encontrar en el mercado son muchas y en los ltimos
aos, el uso de Internet -la red de redes- ha causado una revolucin en lo que a transmisin
de datos e informacin se refiere, creando adems un nuevo paradigma comunicativo. Por
ello, con cada vez mayor frecuencia, nos encontraremos con la necesidad de analizar
estadsticamente grandes volmenes de datos -a los cuales tenemos acceso gracias a Internet-
, con la finalidad de obtener informacin y, eventualmente, conocimiento. En dicho anlisis,
el uso de un paquete estadstico -como Minitab, SAS, SPSS, S-Plus, Statgraphics, Statistica,
R, etc.- resulta fundamental. Una nueva generacin de software estadstico ha ido emergiendo
en estos ltimos aos, posibilitando un considerable aumento en las posibilidades de anlisis,
precisin numrica y representacin grfica de los resultados. El uso de este tipo de
herramientas estadsticas nos permite obtener informacin a partir de los datos, usando para
ello mtodos y tcnicas de obtencin de datos, anlisis e interpretacin.
La mayora de los anlisis estadsticos requiere que siga una serie de pasos que suelen venir
determinados por los conocimientos previos o por el rea temtica que est investigando. Los
siguientes pasos son importantes para esto: Explorar datos con grficos Realizar anlisis
estadsticos Evaluar la calidad Disear un experimento.
Los paquetes ms sencillos tienen interfaz por ventanas, lo que implica facilidad de uso y
aprendizaje pero un mayor encorsetamiento a la hora de hacer clculos que el programa no
tenga predefinidos. Los programas ms complejos suelen tener la necesidad de conocer
su lenguaje de programacin, pero suelen ser mucho ms flexibles al poderse incluir en ellos
funciones, test o contrastes que no traen instalados por definicin.
52
La potencia de clculo de un ordenador puede ayudar a un investigador a realizar cientos o
miles de contrastes de hiptesis en un tiempo muy reducido. Asimismo puede calcular
decenas de modelos de regresin en un tiempo muy corto y despus quedarse con el ms
apropiado de ellos. En problemas de investigacin de operaciones un programa estadstico
es capaz de realizar miles de iteraciones por segundo de un algoritmo en el que una persona
tardara varios minutos en cada una de ellas. Asimismo, es capaz de elegir entre miles de
resultados posibles cul de todos ellos es el ptimo. Bsicamente, lo que permiten es resolver
problemas de estadstica aplicada por fuerza bruta o por probar miles de combinaciones para
quedarse finalmente con la que se crea que es la mejor para el uso.
Otro inconveniente est en que en estadstica a menudo nos pueden salir resultados
contradictorios entre test distintos. Un programa informtico se dar cuenta de ello y nos
avisar de algn modo, pero tendr que ser el usuario el que decida a cul de los test hacer
caso, y esto en ocasiones es complejo, sobre todo si no se est familiarizado a fondo con la
estadstica o se tiene poca experiencia. Dentro de los programas estadsticos ms utilizados
estn: R, SAS, SPSS, Epi Info 7, SPAD, Stata, Statgraphics, Redatam, Minitab, Matlab, S-
PLUS, LISREL, WinQSB, Excel, PSPP.
Existen multitud de paquetes informticos aparte es stos, tanto de software privado como
de software libre, sin embargo, los ms utilizados son estos. A pesar de que SAS y SPSS
suelen ser considerados los ms potentes, hay muchsimas empresas que utilizan programas
mucho menos potentes como Excel. Esto se debe sobre todo a que su uso parece ms sencillo,
la mayora de las personas estn familiarizadas con l y la mayor parte de las empresas ya
tienen instalado Excel en sus ordenadores, mientras que las licencias de SAS y SPSS cuestan
varios miles de euros. (Wikipedia, 2015).
53
Minitab es un programa de computadora diseado para ejecutar funciones estadsticas
bsicas y avanzadas. Combina lo amigable del uso de Microsoft Excel con la capacidad de
ejecucin de anlisis estadsticos. En 1972, instructores del programa de anlisis estadsticos
de la Universidad Estatal de Pensilvania (Pennsylvania State University) desarrollaron
MINITAB como una versin ligera de OMNITAB, un programa de anlisis estadstico del
Instituto Nacional de Estndares y Tecnologa (NIST) de los Estados Unidos. Para una
versin para estudiantes y acadmicos se ofrece como complemento de algunos libros de
texto. Minitab es frecuentemente usado con la implantacin la metodologa de mejora de
procesos Seis Sigma. (Wikipedia, 2015).
SPSS es un programa estadstico informtico muy usado en las ciencias sociales y las
empresas de investigacin de mercado. Originalmente SPSS fue creado como el acrnimo
de Statistical Package for the Social Sciences aunque tambin se ha referido como
"Statistical Product and Service Solutions" Sin embargo, en la actualidad la parte SPSS del
nombre completo del software (IBM SPSS) no es acrnimo de nada. (Wikipedia, 2015).
54
Captulo III Desarrollo experimental.
Anteriormente en el captulo II, sealamos que en la industria, es una prctica comn hacer
experimentos o pruebas con la idea de que al mover o hacer algunos cambios sobre los
materiales, mtodos o condiciones de operacin de un proceso se puedan detectar, resolver o
minimizar los problemas de calidad. De aqu que, ms que apostarle a la improvisacin y a
la estrategia de prueba y error, el reto es mejorar la forma en que se disea un experimento.
(Gutierrez, 2004).
Planeacin y diseo.
55
1. Definicin del problema u objetivo.
El ttulo de este estudio lleva por nombre Anlisis de los factores que afectan la calidad del
maz blanco nacional, dentro de su proceso de secado artificial y propuesta de mejora
mediante diseo de experimentos. Y nuestro objetivo general es: Mejorar el proceso de
secado artificial en la empresa GRANISSA, en base a un diseo experimental, mediante el
anlisis de los factores que afectan la calidad del maz blanco.
Segn (Sampieri, Collado, Lucio, & Prez, 1998), plantear el problema no es sino afinar y
estructurar ms formalmente la idea de investigacin. Ello depende de cun familiarizado
est el investigador con el tema a tratar, la complejidad misma de la idea, la existencia de
estudios antecedentes, el empeo del investigador, el enfoque elegido (cuantitativo,
cualitativo o mixto) y sus habilidades personales.
