P. 1
FUNCIÓN OBJETIVO.DISEÑO DE EXPERIMENTOS. Investigaciòn II, 2009-II

FUNCIÓN OBJETIVO.DISEÑO DE EXPERIMENTOS. Investigaciòn II, 2009-II

|Views: 94|Likes:
Publicado por再開 ルイス

More info:

Published by: 再開 ルイス on Jul 16, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PPT, PDF, TXT or read online from Scribd
See more
See less

08/27/2015

pdf

text

original

Sections

  • DISEÑOS EXPERIMENTALES DE PRIMER ORDEN
  • DISEÑO EXPERIMENTALES DE SEGUNDO ORDEN
  • GRÁFICA DE LAS ETAPAS DE LA OPTIMIZACIÓN
  • DECODIFICACION DEL MODELO MATEMATICO

Asignatura : INVESTIGACIÓN II

Docente
Ciclo

: Ing. Luís Gonzáles Torres
: 2013-I

¿QUÉ ES UN DISEÑO EXPERIMENTAL?
¿Qué es un experimento? Es una prueba o ensayo  ¿Qué es un experimento diseñado? Es una prueba o serie de pruebas en las cuales se inducen cambios deliberados en las variables de entrada de un proceso o sistema, de manera que sea posible observar e identificar las causas de los cambios en el criterio de optimización.

PLANIFICANDO LA EXPERIMENTACIÓN

1. 2. 3. 4. 5.

Para los ingenieros la validación de la hipótesis, se realiza mediante vía de la experimentación; entonces esta hay que planificarla, definiendo lo siguiente: Variables independientes y dependientes de interés. Hipótesis a validar( posible relación entre variables) Métodos experimentales a emplear Equipos e instrumentos necesarios Técnicas para determinar el tamaño de la muestra y para seleccionar sus elementos.

6.PLANIFICANDO LA EXPERIMENTACIÓN 1. 3. 5. 2. . Formatos para el registro de la información experimental Técnicas para sistematizar la información experimental Número de ensayos a realizar Características de cada uno de los ensayos Modo de determinar el error experimental técnicas para formular modelos matemáticos. 4.

FORMAS DE EXPERIMENTACIÓN  Experimentación pasiva: -Llamada también convencional o clásica: -Gran cantidad de experimentos son llevados a cabo variando una variable a la vez -Este método no es muy conveniente. . cuando se investiga más de dos variables -Se aplica también a la colección de datos estadísticos en una planta industrial.

evaluar la fuerza de interacción entre las variables y reducir el número de experimentos a llevarse a cabo . Experimentación Activa : (Diseño de experimentos) -Es un diseño predeterminado( diseño de experimentos). el cual es un plan organizado de experimentos que permiten evaluar simultáneamente todas las variables consideradas y. además.

Los resultados obtenidos en el curso de la experimentación no cambian la matriz de diseño planteada inicialmente.Experimentación Activa : (Diseño de experimentos) Es decir se estructura una matriz experimental. Estos métodos son apropiados cuando se tiene un numero elevado de variables independientes.  . asignando a cada variable ciertos valores definidos con anticipación.

la utilización racional de los diseños experimentales. es el mejor método para encontrar los valores óptimos de las variables de la manera rápida y eficiente posible.En la optimización de procesos. . junto con una estrategia adecuada de optimización.

VENTAJAS DE LA EXPERIMETACIÓN ACTIVA ( Diseño de experimentos) Mayor información por experimento  Menor tiempo de experimentación  Las conclusiones son mas confiables  Mayor credibilidad a las conclusiones del experimento  Evalúa las interacciones entre variables experimentales  .

Es decir. . en otras palabras. debemos escoger entre las diversas alternativas productivas ( variables dependientes).FUNCIÓN OBJETIVO  CRITERIO DE OPTIMIZACIÓN El punto de partida básico en todo proceso de optimización es definir adecuadamente un criterio de optimización. definir qué es lo que deseamos optimizar. aquella o aquellas que bajo algún criterio adecuado nos brindan los mejores resultados.

. DEFINICIÓN La relación del criterio de optimización a las variables independientes consideradas en el estudio se denomina función objetivo. El principal objetivo en un proceso de optimización será maximizar o minimizar una función objetivo el cual está definida por.

h. u: variable no controlable. z) (1) F :Criterio de optimización x.F (máx. u. u. h: variable indirecta y z: variable desconocida. z : Variables independientes (x: variable controlable.) = Donde: (x.) . h.

 SELECCIÓN CRITERIO DE OPTIMIZACIÓN En un proceso de optimización de minerales se tiene las siguientes alternativas productivas Recuperación metálica Grado de concentración Eficiencia de separación Eficiencia económica Eficiencia de concentración Desde el punto de vista de la optimización es recomendable definir un único criterio de optimización. que englobe o represente adecuadamente a las demás. .

un criterio técnico (recuperación metálica) y.435% de plomo y se desea evaluar el efecto del tiempo de flotación sobre la eficiencia del proceso ( criterio d optimización). el segundo.EJEMPLO Se tiene un mineral de plomo (galena PbS) con una ley promedio de cabeza de 6. para éste se requieren datos referentes a algún contrato de comercialización de concentrados. Para la selección del criterio de optimización se considera dos alternativas : primero. como es el siguiente: . un criterio económico ( valor por tonelada de cabeza).