Qu factores intervienen en el proceso de secado artificial de maz y cules son los que
afectan significativamente?, Se ofrece capacitacin y motivacin adecuada a los operadores,
as como el compromiso laboral por parte de ellos?, Se realiza todas las mediciones
necesarias actualmente en la empresa?, El clima afecta en el secado artificial de maz?, La
mquina secadora recibe el adecuado mantenimiento?, Existe una metodologa utilizada por
los operadores para llevar a cabo el proceso de secado?, Con que calidad llega el grano a la
empresa?, De qu manera se podra lograr que el proceso de secado artificial de maz blanco,
56
mejore la calidad del producto minimizando prdidas como gas natural, energa elctrica,
vida til del equipo secador y tiempo del proceso?,
Daos % Capacitacin
Para el caso de la medicin, tenemos que es importante recabar datos para ofrecer un
seguimiento como lo es la densidad, que es el contenido de masa en un volumen y se expresa
en kilogramos por hectolitro (kg/hl). Tambin se le conoce como masa hectoltrica (peso
hectoltrico).(Aplicaci et al., 2002).
57
el grano puede sufrir severas consecuencias, entonces tomando una muestra representativa
ser suficiente para indicar si cumple o no la calidad indicada en la norma una vez pasado
por el proceso de secado. La humedad del maz es clave en este punto ya que si no tenemos
el valor ptimo (14.7%) pueden ocurrir problemas de mermado en todos los aspectos. Este
es uno de los puntos que si se miden en la empresa lo ms riguroso posible, sin embargo a
pesar de la gravedad del asunto ocurren secados por fuera del rango establecido por la
empresa. La temperatura del grano es otra variable a medir, aunque est totalmente ligada a
la humedad del grano y se realiza en la empresa sin ningn problema.
En el factor de la mano de obra tenemos que no se ofrece una capacitacin adecuada por
parte de la empresa hacia los trabajadores, solo se hace referencia al funcionamiento mismo
de la secadora, sin embargo, los empleados realizan estas operaciones sin manual alguno o
bien sin estndares de operacin que marque un procedimiento adecuado para este fin, todo
es al tanteo o experiencia misma del operador. En cuanto a la motivacin, la empresa ofrece
sueldos por encima de lo manejado en esta industria, se le ofrece las prestaciones marcadas
por la ley e incluso cuentan con comedor para ingerir sus alimentos. El compromiso de los
trabajadores es el cotidiano en cuanto a su responsabilidad por lo que no se observa algn
problema en este rubro.
El medio ambiente es uno de los puntos a lidiar, puesto que el clima sin lugar a dudas es un
factor de ruido que no podemos controlar, por lo que todo el tiempo est variando da a da,
tanto la temperatura ambiente como la humedad relativa, sin embargo, se cuenta con equipo
necesario para estar realizando estas mediciones. En cuanto a la maquinaria, se lleva un
registro (bitcora) contemplado en un plan de mantenimiento preventivo, reduciendo as la
posibilidad de que el fallo de la secadora sea inesperado, aqu se incluye la limpieza de la
torre de secado, oxidacin en partes metlicas, agujeros para el paso de aire, ventilador,
descarga y otras partes mviles, lubricacin de baleros, limpieza de los filtros, quemador y
cmara de combustin. La capacidad y la velocidad se consideran como buenas ya que al ser
una de las ms grandes secadoras proporcionadas por el distribuidor aumenta la velocidad de
proceso, sin dejar de lado el programa de mantenimiento. Existe en los controles de la
mquina una funcin en la velocidad de descarga ms sin embargo el tiempo de secado es el
tomado por el operador a criterio propio.
58
Si se refiere a metodologa de secado, este sera un taln de Aquiles ya que no existe uno
como tal, que el operador pueda tomar, este detalle se ha estado mencionando constantemente
y es una de las oportunidades de mejora que se detect para que mediante la investigacin
realizada se ofreciera una propuesta de mejora.
Finalmente es ineludible que el grano que viene del campo, segn sea la variedad, el tipo de
tierra y los cuidados ofrecidos por el agricultor en su parcela, sea fuente de calidad y
rendimiento del grano de maz. En este sentido, la empresa solo realiza un muestreo que se
ajusta a los parmetros marcados en la norma (Aplicaci et al., 2002), sin embargo es de
considerar que cada lote vara mas no sabemos si es o no significativa dicha variacin dentro
del proceso de secado.
Indicadores.
Una vez identificado los principales factores que afectan de forma muy general, es importante
tener en cuenta que existen algunos de ellos que por su naturaleza impactan de manera directa
en el secado artificial de maz debido a su variacin, dicho esto, definirlos y estudiarlos ms
a fondo nos llevara a obtener resultados ms contundentes.
No existe una definicin oficial de indicador por parte de algn organismo nacional o
internacional, slo algunas referencias que los describen como: Herramientas para clarificar
y definir, de forma ms precisa, objetivos e impactos (...) son medidas verificables de cambio
o resultado (...) diseadas para contar con un estndar contra el cual evaluar, estimar o
demostrar el progreso (...) con respecto a metas establecidas, facilitan el reparto de insumos,
produciendo (...) productos y alcanzando objetivos.(Roco & Prez, 2002).
Los indicadores de calidad son instrumentos de medicin, basados en hechos y datos, que
permiten evaluar la calidad de los procesos, productos y servicios para asegurar la
satisfaccin de los clientes, es decir, miden el nivel de cumplimiento de las especificaciones
establecidas para una determinada actividad o proceso empresarial, (Calidad, 2002). Los
indicadores de calidad, idealmente pocos aunque representativos de las reas prioritarias o
que requieren supervisin constante de la gestin, deben ser:
59
Efectistas: que se centren en el verdadero impacto de la calidad.
Diseo de parmetros.
Los factores son las causas o variables a estudiar en un experimento, debido a su posible
impacto en la variable de respuesta de inters. Cuando de entrada son muchos los factores
(ms de 10), algunos se podrn descartar con un anlisis del historial del proceso, usando
toda la informacin disponible y los conocimientos tcnicos del proceso. (Gutierrez, 2004).
Las propiedades (Fowlkes, 1995) deseables en la caracterstica de calidad que se escoja son:
La caracterstica debe ser continua, cuantitativa y fcil de medir: Las medidas cuantitativas
continuas permiten discriminar entre las pequeas mejoras de calidad. Las caractersticas que
son fciles de medir as mismo facilitan la realizacin prctica del experimento.