45/lb. De mineral para cada una de las 8 pruebas experimentales como puede apreciarse en la tabla: . Maquila $200 Flete : $20 Escalador :Si la ley de plomo es mayor a 60% se multiplica por 0. Si la ley de plomo es menor de 60% se le resta 3% Se desea saber cuál de los criterios (técnico o económico) es el más adecuado para optimizar el proceso.95. para ello se calcularon ambos criterios. tomando como base una muestra de 1 Kg.Cotización del plomo $0.

2 59.4 25.44 399.7 37.) Wcc (peso) L Pb (%) R (Pb) (%) V CON ($) VCAB EE.08724 0.6 100 467.67 69.34 24.96 28.5 65.3 37.0743 72.37 46.94 -0.18 -0.12992 0.62 54.07287 0.49 124.06 29.25 41.9 70.0 87.31 65.4 97.21 354.3 74.34 20.(%) 1 2 3 4 5 6 7 8 30 60 90 120 240 320 600 840 Ideal 0.89 64.0 47.5 96.7 95.16523 0.8 97.21329 0.74 15.03284 0.91 -1.53 8.05413 0.4 82.09 30.52 20.7 61.25199 0.7 29.91 219.44 34.06 444.N Tiempo (seg.99 .

.Wcc. : Porcentaje en peso concentrado obtenido LPb : ley de plomo en el concentrado (reporte laboratorio) RPb : Recuperación metálica ( Peso Pb en el concentrado/ Peso de Pb en la cabeza)*100 VCON: Valorización por tonelada de concentrado VCAB : Valorización por tonelada de cabeza EE : Eficiencia Económica.

06435) =59.0541*0.3% CRITERIO ECONÓMICO (Eficiencia económica) EE = (VCAB/ VCABº)*100 donde: VCABº es la valorización en dólares por tonelada de cabeza.729)/(1*0. asumiendo una recuperación perfecta (100%) en el concentrado (VCABº)  .705)/(1*0.06435) =37.0328*0.15% RPb (2) = (0. CRITERIO TÉCNICO (Recuperación metálica) RPb (1) = (0.

45lb)= $687.06 .729*0.95)*1TM*(2204.00 VCON = $ 467.7 deducciones: Maquila :200 Flete : 20 =$220.62lb/TM)*($0.a) Valorización por tonelada de cabeza (VCAB) base : 1 TM de concentrado Pagos: (0.

VCAB = VCON* (1/K) donde: K : ratio de concentración k = peso mineral cabeza/peso concentrado para la prueba Nº 1 K = 1/0.06*0. el valor por tonelada de cabeza está definido por : VCAB = 467.03284 Por lo tanto.34 .03284 = $15.

Ley (Pb) concentrado : 86. Tenemos que asumir que el todo del concentrado está compuesto únicamente de galena (86.435% Peso cabeza : 1 Kg.6% (galena pura) Recuperación : 100% .).6% de Pb. teniendo los siguientes datos: Ley (Pb) cabeza : 6. asumiendo una recuperación de 100% Con las suposiciones planteadas. el primer paso es encontrar el peso de concentrado obtenido.Cálculo de VCABº.

0743) VCABº = $ 596*0.) = $816.45/lb.18 deducciones: Maquila : 200 Flete : 20 = $ 220. Pagos: (0. = 0.29 .00 VCONº = $ 596.*0.Haciendo uso de la fórmula de recuperación metálica tenemos: 100% = (Peso CC.95)*1TM*(2204.62lb/TM)*($0.866)/(1*0.18 donde: (1/0.0743 Kg.06435)*100 Peso CC.0743 = $ 44.866*0.

34*100/$44.25 .)= $344.Luego la eficiencia económica según la ecuación es: EE = $15.62% Hasta aquí.62lb/TM)*($0.03)*1TM*(2204. hemos realizado los cálculos para la prueba Nº 1 ( con una ley de plomo mayor al 60%).29 = 34.45/lb. Analicemos la prueba Nº 6 ( con una ley de plomo menor a 60%) Pagos : (0.377-0.

25 Ratio de concentración = 1/0.29 ( el mismo del caso anterior) Por lo tanto: EE = ($ 20.34% . Maquila: 200 Flete : 20 = $ 220.16523 VCAB = $ 124.00 VCON = $ 124.deducciones.25*0.29)*100 = 46.53)/($44.16523= $20.53 VCABº = $44.

CLASIFICACIÓN DE LOS DISEÑOS EXPERIMENTALES Desde el punto de vista de la optimización: -diseños experimentales de primer y segundo orden  Desde el punto de vista de la manera en que son llevados los diseños experimentales: -en diseños experimentales simultáneos y secuenciales.  .

 Desde el punto de vista del objetivo (caracterización de procesos. etc.): -experimentos por comparación simple -diseños aleatorizados -diseños jerárquicos ( o anidados) . diseño de productos.

la función objetivo queda descrita.DISEÑO DE EXPERIMENTOS DESDE EL PUNTO DE VISTA DE LA OPTIMIZACIÓN  En flotación de minerales. Z) ó Φ (X. U. U. por el modelo matemático empírico. que es un proceso muy complejo del tipo caja negra (black-box). Z) (1) donde: F = Y : Criterio de optimización (variable dependiente) x : variable controlable u : Variable no controlable (se pueden medir) z : variable desconocida ( ni se miden ni se controlan) . así: F= Y= Φ(X.