60
La caracterstica debera tener una relacin aditiva (no interactiva), o al menos consistente
con los efectos de los factores: Lo ideal es que la caracterstica tenga un comportamiento
resultante de la suma de los efectos independientes de los factores de control. Cuando esto
no sea posible, al menos debera lograrse que la caracterstica tenga un comportamiento
consistente, monotnico (siempre creciente, o siempre decreciente). Con un comportamiento
consistente queremos decir que se acepta la existencia de cierto nivel de interaccin. Por
ejemplo, suponiendo que tenemos dos factores de control A y B, con algn nivel de
interaccin entre ellos, y suponiendo adems que nos interesa maximizar la respuesta. Si la
respuesta mxima de A se produce con el mismo nivel de A, no importa cul sea el valor de
B; y si adems la respuesta mxima de B se produce con el mismo nivel de B, sin importar
cul sea el valor de A, se mantiene entonces una consistencia con la que se podr trabajar.
Entonces, la variable de respuesta en este caso para mejorar la calidad del maz blanco dentro
del proceso de secado es la humedad de salida, ya que este porcentaje de humedad resultante
en el grano, es el que se debe de optimizar, porque si esto se logra las caractersticas tanto
fsicas como organolpticas del producto lograrn su capacidad para alcanzar una mayor
ganancia de peso especfico al momento del embarque. Para esta caracterstica de calidad
utilizaremos nominal es mejor tipo I, ya que manejaremos variables continuas positivas.
Los factores que podemos involucrar una vez analizado el proceso de secado artificial de
maz, son los siguientes:
61
Temperatura Ruido [30 oC 40 oC] Termmetro (NMX-FF-
ambiente 034/1-2002)
Tabla 3.1 Elaboracin propia. Factores que intervienen en el secado de grano artificial de
maz.
Niveles. En ocasiones, las costumbres en la operacin del proceso limitan en un rango muy
estrecho los posibles niveles de un factor. Sobre esto, es importante tener espritu de
investigador y as como cierto nivel de incredulidad sobre tales costumbres, para tratar de
seleccionar niveles de prueba que realmente sean diferentes.
Hay situaciones en donde es difcil fijar en forma ms o menos exacta el nivel de un factor,
tanto durante el experimento como en condiciones reales; entonces, en este caso quizs el
nivel de un factor sea un rango de variacin, cuyo centro es el nivel terico de tal factor,
pero en este caso se debe tener cuidado de que los rangos en los que se movera el factor en
cada nivel no se traslapen. Hay que asegurarse de que para cada factor se logre tener por lo
menos dos condiciones de prueba realmente diferentes. (Gutierrez, 2004).
62
Factor Tipo Rango permitido Niveles
Humedad de Variable de
[14 % 15 %] N/A
salida respuesta
Humedad de 17, 18.5 y 20.
Ruido [17 % 20 %]
entrada (%)
Temperatura Fuego bajo y alto
Controlable [120 oF 180 oF]
secado (oF)
Tiempo secado Controlable [15 min 30 min] 15, 30 (min)
Temperatura
Ruido [30 oC 40 oC] 30, 35, 40 (oC)
Ambiente
Humedad
Ruido [25 % 55 %] 25, 40, 55. (%)
Relativa
Impurezas Controlable 2 % Mximo Un nivel
Grano quebrado Controlable 3 % Mximo Un nivel
Variedad Ruido 2030, 2038 y 3000 1, 2, 3
1 628 m/minuto
Caudal de aire Controlable
3,000 m/minuto 1, 2
Operador Controlable 2 op. / jornada 1, 2
Tabla 3.1.1 Elaboracin propia. Niveles que intervienen en los factores preestablecidos.
Una vez establecidos los factores de ruido y controlables se dise la matriz de datos con un
arreglo ortogonal incluyendo un arreglo interno y externo. Se dice que una matriz de diseo
es ortogonal si sus columnas son linealmente independientes, lo cual se tiene si la
multiplicacin de dos columnas cualesquiera es igual a cero. (Gutierrez, 2004).
Estos arreglos son diseos factoriales completas, fraccionadas o mixtas, dependiendo del
nmero de factores y estudiar en un caso particular. La condicin fundamental para que un
diseo experimental sea de tipo robusto es que exista al menos un factor de ruido para el cual
se busca hacer que el proceso o producto sea insensible a su efecto, sin pretender controlar
dicho factor de ruido. Este seguir actuando como siempre en el proceso despus del
experimento, pero se busca que su efecto sea menor.
63
3.2 Seleccin de arreglos experimentales.
ARREGLO EXTERNO
HR 1 1 1 2 2 2 3 3 3
FACTORES
SEAL /
TA 1 2 3 1 2 3 1 2 3
RAZN
RUIDO
MEDIA
RUIDO
DE HE 1 2 3 2 3 1 3 1 2
V 1 2 3 3 1 2 2 3 1
FACTORES
CONTROLABLES /
A B C D Y11 Y12 Y13 . . . . . Y19 1. /1
ARREGLO INTERNO
Tabla. 3.2 Ejemplo de diseo con arreglo interno (L8) y arreglo externo (L9). (Gutierrez, 2004).
64
En la figura anterior se muestra una matriz con diseo ortogonal con el arreglo interno L8 y
con un arreglo externo L9. Esto es, para el arreglo interno se opt por el arreglo L8 pero solo
con 4 factores, seleccionando las columnas 1, 2, 4, 7 y para el caso del L 9 tambin cuatro
factores.
Asignacin de factores. Al momento de asignar estos factores debemos tener en cuenta que
esta serie se va secuenciando de acuerdo al nivel de dificultad para la actividad de muestreo.
CONTROLABLES RUIDO
Identificacin Factor Identificacin Factor
A Temperatura HR Humedad Relativa
B Tiempo TA Temperatura ambiental
C Caudal de aire HE Humedad de entrada
D Operador V Variedad
Tabla 3.2.2 Elaboracin propia. Asignacin de factores.
Mediciones.
En particular, las fuentes principales que contribuyen al error del proceso de medicin son el
equipo de medicin, los operadores (reproducibilidad) y la variacin dentro de la muestra.
La variabilidad del equipo
En este caso para el anlisis del maz, todos los instrumentos de medicin estn calibrados por un
laboratorio acreditado ante el Sistema Nacional de Calibracin (S.N.C.).