Xk) + Zr donde : (2) Zr : Variables aleatorias ( variable no controlable y desconocida) . …. X2. F = Φ(X1.

donde la forma de la función objetivo es desconocida. El desarrollo de la serie de Taylor para dos variables tiene la siguiente forma:  k k k Y = βo + Σβj X j + Σ β uj Xu X j + Σβ jj X2j j=1 uj=1 j=1 +…+ zr u ≠ j (3) . describen adecuadamente estos procesos.En numerosos procesos metalúrgicos. el uso de modelos matemáticos de segundo orden similares a las obtenidas en la serie de Taylor.

se desarrolla modelos matemáticos similares a la serie de Taylor. Sin embargo estos modelos matemáticos son un ESTIMADO de la ecuación anterior (serie de Taylor) . Cuando se realiza un estudio de un proceso en base a experimentos o pruebas experimentales. llevado a cabo en laboratorio experimental o planta piloto.

bjj . bj.EL MODELO MATEMÁTICO ESTIMADO ES: ᴧ k k  Y=b o+ ∑bJXJ + ∑buj XuXj j=1 u=j= 1 k + ∑bjjXjj2 j=1 (4) : son los coeficientes del modelo obtenido por regresión múltiple y son un estimado de los coeficientes teóricos βo. βjj bo. βj. buj. βuj.

Yi )2 = Mínimo i=1 .Los coeficientes de la ecuación (4) obtienen por el método de mínimos cuadrados de la condición : k ---- se (5) Φ = Σ( Yi .

Por ello. requiere utilizar una herramienta poderosa. los diseños experimentales constituyen la estrategia más adecuada para obtener modelos matemáticos empíricos con un mínimo de pruebas experimentales . La construcción de modelos matemáticos de la forma de la ecuación (4) . como son los diseños experimentales.

 ^ (6) y = βo + β1X1 + β2X2 + … + βk X k + Zr .DISEÑOS EXPERIMENTALES DE PRIMER ORDEN  Se denomina así a ciertos experimentales que permiten adecuadamente los coeficientes ecuación o modelo matemático de siguiente modo: diseños estimar βj de la general.

Los diseños experimentales que permiten estimar modelos de primer orden son: -Diseños factoriales -Diseños factoriales fraccionados -Diseños Placckett y Burman .

lo que es lo mismo.Al estimar los parámetros βo. dos valores para cada variable controlable. es necesario considerar dos niveles. Estos dos niveles están codificados como bajo y alto o también “-” y “+”. β1. …βk. como se puede observar en la figura: . o.

 Figura N° 1 de diseño de primer orden: .

una sola variable controlable: K= 1  Y = bo + b 1 X 1 Para K = 2 Y = bo + b1X1 + b2X2 + b12X1X2 b1. .b2 son las pendientes de las variables X1 y X 2. b12 es el parámetro de interacción. Para el caso más simple.

Cuando b12 = 0 obtendremos un modelo aditivo de 1er. Orden. C2) nos da dos líneas rectas paralelas. y graficando Y vrs. X1 para dos valores constantes de X2 (C1.  Cuando b12 ≠ 0 el modelo es interactivo. el efecto interactivo se observa con el modelo arreglado así:  .

Por lo que los modelos interactivos. como el presente.C2) nos da dos líneas rectas no paralelas. . sin embargo la gráfica de Y con cualquiera de las variables serán siempre líneas rectas. Orden.    Y = (b0 + b2X2) + (b1 + b12X2)X1 Graficando Y vrs. El modelo interactivo es de segundo orden en X1X2. X1 para dos valores constantes de X2 (C1. se consideran dentro de los diseños experimentos de 1er.

MODELO ADITIVO  Figura N°2 .

MODELO INTERACTIVO fig.N°3 .

El objetivo es estudiar el efecto de cada una de estas variables en la respuesta del proceso. . donde al inicio de la investigación se tiene un gran número de variables iníciales. eliminando aquellas variables que resulten poco significativas o de pendientes cercanos a cero. como se estudiará más adelante.La utilización de diseños experimentales de primer orden son de gran importancia en la etapa inicial de optimización.

. βuj y βjj.DISEÑO EXPERIMENTALES DE SEGUNDO ORDEN Son aquellos diseños que nos permiten estimar los parámetros βj.Zr u≠j  Los diseños experimentales más comunes que permiten estimar modelos de segundo orden son: a) diseños rotables -Diseño hexagonal -Diseño ortogonal -etc. de la ecuación general : K K K Y = βo + ΣβjXj + ΣβujXu Xj + ΣβjjXj2 + … J=1 UJ=1 J=1 ….

b) Diseños compuestos -Diseño compuesto central -Diseño compuestos para más de tres variables Cuando se utilizan modelos de segundo orden un tercer nivel ( o que cada variable deba tomar tres valores experimentales) es requerido para estimar la curvatura del parámetro Bjj . el modelo de segundo orden toma la forma de : . es el punto central entre el nivel bajo “-” y el nivel “+”. Este tercer nivel. normalmente. codificado como nivel medio o sencillamente “o”. Si consideramos el caso de una sola variable controlable.

. el modelo completo de segundo orden ( interactivo) toma la forma siguiente: Y = bo + b1 X1 + b2X2 + b11X21 + b22X22 + b12X1X2 donde b11 y b22 son los parámetros curvatura y b12 es el parámetro interacción. Si consideramos el caso de dos variables.Y = bo + b1X1 + b11X21 donde: b11 es denominado término curvatura y el punto máximo esta localizado a –b1/2b11 ( igualando la primera derivada de esta ecuación a cero).

Modelo de segundo orden fig N° 4 .

El uso de diseños experimentales de segundo orden son indispensables en la etapa final de optimización. . donde un modelo se segundo orden puede describir apropiadamente la región óptima.