65
Repetibilidad. La variacin observada cuando un operador mide de manera repetida la
misma pieza con el mismo instrumento. Ej. Un operador. (Gutirrez & Salazar, 2009).
Una hiptesis estadstica es una afirmacin sobre los valores de los parmetros de una
poblacin o proceso, que es susceptible de probarse a partir de la informacin contenida en
una muestra representativa que es obtenida de la poblacin. Probar una hiptesis consiste en
investigar si lo afirmado por la hiptesis nula es verdad o no. La estrategia de prueba parte
del supuesto de que H0 es verdadera, y si los resultados de la investigacin contradicen en
forma suficiente dicho supuesto, entonces se rechaza H0 y se acepta la hiptesis alternativa.
En caso de que los resultados de la investigacin no demuestren claramente la falsedad de
H0, sta no se rechaza. Es decir, la hiptesis nula es verdadera mientras no se demuestre lo
contrario. (Gutierrez, 2004).
Planteamiento de hiptesis.
0 : 1 2 3 4 = 0
0 : = 0 0 : =0 0 : =0 0 : =0
1 : 0 0 : 0 0 : 0 0 : 0
En este caso las hiptesis de inters es saber si los factores que interactan en el proceso de
secado artificial de maz, se comportan de igual forma o si existe alguna diferencia en al
menos uno de ellos en cuanto al efecto de la variable de respuesta.
66
3.4 Corrida experimental.
Una vez dicho lo anterior se procede a continuar con el experimento real y el diseo final
queda como sigue. A= Temperatura (Bajo-1, Alto-2) B=Tiempo (15 y 30 min) C=Caudal de aire (Bajo-1
Alto-2) D=Operador (Turno1, Turno2), HR=Humedad relativa (25, 40, 55%), HE=Humedad de entrada (17,
18.5, 20), V=Variedad de grano (Dk1, Dk2, Dk3), TA=Temperatura ambiente (30oC, 35 oC, 40 oC)
ARREGLO EXTERNO
H
1 1 1 2 2 2 3 3 3
RAZN SEAL
FACTORES DE
/ RUIDO
MEDIA
RUIDO
TA 1 2 3 1 2 3 1 2 3
HE 1 2 3 2 3 1 3 1 2
V 1 2 3 3 1 2 2 3 1
2
FACTORES 10 10 [ ]
CONTROLABLES 2
A B C D
17.1 18.7 17 18.6 15.9 18.5 15.8 17.6 17.1889
1 1 1 1 15.5 11.3577
15 16.6 18.2 16.6 18.1 15.3 18 15.2 17.2 16.6889 11.1256
1 1 2 2
ARREGLO INTERNO
14.6 16.2 17.8 16.2 17.8 15 17.7 14.8 16.8 16.3222 10.9827
1 2 1 2
14.2 15.8 17.4 15.7 17.3 14.5 17.2 14.4 16.3 15.8667 10.9174
1 2 2 1
14.1 15.6 17.2 15.5 17.2 14.4 17.1 14.3 16.1 15.7222 10.9318
2 1 1 2
13.7 15.2 16.8 15.2 16.8 14.1 16.7 14 15.8 15.3667 10.9176
2 1 2 1
13.2 14.7 16.3 14.6 16.2 13.5 16.1 13.4 15.2 14.8000 10.7650
2 2 1 1
12.8 14.3 15.9 14.3 15.8 13.1 15.8 13 14.9 14.4333 10.6004
2 2 2 2
Tabla. 3.4. Elaboracin propia. Diseo con arreglo interno y externo para hacer ms robusta la
calidad del maz.
Los datos tomados anteriormente se realizaron mediante la normatividad (Aplicaci et al.,
2002), y este diseo fue un acuerdo tomado entre el analista y responsables de los procesos
del centro de acopio, esto con el fin de minimizar prdidas y tambin con el objetivo de poder
acumular la mayor cantidad de informacin posible mediante los datos obtenidos del
muestreo. Cabe mencionar que no existi inconformidad por ninguna de las partes ni
tampoco inconvenientes para llevarse a cabo dicho muestreo, salvo que al momento de
llevarse a cabo los tratamientos se fue capturando primeramente en acuerdo a las necesidades
de la empresa y finalmente se cubrieron algunos tratamientos para completar la matriz.
67
2
Analizando la variable S/R=10 10 [ 2 ], se obtienen los efectos y sus grficas de medias.
FACTORES
CONTROLABLES
A B C D
17.1 18.7 17 18.6 15.9 18.5 15.8 17.6 17.1889
1 1 1 1 15.5
15 16.6 18.2 16.6 18.1 15.3 18 15.2 17.2 16.6889
1 1 2 2
14.6 16.2 17.8 16.2 17.8 15 17.7 14.8 16.8 16.3222
1 2 1 2
14.2 15.8 17.4 15.7 17.3 14.5 17.2 14.4 16.3 15.8667
1 2 2 1
14.1 15.6 17.2 15.5 17.2 14.4 17.1 14.3 16.1 15.7222
2 1 1 2
13.7 15.2 16.8 15.2 16.8 14.1 16.7 14 15.8 15.3667
2 1 2 1
13.2 14.7 16.3 14.6 16.2 13.5 16.1 13.4 15.2 14.8000
2 2 1 1
12.8 14.3 15.9 14.3 15.8 13.1 15.8 13 14.9 14.4333
2 2 2 2
68
Grfica. 3.4 Efectos principales para medias obtenida mediante el software Minitab v.17.
En esta grfica se observa que el factor A es el que ms efecto tiene sobre la media, seguido
del factor B. Analizando desde otro punto de vista el factor A es el que tiene la mayor
deferencia entre su nivel alto y bajo. Este factor es la temperatura y es importante tenerlo en
cuenta ya que el valor objetivo de la calidad de maz se centra en 14.7%.
Diagrama de Pareto Estandarizada para % humedad (media)
+
A:Temperatura -
B:Factor_B
C:Factor_C
D:Factor_D
0 10 20 30 40
Efecto estandarizado
Grfica. 3.4.1 Pareto de los efectos estandarizados para el anlisis de las medias.
En este otro grfico de Pareto, tenemos que los factores A, B y C son significativos en cuanto
al efecto que se tiene sobre la media y claramente se observa que el factor A es sumamente
superior a todos los dems, sin embargo, no podemos ignorar el hecho de que en los
operadores no existe diferencia significativa en cuanto a la labor de los operadores.
69
Anlisis de Varianza para % humedad (media).
Fuente Suma de Gl Cuadrado Razn-F Valor-P
Cuadrados Medio
A:Temperatura 4.12483 1 4.12483 1187.95 0.0001
B:Factor_B 1.57039 1 1.57039 452.27 0.0002
C:Factor_C 0.351867 1 0.351867 101.34 0.0021
D:Factor_D 0.000385802 1 0.000385802 0.11 0.7608
Error total 0.0104167 3 0.00347222
Total (corr.) 6.05789 7
Tabla 3.4.2 ANOVA para el anlisis de medias de cada factor controlable.
99.9
99
95
80
porcentaje
50
20
0.1
-35 -25 -15 -5 5
Efectos estandarizados
La grfica de probabilidad normal nos indica que los puntos se ajustan a una lnea, por lo que
podemos decir que los datos de cada factor (media) se comportan como normales de acuerdo
a una tendencia entre porcentaje de la acumulacin de datos y el efecto estandarizado de cada
factor controlable que incide directamente en el proceso de secado artificial de maz.
70
2
Analizando la variable S/R=10 10 [ 2 ], se obtienen los efectos y sus grficas.
2
FACTORES 17 18.5 20 18.5 20 17 20 17 18.5 10 10 [ ]
CONTROLABLES 2
A B C D
17.1 18.7 17 18.6 15.9 18.5 15.8 17.6
1 1 1 1 15.5 22.7153
15 16.6 18.2 16.6 18.1 15.3 18 15.2 17.2 22.2511
1 1 2 2
14.6 16.2 17.8 16.2 17.8 15 17.7 14.8 16.8 21.9653
1 2 1 2
14.2 15.8 17.4 15.7 17.3 14.5 17.2 14.4 16.3 21.8349
1 2 2 1
14.1 15.6 17.2 15.5 17.2 14.4 17.1 14.3 16.1 21.8635
2 1 1 2
13.7 15.2 16.8 15.2 16.8 14.1 16.7 14 15.8 21.8353
2 1 2 1
13.2 14.7 16.3 14.6 16.2 13.5 16.1 13.4 15.2 21.5300
2 2 1 1
12.8 14.3 15.9 14.3 15.8 13.1 15.8 13 14.9 21.2008
2 2 2 2
2
Tabla 3.4.3 Clculo de la funcin S/R=10 10 [ 2 ] para cada tratamiento factorial.
(. + . + . + . ) .
= = = .
4 4
(.+.+.+.) .
= = = 21.60
4 4
(. + . + . + . ) .
= = = .
4 4
(. + . + . + . ) .
= = = .
4 4
(. + . + . + . ) .
= = = .
4 4
(. + . + . + . ) .
= = = .
4 4
(. + . + . + . ) .
= = = .
4 4
(. + . + . + . ) .
= = = .
4 4
71
Grfica.3.4.3 Efectos principales para razn SN obtenida mediante el software Minitab v 17.
En esta grfica se observa que el factor A es el que ms efecto tiene sobre la media, seguido
del factor B. Analizando desde otro punto de vista el factor A es el que tiene la mayor
deferencia entre su nivel alto y bajo. Este factor es la temperatura y es importante tenerlo en
cuenta, aunque el factor B difiere con muy poco en cuanto al efecto que ambos factores
ofrecen sobre la variable de respuesta en relacin a la razn seal / ruido.
Nivel A B C D
1 22.19 22.17 22.02 21.98
2 21.61 21.63 21.78 21.82
Delta 0.58 0.53 0.24 0.16
Clasificar 1 2 3 4
Tabla 3.4.4 Respuesta para relaciones de seal a ruido nominal es mejor.
72
Efectos estimados para % humedad (SN: objetivo)
Efecto Estimado Error Estd. V.I.F.
Promedio 21.8995 0.0224326
A:Temperatura -0.584257 0.0448652 1.0
B:Factor_B -0.533566 0.0448652 1.0
C:Factor_C -0.238041 0.0448652 1.0
D:Factor_D -0.158706 0.0448652 1.0
Errores estndar basados en el error total con 3 g.l.
Tabla 3.4.5 Efectos estimados para % humedad (SN: objetivo).
Esta tabla muestra las estimaciones para cada uno de los efectos estimados y las
interacciones. Tambin se muestra el error estndar de cada uno de estos efectos, el cual
mide su error de muestreo. Note tambin que el factor de inflacin de varianza (V.I.F.) ms
grande, es igual a 1.0. Para un diseo perfectamente ortogonal, todos los factores seran
igual a 1.
R-cuadrada = 99.1542 por ciento; R-cuadrada (ajustada por g.l.) = 98.0264 por ciento;
Error estndar del est. = 0.063449 Error absoluto medio = 0.0296463; Estadstico Durbin-
Watson = 1.20227 (P=0.1534); Autocorrelacin residual de Lag 1 = 0.115308
La tabla ANOVA particiona la variabilidad de % humedad en piezas separadas para cada uno
de los efectos. Entonces prueba la significancia estadstica de cada efecto comparando su
cuadrado medio contra un estimado del error experimental. En este caso, 4 efectos tienen
una valor-P menor que 0.05, indicando que son significativamente diferentes de cero con un
nivel de confianza del 95.0%.
73
El estadstico R-Cuadrada indica que el modelo, as ajustado, explica 99.1542% de la
variabilidad en % humedad. El estadstico R-cuadrada ajustada, que es ms adecuado para
comparar modelos con diferente nmero de variables independientes, es 98.0264%. El error
estndar del estimado muestra que la desviacin estndar de los residuos es 0.063449. El
error medio absoluto (MAE) de 0.0296463 es el valor promedio de los residuos. El
estadstico de Durbin-Watson (DW) prueba los residuos para determinar si haya alguna
correlacin significativa basada en el orden en que se presentan los datos en el archivo.
Puesto que el valor-P es mayor que 5.0%, no hay indicacin de autocorrelacin serial en los
residuos con un nivel de significancia del 5.0%.
+
A:Temperatura -
B:Factor_B
C:Factor_C
D:Factor_D
0 3 6 9 12 15
Efecto estandarizado
2
Grfico 3.4.4 Pareto de los efectos estandarizados de la funcin S/R=10 10 [ 2 ].