Estos pueden ser: directos e indirectos . que después de un diseño de primer orden (factorial por ejemplo). de etapa en etapa. los experimentos sucesivos se van realizando en función de los resultados de los experimentos anteriores. a aquellos diseños experimentales.DISEÑOS DE EXPERIMENTOS SECUENCIALES  Se llama así.

2. 3. Definición adecuada de uno o mas criterios de optimización. . según la etapa de optimización en que se encuentre el estudio.ELEMENTOS BÁSICOS DEL DISEÑO EXPERIMENTAL 1. Una lista completa de todas las variables independientes que puedan influir en la experiencia Selección de un modelo apropiado.

Escalamiento y la Optimización final. . que nos lleve por el camino seguro y rápido para encontrar los valores óptimos de un proceso bajo estudio. Este proceso de optimización se compone de tres etapas que son las siguientes: Screening.ETAPAS DE OPTIMIZACION La optimización de un proceso por medio de diseños experimentales requiere del uso de una metodología o estrategia adecuada.

Eliminando de esta manera aquellas variables que resulten poco significativas.SCREENING El principal objetivo de esta etapa es identificar aquellas variables que son significativas para el proceso. identificar aquellas variables. Es decir. . afectan sensiblemente las respuestas de un proceso. que al hacerlas variar de un nivel bajo a un nivel alto.

Esto es conveniente para la economía de una investigación. diseños experimentales de primer orden. Para el estudio de esta etapa se utiliza. b)Diseño factorial fraccionado c)Diseño Plackett y Burman. . generalmente.En la primera etapa de optimización el numero de variables iniciales (supongamos n variables iniciales). como son: a)Diseño factorial. queda reducido a pocas variables significativas.

GRÁFICA DE LAS ETAPAS DE LA OPTIMIZACIÓN X2 Etapa de Optimización final Etapa de Escalamiento Etapa de Screening X1 .

que consiste en escalar sucesivamente hacia la región optima hasta llegar a ubicarla.ESCALAMIENTO  Cuando la región óptima se encuentra lejos de los experimentos iniciales (Screening). se inicia una segunda etapa de optimización denominada de Escalamiento. . Para este proceso se utiliza los diseños secuenciales siguiente: a) directos: Búsqueda simple. Búsqueda múltiple.

para pasar directamente a la etapa de optimización final. . y se conoce aproximadamente la región donde se encuentra el óptimo (en base a la experiencia del investigador). la etapa de escalamiento se puede obviar. acerca de un proceso. Cuando se dispone de suficiente información.b)indirectos: Método de pendientes ascendentes o descendentes.

lo que indica.OPTIMIZACION FINAL Una vez ubicada la región experimental que encierra el optimo . en ésta región los efectos de segundo orden son mayores en valor absoluto a los efectos de primer orden. mediante modelo matemáticos de segundo orden de la forma: ᴧ k k Y = b o+ ∑bJXJ + ∑buj XuXj j=1 u=j= 1 k + ∑bjjXjj2 j=1 u≠j . que esta región puede ser descrito apropiadamente.

b)Optimización con restricciones. para lo cual hay dos alternativas: a)Optimización sin restricciones. a hallar los valores óptimos de las variables Xj que maximicen o minimicen el modelo matemático estimado. se procede a optimizar dicho modelo.Una vez definido el modelo matemático que representa satisfactoriamente la región optima. . Es decir.

generalmente la lista de factores o variables que puedan influir en el proceso son muchas. es el Plackett y Burman. también ampliamente utilizado .ETAPA I : SCREENING Cuando todavía no se tiene un buen conocimiento del comportamiento del proceso. En esta etapa el OBJETIVO ES IDENTIFICAR LAS VARIABLES QUE AUMENTAN LA EFICIENCIA DEL PROCESO. Los diseños de primer orden son los más recomendados. Otro tipo de diseño. especialmente los diseños factorial 2 k y factorial fraccionado. . Siendo el diseño factorial el más utilizado .

. Entendiéndose por niveles a los diferentes valores que puede tomar los factores o variables .INTRODUCCION AL DISEÑO FACTORIAL 2K Por diseño factorial se entiende a aquel donde se investigan todas las posibles combinaciones de los niveles de los factores en cada ensayo completo o réplica.

Por lo tanto. o más apropiadamente diseño factorial 2k. N: Número de experimentos. el diseño se denomina Diseño Factorial a dos niveles. .Si se considera dos niveles. el número total de experimentos a llevarse a cabo viene definido por la relación: N = 2k Donde: k: Número de variables.

o el criterio de optimización. EJEMPLO: En una prueba experimental de flotación de sulfuros de zinc se evalúa el efecto de dos variables controlables. regulable mediante la adición de óxido de calcio. la recuperación metálica del cinc. Siendo la variable respuesta. Los niveles de las variables a investigar se muestran en la siguiente tabla: . la dosificación de reactivo de flotación denominado Z11 y la de pH de la muestra.

1 10 0. El número de experimentos a llevarse a cabo es: N = 2k = 22 = 4 Variables Z1: Z11 Z2: pH Nivel bajo (-) Nivel alto (+) 0.2 12 .

1) Z11 +1 (0.En el sistema de coordenadas dimensionales o codificado X2 Yx2 (12) +1 3 4 Yx1x2 Niveles para un diseño factorial para K=2 pH (10) -1 Y1 1 2 Yx1 -1 (0.2) X1 .

2 0. Niveles para un diseño K = 2 N Natural Z1 1 2 3 4 0.2 Z2 10 10 12 12 Codificado Respuesta X1 -1 +1 -1 +1 X2 -1 -1 +1 +1 Y Y1 Yx1 Yx2 Yx1x2 .1 0.1 0.

Diseño para tres y cuatro variables: Para K = 3 y K = 4 El número de pruebas experimentales (N) a dos niveles y tres factores es: N = 2k = 23 = 8  El número de pruebas experimentales (N) a dos niveles y cuatro factores es: N = 2k = 24 = 16  .

DISEÑO FACTORIAL PARA K = 3 Y MATRIZ DE DISEÑO PARA K = 3 N Yx2 3 YX2X3 7 Y1 1 2 6 YX1X3 x1 x3 4 YX1X2 x1 x2 x3 -1 +1 -1 +1 -1 +1 -1 +1 -1 -1 +1 +1 -1 -1 +1 +1 Respuesta Yx1x2x3 8 YX1 x2 Yx3 5 1 2 3 4 5 6 7 8 -1 Y1 -1 YX1 -1 YX2 -1 YX1X2 +1 YX3 +1 YX1X3 +1 YX2X3 +1 YX1X2X3 .

∑Xu.PROPIEDADES DE LA TABLA DE INDICADORES DE NIVEL  Propiedad de ortogonalidad: El producto escalar de todas las columnas (vectores) es igual a cero.i = 0 u.1.i * Xj.j = 0.…k X2 X3 X2*X3 -1 -1 +1 -1 -1 +1 +1 -1 -1 +1 -1 -1 -1 +1 -1 -1 +1 -1 +1 +1 +1 +1 +1 +1 ∑X2*X3 = 0 .

PROPIEDADES DE LA TABLA DE INDICADORES DE NIVEL  La sumatoria de todas las columnas es igual a cero. N ∑ X j.i = 0 j = 1.…k i=1 X2 X3 -1 -1 -1 -1 +1 -1 +1 -1 -1 +1 -1 +1 +1 +1 +1 +1 ∑X2=∑X3 = 0 .2.

1.…k i=1 X2 X3 -1 -1 -1 -1 +1 -1 +1 -1 -1 +1 -1 +1 +1 +1 +1 +1 ∑X2=∑X3 = 8 .2.PROPIEDADES DE LA TABLA DE INDICADORES DE NIVEL  La suma de los cuadrados de todas las columnas es igual al número de experimentos (N) del diseño. N ∑ X ji 2 = N j = 0.

Si el objetivo es una alta precisión y el costo de llevar a cabo las pruebas experimentales es bajo.DISEÑO FACTORIAL 2K CON REPLICA EN TODOS LOS PUNTOS DE DISEÑO Cuando se busca una alta precisión y bajo costo por prueba experimental. . es decir repetir cada prueba experimental varias veces. se recomienda replicar las veces necesarias todos los puntos de diseño.

sobre la velocidad de reacción de un proceso químico.EJEMPLO  En una investigación sobre el estudio del efecto de dos variables (K=2). la concentración de un reactivo (Z1) y la presencia de un catalizador (Z2). . Los niveles de las variables se muestran en el siguiente cuadro.

(%) Z2 : Catalizador (sacos) 15 1 20 2 .VARIABLES NIVEL (-) NIVEL (+) Z1 : Reactivo cc.

MATRIZ DE DISEÑO PARA K = 2 2k = 22 = 4 experimentos con tres réplicas N 1 2 3 4 Variables Z1 Z2 15 1 20 1 15 2 20 2 Réplicas II 25 32 19 30 Total I 28 36 18 31 III 27 32 23 29 80 100 60 90 .

MATRIZ DE VARIABLES INDEPENDIENTES PARA K = 2 N 1 2 3 4 X0 +1 +1 +1 +1 X1 -1 +1 -1 +1 X2 -1 -1 +1 +1 X1X2 +1 -1 -1 +1 Total 80 100 60 90 .

N r : Número de pruebas experimentales : Número de réplicas en el diseño.: sumatoria de las respuestas correspondientes al nivel inferior de la variable en cuestión. .ΣY-)/(N/2*r) Donde: ΣY+ : sumatoria de las respuestas correspondientes al nivel superior de la variable en cuestión ΣY.CÁLCULO DE EFECTOS E Xi = ( ΣY+ .

00 X1X2 = (90+80-100-60)/(4/2*3) = 1.Aplicamos la fórmula correspondiente. procedemos a calcular los efectos para las dos variables y la interacción X1 = (90+100-60-80)/(4/2*3) = 8.67 El significado físico del cálculo de los efectos es ver cómo varía la respuesta al variar una variable o factor de su nivel inferior al superior.33 X2 = (90+60-100-80)/(4/2*3) = -5. .

.El efecto de la interacción es pequeño.El hecho de aumentar la concentración del reactivo del 15 al 20%. . por lo cual no tiene importancia. incrementa la velocidad de reacción 8.ALGUNAS OBSERVACIONES .33. disminuye el rendimiento del proceso.El hecho de aumentar la cantidad de catalizado de 1 a 2 sacos. .

2. .MATRICIALMENTE SE PUEDEN CALCULAR LOS EFECTOS N  Ej= ΣX ijYi/(N/2)(r) j = 1.…N i=1 X ij : es la matriz de variables independientes.

También podemos usar:  E Xi = [XT] [Y]/(N/2)(r) .

. probablemente sea la herramienta mas útil en la inferencia estadística.ANÁLISIS DE VARIANCIA El procedimiento apropiado para probar la significancia de los efectos es mediante el análisis de varianza.

. La siguiente ecuación muestra la variabilidad total en sus partes componentes: SS Total = SS Efectos + SS Error Donde: SS Total : Suma total de cuadrados corregida SS Efectos : Suma de cuadrados debida a los efectos o tratamientos SS Error : Suma de cuadrados debida al error.