En este diagrama de Pareto podemos visualizar que todos los factores son significativos lo
cual viene a comprobar grficamente que en realidad si existe una diferencia significativa en
cuanto a los distintos niveles que se presentan en el impacto de la variable de respuesta, sin
embargo, los dos factores que ms afectan son la temperatura y el tiempo, por lo que los
74
operadores debern prestar atencin y cuidado en el manejo de estas variables. Adems de
los pasos anteriores, para cualquier respuesta continua es til realizar estos dos mismos pasos
con el estadstico general S/R -10log(S2), a fin de tener otra visin del anlisis y si los
resultados de este otro llegaran a diferir del estadstico recomendado por Taguchi se deben
analizar con detenimiento las dos soluciones encontradas para finalmente determinar cul es
la mejor. Este segundo anlisis puede proteger al experimentador de una solucin subptima
que algunas veces generan las seales/ruido originales. (Logothetis, 1994).
FACTORES 10 10 S2
CONTROLABLES
A B C D
17.1 18.7 17 18.6 15.9 18.5 15.8 17.6
1 1 1 1 15.5
-1.990
1 1 2 2
15 16.6 18.2 16.6 18.1 15.3 18 15.2 17.2 -2.197
1 2 1 2
14.6 16.2 17.8 16.2 17.8 15 17.7 14.8 16.8 -2.290
1 2 2 1
14.2 15.8 17.4 15.7 17.3 14.5 17.2 14.4 16.3 -2.175
2 1 1 2
14.1 15.6 17.2 15.5 17.2 14.4 17.1 14.3 16.1 -2.067
2 1 2 1
13.7 15.2 16.8 15.2 16.8 14.1 16.7 14 15.8 -1.896
2 2 1 1
13.2 14.7 16.3 14.6 16.2 13.5 16.1 13.4 15.2 -1.875
2 2 2 2
12.8 14.3 15.9 14.3 15.8 13.1 15.8 13 14.9 -1.987
(. . . . ) .
= = = .
(....) .
= = = 1.956
4 4
75
Grfico. 3.4.5 Efectos principales para relaciones SN con la funcin -10Log10(S2).
En esta grfica (-10Log10(S2)) se puede observar que los factores A y D son los que ms
2
variabilidad presentan por lo que claramente difiere del grfico 10 10 [ 2 ]; es por esto, que
es necesario hacer un anlisis ms profundo y definir qu estudio nos sirve para mejorar la
caracterstica de calidad.
Diagrama de Pareto Estandarizada para % humedad (SN: -10 log s^2)
+
A:Temperatura -
D:Factor_D
B:Factor_B
C:Factor_C
0 1 2 3 4
Efecto estandarizado
Grfico 3.4.6. Pareto de los efectos estandarizados para la funcin S/N de cada factor.
76
En el grfico de Pareto anterior tenemos que la temperatura es la nico que rebasa el
estadstico de prueba de T-student, por lo que podemos definir que para este caso, solo un
factor se considera como el que afecta significativamente en el proceso lo cual resulta ser una
respuesta subptima.
La tabla ANOVA particiona la variabilidad de % humedad en piezas separadas para cada uno
de los efectos. Entonces prueba la significancia estadstica de cada efecto comparando su
cuadrado medio contra un estimado del error experimental. En este caso, un efecto tiene una
valor-P menor que 0.05, indicando que son significativamente diferentes de cero con un nivel
de confianza del 95.0%. El estadstico R-Cuadrada indica que el modelo, as ajustado, explica
86.5318% de la variabilidad en % humedad. El estadstico R-cuadrada ajustada, que es ms
adecuado para comparar modelos con diferente nmero de variables independientes, es
68.5743%. El error estndar del estimado muestra que la desviacin estndar de los residuos
es 0.0838041. El error medio absoluto (MAE) de 0.0474164 es el valor promedio de los
residuos. El estadstico de Durbin-Watson (DW) prueba los residuos para determinar si haya
alguna correlacin significativa basada en el orden en que se presentan los datos en el
archivo. Debido a que el valor-P es menor que 5.0%, hay una indicacin de posible
correlacin serial al nivel de significancia del 5.0%.
77
Prueba de hiptesis.
Recordemos que para Fisher la hiptesis a contrastar es que no existe diferencia entre los
tratamientos. Segn Salsburg para distinguir entre la hiptesis usada por Fisher para calcular
el valor p y otras posibles hiptesis Neyman y E. Pearson llamaron hiptesis nula a la
hiptesis a contrastar y a la otra, hiptesis alternativa. En esta formulacin, el valor p es
calculado para contrastar la hiptesis nula pero la potencia de la prueba se refiere a como este
valor p funcionar si la alternativa es, en los hechos, verdadera. La potencia de la prueba es
una medida de cuan buena es la prueba. Dadas dos pruebas la de mayor potencia sera la
mejor a usar. De modo muy sinttico recordemos que la Teora de Neyman-Pearson, cuya
estructura matemtica es aceptada hasta nuestros das, establece, como hemos dicho, dos
hiptesis posibles: la nula y la alternativa. Segn los autores existen dos fuentes de error:
rechazar la hiptesis nula cuando es verdadera (nivel de significacin, o error de tipo I) y no
rechazarla cuando es falsa (o error de tipo II). Sus contrapartidas, en sentido probabilstica,
son las decisiones correctas de no rechazar una hiptesis cuando es verdadera (1-) y
rechazarla cuando es falsa (1-), esto ltimo es la potencia de la prueba. Deberamos intentar
mantener la probabilidad de cometer error de tipo I a un nivel bastante bajo, como 0.01
0.05, y despus minimizar el error de tipo II todo lo que se puedaLa nica forma de
reducir un error de tipo II sin aumentar un error de tipo I es aumentar el tamao de la muestra,
lo que no siempre resulta fcil. Siguiendo a Salburg admitimos que el uso de pruebas de
significacin de Fisher produce un nmero que llam valor p. Es una probabilidad calculada,
una probabilidad asociada a los datos observados bajo el supuesto de que la hiptesis nula es
verdadera. El valor p es una probabilidad (p-value), se puede definir como el menor nivel
de significacin al que se puede rechazar una hiptesis nula cuando es verdadera.(Fernndez
Loureiro, 2001).