) simples elevadas al final al cuadrado y divididas entre el producto del número total de experimentos por el número de replicas efectuadas. El análisis de variancia de un diseño factorial donde se realizan varias réplicas en los puntos de diseño.. la SUMA TOTAL DE CUADRADOS viene definido por: SS Total que es igual a la suma de todas las respuestas. menos la suma de todas las respuestas (Y. . cada uno de ellas elevadas al cuadrado.

Expresado en fórmula:    2 2 r SST = Σ Σ ΣY2ijk –(ΣY i+…)2/N r i=1 j=1 k=1 .

+30+29)2/(4*3) SST = 9398 – 9075 = 323  .+(30)2+(29)2 – (28+25+27+…. SST = (28)2+(25)2+ (27)2+….

LA SUMA DE CUADRADOS DE LOS EFECTOS viene definido por la siguiente relación:

N SS Efecto = ( Σ X ij Y i ) 2 /N r i=1

SSX1 = (90+100-60-80)2/(4*3) = 208.33 SSX2 = (90+60-100-80)2/(4*3) = 75.00 SSX1X2 = (90+80-100-60)2/(4*3) = 8.33 Por lo tanto la suma de cuadrados de los efectos e interacciones está dado por la suma : SS efectos = 208.33 +75.00 + 8.33 = 291.66

Según Ec. Referida anteriormente, se tiene que,

SS Error = SS Total - SS Efectos SS Error = 323.00-291.66 = 31.34
Con el cálculo de los efectos, se pude aproximadamente saber a priori qué variables o factores pueden ser significativos. Pero la manera precisa y estadísticamente de medir se hace mediante el Teorema de Cochran, el cual puede resumirse en la siguiente ecuación. F0 = (SS efectos/f1)/(SS error/f2) =MS efectos/MS error

F o = SS Efectos* f 2 / (SS Error * f 1 )
Donde:

f1 = Grados de libertad de los efectos e f2 = Grados de libertad de la suma de

interacciones, generalmente iguales a 1 en los diseños factoriales a dos niveles. cuadrados del error; lo cual está calculados como la diferencia de los grados de libertad de la suma total de cuadrados menos la suma de cuadrados los efectos o tratamientos (f3 - ∑f1).

 f 3 = Grados de libertad de la suma total de cuadrados. definido como el número de pruebas experimentales realizadas (incluyendo las réplicas) menos 1 definido por la relación (N . r .1) .

 Ahora bien. un efecto o interacción es significativa si se cumple la siguiente relación: F o > F α. como podemos observar X1 y X2 SON SIGNIFICATIVOS.01 o 0.f 2 es lo que se denomina F de tablas .3. f 1 . mientras que la interacción X1X2 NO ES SIGNIFICATIVA. .f 2 Donde F α. f1=1 y f2=8 es11.05) El valor de F para α = 0. siendo α el nivel de confiabilidad o significancia (generalmente igual a 0.01. f 1 .

33 3.33 75.34 323.15 19.13 2.00 1 1 1 8 11 208.33 31.00 8.00 8.3 .3) Media de Cuadrados MS Fo F α= 0.92 53.01 f (1.2) X1 X2 X1X2 Error Total 208.2.33 75.13 11.TABLA DE ANÁLISIS DE VARIANCIA Fuente de variación Suma de cuadrados SS Grados de libertad f (1.

Modelo matemático  El siguiente paso es obtener un modelo matemático. que represente al proceso investigado. Únicamente podemos estimar modelos matemáticos lineales de la siguiente forma: ^ k k Y = b o + Σ b jX j + Σ b ujX uX j j=1 u=j=1 Donde u ≠ j . con el diseño factorial a dos niveles.

los elementos de la diagonal de la matriz inversa ((X)T(X))-1 son: . Así. buj  Se hace uso de la fórmula matricial utilizada para la estimación de los coeficientes del modelo (B) = ((X) T* (X))-1*((X) T *(Y)) La propiedad de ortogonalidad de la tabla de indicadores de nivel reduce la dificultad en la estimación de los coeficientes del modelo matemático anterior porque el producto (X)T(X) es igual a una matiz cuyos elementos de la diagonal es igual al número de experimentos (N).Cálculo bj.

. 0 1/N 0 SXoiYi SX1iYi = . │bk 1/N . │. SXkiYi . .Cjj= 1/N │bo │b1 B=│b1 = ((XT)(X))-1(X)(Y) │. . . .

Luego. los coeficientes quedan definidos como el producto escalar de la columna Y por la respectiva columna Xi. dividida entre el número de experimentos (N) del diseño: N bj = (1/N) Σ X ij Y i i=1 .

Si comparamos : N La ec Ej = Σ XijYi/(N/2)/r j=1. y la siguiente ecuación: N bj = (1/N)Σ Xij Yi. entonces resulta i=1 bj = Ej/2 . 2. …. N i=1 donde: Xij: Es la matriz de variables independientes.

es : Y = 27. procedemos a calcular los coeficientes de modelo lineal bo = (90+100+60+80)/(4*3) = 27. el modelo matemático en escala codificada sin considerar la interacción X1X2 que resultó no significativa.00/2 = -2. Con esta información.67/2 = 0.835 Por lo tanto.33/2 = 4.5 + 4.5 b1 = 8.5 b12 = 1.165X1 – 2.5.165 b2 = .5X2 .