Esta lgica de anlisis tiene semejanzas con los planteamientos filosficos de Karl Popper
quien estableci que la ciencia no avanza aceptando hiptesis verdaderas, sino rechazando
falsas. La potencia de una prueba estadstica o el poder estadstico es la probabilidad de que
la hiptesis nula sea rechazada cuando la hiptesis alternativa es verdadera (es decir, la
probabilidad de no cometer un error del tipo II). Por lo tanto la potencia es igual a 1 - , que
tambin se conoce como la sensibilidad.
78
Probable
Criterio de Grficamente
# Factores Decisin fuente de
Hiptesis F-Fisher (V1=1,V2=3)
error
De esto podemos concluir que como el valor de F calculada es menor que la F de la tabla de
Fisher, Ho se rechaza; por lo tanto existen diferencias significativas reales en el efecto de
cada uno de los cuatro factores, afectando directamente en el proceso de secado de maz.
Siendo as la temperatura que causa mayor afectacin seguido del tiempo respectivamente.
79
Captulo IV. Anlisis de resultados.
Finalmente una vez concluido el proyecto podemos decidir qu medidas implementar para
generalizar el resultado del estudio y garantizar que las mejoras se mantengan. Quiz sea
conveniente aplicar las mismas medidas en procesos similares, modificar procesos,
procedimientos e instrucciones de trabajo y establecer medidas de control.
En este caso el mejor ANOVA resulto ser que todos los factores impactaban directamente en
el resultado de la obtencin de la humedad nominal del maz. Por lo que se puede concluir lo
siguiente:
2
Y
Posteriormente en el anlisis de la funcin S/R=10 log10 [S2 ], todos los factores fueron
estadsticamente significativos pero para el caso del anlisis de medias solo el factor de
operador result que no impactaba significativamente en el proceso de secado de maz. Esto
es notorio y llama mucho la atencin porque en cuanto a resultados de medias no afecta pero
en seal ruido s. Por lo que se deber tener sumo cuidado en el mtodo y las operaciones a
realizar por parte de los operadores.
80
Monitoreo de silos y resultados.
Por cada dos lotes se tomaron tres muestras a distinta profundidad, una a un metro, la otra a
dos metros y la ltima a tres metros, y cada muestra se deposita en bolsas separadas por lote
y profundidad, en algunas ocasiones se utiliza la tcnica de cinco de oros simulando una ficha
de domin, por lo tanto, para cada lote se ocuparan tres bolsas y a cada una se le deposita un
formato el cual indica la procedencia de la muestra.
Fecha: _______________
Bodega: ______________
Lote #
Termometra
Tijerales Lotes
Tijerales
Puntos de muestreo
LOTE HUMED IMP. CALOR G.CAFE HONG POD INSEC MANCH TOT QUEB P. ESP
L-1 13.9 0.6 0.0 0.0 0.0 0.3 0.0 0.0 0.3 0.5 0.761
L-2 13.8 0.8 0.0 0.0 0.0 0.2 0.0 0.0 0.2 0.6 0.760
L-3 14.0 0.5 0.0 0.0 0.0 0.4 0.0 0.0 0.4 0.8 0.759
L-4 13.7 0.6 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.8 0.763
L-5 14.1 0.9 .0.0 0.0 0.0 0.4 0.0 0.0 0.4 0.7 0.762
L-6 14.0 0.7 .0.0 0.0 0.0 0.2 0.0 0.0 0.2 1.0 0.760
L-7 13.9 1.0 0.0 0.0 0.0 0.3 0.0 0.0 0.3 0.6 0.760
L-8 13.8 0.9 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.7 0.763
L-9 13.8 0.8 0.0 0.0 0.0 0.2 0.0 0.0 0.2 0.5 0.761
L-10 14.0 0.6 0.0 0.0 0.0 0.3 0.0 0.0 0.3 0.9 0.760
Prom 13.9 0.74 0.0 0.0 0.0 0.23 0.0 0.0 0.23 0.71 0.761
82
En este recuadro se observa el anlisis general de la bodega uno en la cual se da mayor
importancia a la humedad y el manchado o dao por secadora.
En el recuadro siguiente se observa el anlisis para las siguiente bodegas dos y despus se
realiza una comparacin.
LOTE HUMED IMP. CALOR G.CAFE HONG POD INSEC MANCH TOT QUEB P. ESP
L-1 13.2 0.6 0.0 0.0 0.0 0.3 0.0 0.0 0.3 0.7 0.760
L-2 15.3 0.5 0.0 0.0 0.0 0.5 0.0 0.0 0.5 1.0 0.763
L-3 12.9 0.6 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.8 0.740
L-4 13.0 0.6 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.6 0.760
L-5 12.6 0.9 0.0 0.0 0.0 0.4 0.0 0.5 0.9 1.2 0.750
L-6 16.3 1.1 0.0 0.0 0.0 0.4 0.0 0.0 0.4 1.0 0.770
L-7 13.1 0.8 0.0 0.0 0.0 0.0 0.0 0.3 0.3 1.1 0.760
L-8 12.8 0.9 0.0 0.0 0.0 0.4 0.0 0.0 0.4 0.9 0.740
L-9 13.5 0.7 0.0 0.0 0.0 0.6 0.0 0.0 0.6 1.0 0.761
L-10 14.4 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.7 0.765
Prom 13.7 0.77 0.0 0.0 0.0 0.26 0.0 0.08 0.34 0.9 0.756
83
Con el resumen de los cuadros anteriores podemos definir qu:
La humedad del primer y segundo silo es buena, solo que para fines de conservacin result
ser mejor la bodega nmero uno, por tener mayor el ndice de humedad promedio a la
humedad requerida por las empresas harineras y Cargill, que es del 14 a 11 por ciento.
El silo nmero uno cuenta con menor porcentaje de impureza, lo que significa que se tendr
una menor probabilidad de calentamientos en este, aunque este es un factor que no es
consecuencia del secado artificial, es clave tambin para la conservacin de la calidad del
grano.
En cuanto al porcentaje de granos podridos, granos quebrados y total de daos, la que ocupa
mayor porcentaje es el silo dos, este puede variar para los dos dependiendo del grano podrido
recibido de campo, dao por secadora y la conservacin del mismo.
Por ltimo, el porcentaje de peso especfico, es mejor para el silo uno, este va relacionado
con el porcentaje de humedad y es crtico en la calidad y en el rendimiento del peso y la
existencia en la unidad.