VALIDACIÓN DEL MODELO MATEMÁTICO  El objetivo de todo modelo matemático es predecir satisfactoriamente el fenómeno estudiado. Lo que puede ser calculado matricialmente: Y = [X][B] . que remplazando valores X1 y X2 en el rango investigado (-1 a +1). Es decir. prediga valores similares a los datos observados.

833 -0.18 .165 -2.167 -0.833 0.833 -2.83 36 32 32 34.) 2.167 28 25 27 25.[X] +1 -1 -1 +1 +1 -1 +1 -1 +1 +1 +1 +1 [B] 27. Residuales (Y – Yest.50 [Y est.83 29.167 -2.] 25.5 4.17 20.16 -2.167 1.83 31 30 29 29.17 Y Yest.833 -1.833 1.83 34.17 18 19 23 20.167 1.833 -2.

el cual denotaremos como f4 . La diferencia (N r-I) se denomina grados de libertad del residual del modelo.con estos elementos podemos calcular LA SUMA DE CUADRADOS DE RESIDUAL DEL MODELO. mediante la siguiente ecuación: Nr SCMr = S((Y-Y)2/(N r-I)) i1 donde : Y = Y est. Y = Y observado N r = Número total de experimentos I = Número de parámetros del modelo matemático.

167)2+(-0. Fo = SCMr/MSError Fo < F (α.f4.40 Ahora aplicamos el test F si el modelo hallado representa adecuadamente a los datos experimentales.167)2)/(4*3-3) = 4.Aplicando la ecuación del SCMr SCMRr = ((2.+(1.f2) .833)2+….

92 = 1.05).4/3. . generalmente del 95% (0.12 Para un nivel de confianza del 95% (0. vemos que MSError = 3. F de la tabla es 3.05) de la tabla.Donde: α = es el nivel de confianza. por lo tanto Fo será: Fo = 4. el modelo matemático representa adecuadamente el fenómeno investigado.39. Por lo tanto. para 9 y 8 grados de libertad.92.

f4.40 3.2) 3.92 Fo F α= 0.6 31.12 .34 9 8 4.2) MS Residuales Error 39.39 1.TABLA DE ANÁLISIS DE VARIANZA (Fo < F (α.05 f (4.f2) ) Fuente de Suma de Grados de Media de variación cuadrados libertad Cuadrados SS f (4.

DECODIFICACION DEL MODELO MATEMATICO
Para el término independiente: k k

a o = bo – ∑b jεj + ∑b i jε i j
j=1 ij=1 Para el termino lineal: k=1 aj Z j = (b j / ∆ Z j) – ∑ (b i j / ∆z j) j , i=1 Para el termino interacción:

i≠j

i≠j

a ji Z j Z i = b ji/ (∆ Z j ∆z i)

Donde Z º j : Centro del diseño para la variable j = (Z Max + Z min )/ 2
∆z
j

ε

: Radio del diseño para la variable j = (Z Max – Z min)/ 2 : Resultado de la división de Z º j / ∆Z j

Z1
Nivel inferior (-) Nivel superior (+) Centro diseño (Z º) Radio diseño (AZ) Relación ε 15 20 17.5 2.50 7

Z2
1 2 1.5 0.5 3

el modelo matemático a escala codificado es Y = 27.5 + 4.165 X1 – 2.5X2 Reemplazando los datos a las fórmulas anteriores, tenemos:

5) = -5 Luego.5)*3 = 5. el modelo matemático a escala natural es: Y = 5.165/2.5)= 1.5 -4.165*7-(-2.666Z1 -5Z2 TRABAJO DE CASA: REPRESENTACIÓN GRÁFICA DEL MODELO MATEMÁTICO LINEAL OBTENIDO E INTERPRETAR: SI LA PENDIENTE ES POSITIVA O NEGATIVA Y HACIA DONDE SE ENCUENTRAN LOS MEJORES RESULTADOS Para el VIERNES 30 DE NOVIEMBRE .666 a2 = (-2.846 a1 = (4.846 + 1.5/0.a º = 27.

Los resultados se muestran a continuación.PROBLEMA Un ingeniero está interesado en el efecto que tienen la rapidez de corte X1. la configuración X2 y el ángulo de corte X3 sobre la duración de una herramienta. Analice los datos de este experimento . Se eligen dos niveles de cada factor y se realiza un diseño 23 con tres réplicas.

N 1 2 3 4 5 6 7 8 X1 -1 +1 -1 +1 -1 +1 -1 +1 X2 -1 -1 +1 +1 -1 -1 +1 +1 X3 -1 -1 -1 -1 +1 +1 +1 +1 Y (I) 22 32 35 55 44 40 60 39 Y (II) 31 43 34 47 45 37 50 41 Y (III) 25 29 50 46 38 36 54 47 .

X2 y X3 recomendaría el lector? e) Represente gráficamente el modelo con interacción . d) ¿ Cuáles de los niveles X1. c) Analice el modelo matemático obtenido.a) Estime los efectos de los factores. ¿ Cuáles de esos efectos resultan ser mayores? b) Utilice el análisis de variancia a fin de confirmar sus conclusiones para el caso a.

N 1 2 3 4 5 6 7 8 XO +1 +1 +1 +1 +1 +1 +1 +1 X1 -1 +1 -1 +1 -1 +1 -1 +1 X2 -1 -1 +1 +1 -1 -1 +1 +1 X3 -1 -1 -1 -1 +1 +1 +1 +1 X1X2 +1 -1 -1 +1 +1 -1 -1 +1 X1X3 +1 -1 +1 -1 -1 +1 -1 +1 X2X3 +1 +1 -1 -1 -1 -1 +1 +1 X1X2X3 Y -1 +1 +1 -1 +1 -1 -1 +1 78 104 119 148 127 113 164 127 .