Basado en los volmenes cubicados de maz para cada silo, el nmero uno es el que acapar
mayor volumen, debido a que algunos lotes de grano presentan una humedad y un peso
especfico menor de lo requerido. Por lo tanto:
84
En el silo uno hubo una mejor diferencia de 150 toneladas por encima del silo dos,
presentando una mejor calidad en el grano ya que esta tiene presencia de grano manchado
debido algunos procesos excedidos en calor por parte de la secadora.
Tomando en cuenta que el volumen de acopio, capturado en los registros del sistema fue de
9,150 toneladas para el silo uno y 9,120 toneladas para el silo dos, la diferencia para los silos
uno y dos fue la siguiente:
Silos: (9570 9420) = 150; Para silo 1 = 150.0 por arriba del volumen de silo dos, se calcula
que:
(150 toneladas) ($3800.00) = $570,000; Por lo tanto en el silo uno se tiene $570,000 pesos
en diferencia.
Pero para el caso del silo 1, que es el que se trabaj con la respuestas de diseo experimental,
sucede que 9150 toneladas reportadas al sistema menos 9570 toneladas cubicadas se tiene
una ganancia de 420 toneladas que se le generaron a la empresa del recaudado en el sistema
y para el silo dos una ganancia de 300 toneladas, esto sin tomar en cuenta que con el paso de
los das ir disminuyendo por la prdida constante de humedad hasta su estabilizacin.
-La presin por trabajar rpido y a la vez por tener una humedad nominal de 14.7 es uno de
los principales puntos a abatir (estrs), ya que con este estudio el operador contar con un
acercamiento (no exacto) del nivel que debe tener cada factor.
85
Aqu se muestra la tabla de humedades definidas resultantes del experimento anterior.
Para un anlisis ms profundo se propuso a la empresa llevar los registros de cada operacin
para que de esta manera se vaya reduciendo la brecha de experimentacin y error; es decir,
una vez que los operadores conforme a la marcha vayan a prueba y error obteniendo registros
acercados en base a la premisa de la importancia del impacto directo de cada factor, se
obtendr ms agilidad en el proceso y mayor calidad en el producto. En definitivo, cada
decisin tomada por el operador en turno es importante, es por ello que entre menos rotacin
de personal exista por parte de la empresa y mayor capacitacin tengan se ver finalmente
reflejada en los resultados.
Una de las propuestas que se pueden realizar es el de trabajar con simulacin con software
especializados o modelos matemticos y estadsticos que integren todos y cada uno de los
actores obteniendo un acercamiento ms real a lo que pueda ser la obtencin de variables de
respuesta ms viables y sobre todo que la experimentacin no resulte ser tan cara evitando
demoras principalmente.
La aplicacin de modelos de Thompson para simular el secado del grano a altas temperaturas,
el desarrollo de un lenguaje apropiado para generar modelos de secado y el desarrollo de
una interfaz grfica con el objetivo de facilitar la comprensin del usuario. Programas
computacionales como LINSEC bajo Visual Basic es uno de los ms eficaces para el
modelado y simulacin de sistemas de secado y en la prestacin de valores simulados
acercados ms a la realidad podran ser una muy buena opcin.
86
Otra de las propuestas a realizar es la creacin de nuevas secadoras que permitan un control
automtico que reduzcan el riesgo de sobre secado y permita hacer un uso muy eficiente de
la energa, que aporten a la cadena de valor de los granos debido permitiendo obtener un
producto ntegro final de alta calidad.
Conclusiones.
Finalmente podemos concluir que se identificaron los factores, niveles y variables que
intervinieron en el proceso de secado artificial de maz, presentados en las tablas previamente
diseadas para su posterior anlisis. Tambin se describi paso a paso, todo el proceso formal
del secado y conservacin del producto. Por consiguiente, se formularon las hiptesis en las
cuales se hizo nfasis, si habra o no diferencia significativa en los factores controlables a
considerar que podran afectar directamente en el proceso de secado, para despus, una vez
seleccionado la tcnica de Taguchi (diseos ortogonales), analizar la varianza de las muestras
obtenidas. Despus los resultados obtenidos se interpretaron mediante grficos arrojados por
distintos software como Statgraphics y Minitab 17 principalmente, demostrando as, que la
2
Y
temperatura, el tiempo y caudal de aire mediante la funcin S/R=10 log10 [ 2 ] y medias
S
fueron factores que afectaron significativamente la variable de respuesta y por otra parte hubo
una discrepancia siendo el factor operador el nico en no demostrar estadsticamente una
clara diferencia en los resultados entre un operador y otro. De esto se pudo extraer la
combinacin ptima de factores para la obtencin de humedades al finalizar el proceso de
secado propuesta en la tabla de tratamientos deseables. Finalmente se pudo lograr con xito
el objetivo principal de la investigacin que fue la mejora del proceso de secado artificial en
la empresa GRANISSA, en base a un diseo experimental.
87
Referencias bibliogrficas.
Aguirre, R. (1988). Manual para el beneficio de las semillas (Vol. 1). Cali, Colombia:
CIAT. http://doi.org/ISBN-84-89206-75-9
Cayuela, L., Rey, U., & Carlos, J. (2011). Introduccin al diseo de experimentos,
104122.
88
Fundibeq. (2007). Diseno_De_Experimentos, 123.
Gutirrez, H., & Salazar, R. (2009). Control estadstico de la calidad y seis sigmas,
McGraw Hill edicin.
Roco, A., & Prez, M. (2002). Qu son los indicadores? Revista de Informacin Y
Anlisis, 19, 5258.
Salazar, G., Alberto, J., Rebollar, R., Licea, R., Alberto, J., Salazar, G., Rodrguez,
G. (2006). Competitividad , cupos de importacin y comercializacin de maz de
Sinaloa.
89
Sampieri, R., Collado, C., Lucio, P., & Prez, M. (1998). Metodologa de la
investigacin (pp. 121).
Srinivasan, Murray & Schiller, (2007). Cuarta edicin, Schaums Outline of Theory
and Problems of Probability and Statistics. McGraw Hill..
Yacuzzi, E., Martn, F., Quiones, M., & Popovsky, M. (2013). El Diseo
Experimental y los Mtodos de Taguchi: Conceptos y Aplicacin en la Industria
Farmacutica, 130.
90