33 11.17 .33 6.83 -2.(X)T (Y) 980 4 136 82 -20 -106 -34 -26 EFECTOS ----.83 -2.67 -8.83 -1.0.

667 SCX2 = (136)2 / 24 = 770.8 .7 SCX3 = (82)2 / 24 = 280.67 SCX1X3 = (-106)2 / 24 = 468.17 SSEFECTOS = 1612.17 SCX1X2X3 = (-26)2 / 24 = 28.2 SCX2X3 = (-34)2 /24 = 48.2 SCX1X2 = (-20)2 /24 = 16.ANALISIS DE VARIANCIA             La suma total de cuadrados es: SCT = (22) 2 + (3) 2 +……+ (47) 2 – (22+31+25+…+47)2 /(8)(3) SCT = 42112 -40017 = 2095 La suma de cuadrados de los efectos e interacciones es: SCX1 = (4) 2 / 24 = 0.

8 = 483.67 468.18 28.7 280.7 280.67 468.17 30.20 1.2 16.02 25.667 770.SSERROR = 2096 – 1612.6 0.2 16.17 483.93 .2 2096 1 1 16 23 48.2 1 1 1 1 1 0.18 28.2 FUENTE DE VARIACIÓN SUMA DE CUADRADOS GRADOS DE LIBERTAD MEDIA DE CUADRADOS FO X1 X2 X3 X1X2 X1X3 0.55 15.2 0.667 770.28 0.5 X2X3 X1X2X3 ERROR TOTAL 48.52 9.

1. 16) = 8.01.83 + 0.417X3 – 4.167X1 + 5.53  CONCLUYENDO: EL MODELO MATEMÁTICO:  Y est. = 40.667X2 + 3.El valor de F es tabulado para un nivel de significancia del 99% y para f1 = 1 y f2 = 16. tenemos: f (0.417X1X3  .

se asume que la relación entre las variables y la respuesta es representada por un modelo matemático lineal. DISEÑO FACTORIAL 2K CON REPLICA EN EL PUNTO CENTRAL DEL DISEÑO ANALISIS DE VARIANCIA Como sabemos. inclusive el punto central del diseño. el modelo debe predecir adecuadamente todos los puntos del diseño. De ser cierta dicha linealidad. en el diseño factorial a dos niveles. .

. De no ser cierta esta hipótesis. es innecesaria la linealidad perfecta y el sistema 2k funcionará bastante bien incluso cuando la suposición de linealidad se cumpla sólo de manera aproximada.Por supuesto. Para ello la adición de pruebas en el punto centra del diseño nos sirve para dar una estimación promediada del efecto curvatura. es decir que no prediga adecuadamente. podemos afirmar que el modelo matemático lineal no es suficiente para explicar las respuestas en dicha región experimental y podemos asumir una posible existencia de curvatura. especialmente el punto central del diseño.

siendo r = 1. excepto para el cálculo de la suma de cuadrado del error SSError. el cual ésta definido por: .El cálculo de los efectos e interacciones es el mismo que en el aplicado en el caso de diseño factorial 2k con réplica en todos lo puntos del diseño.

no --SS Error = Σ (Y º i – Y º) i=1 Donde : SS Error :es la suma de cuadrados del error. Y º i : replicas en el punto central del diseño -Y º :promedio de todas las réplicas no :número de réplicas en el centro del diseño .

La suma de cuadrados para la curvatura está dada por: _ _ SS curvatura = N no (Y – Y o)/(N +no) Donde : _ Y = es el promedio de los puntos exteriores del diseño. . _ YO = promedio de todas las réplicas en el punto central del diseño.

EJEMPLO  Una ingeniera química se encuentra estudiando el rendimiento de un proceso. Existen dos variables de interés. ella decide realizar un diseño 2 2 ( con una sola réplica en cada corrida) aumentada con 5 puntos centrales . tiempo y temperatura de reacción. Debido a que tiene duda de la suposición de la linealidad en la región que explora.

2 40.Diseño factorial con réplica en el centro del diseño 40.5 40.9 1 40 150 -1 -1 30 0 35 Tiempo de reacción .3 40.5 40.3 T 155 0 40.7 40.6 39.0 160 1 41.

3 40.65 -0.1 -0.MATRIZ DE VARIABLES INDEPENDIENTES N XO X1 X2 X1X2 Y 1 2 3 4 [x]T[Y] EFECTOS +1 +1 +1 +1 -1 +1 -1 +1 -1 -1 +1 +1 +1 -1 -1 +1 39.0 41.55 1.9 40.7 ----- 3.3 0.5 161.1 1.05 .

87 9.0025 0.0430 55.0022 1 1 1 1 4 8 2.0027 0.4025 0.4225 0.0025 0.4225 0.83 0.06 0.0027 0.1720 3.06 .ANÁLISIS DE VARIANCIA FUENTE DE VARIACIÓN SUMA DE GRADOS DE CUADRADOS LIBERTAD MEDIA DE CUADRADOS FO X1 X2 X1X2 CURVATURA ERROR TOTAL 2.4025 0.

225X2 .425 + 0. = 40.Modelo matemático  Y est.775X1 + 0.

ANÁLISIS DE RESIDUALES Y 39.0 41.025 .025 0.025 -0.975 41.9 40.325 40.) -0.5 Y est.525 (Y –Y est. 39.875 39.025 0.3 40.

025 + 0.MODELO MATEMÁTICO DECODIFICADO  Yest. = 28.155Z1 + 0.045Z2 .

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->