Documentos de Académico
Documentos de Profesional
Documentos de Cultura
MATRICES FACTORIALES
si cada variable puede tener un valor mayor o uno menor: diseño factorial de dos niveles
k ⇒ efectos principales
(2k - k - 1) ⇒ interacciones
Quimiometría
si k = 2 matriz 22 ⇒ 4 experimentos
7(7-1)
q = 1 interacciones de primer orden: C2 = = 21
7 2
q = 2 interacciones de segundo orden
....
si k = 3 matriz 23 ⇒ 8 experimentos
matriz experimental
Variable Nombre - +
A pH 4 6
B Intensidad (W/m2) 1000 2000
C Fuerza iónica (M) 0,25 0,75
D [catalizador] (µM) 0,1 1,0
Quimiometría
variables codificadas
Evaluación de los datos
Quimiometría
Constant 50.250
A 2.750 1.375
B 19.500 9.750
C 1.500 0.750
D -14.500 -7.250
A*B 2.250 1.125
A*C -0.250 -0.125
A*D -2.750 -1.375
B*C 1.500 0.750
B*D 5.500 2.750
C*D 3.000 1.500
A*B*C 1.250 0.625
A*B*D -1.250 -0.625
A*C*D 0.750 0.375
B*C*D -3.000 -1.500
A*B*C*D -0.750 -0.375
Quimiometría
s
c
o
r A pH
e B Intensidad (W/m2)
C Fuerza iónica (M)
D [catalizador] (µM)
efecto
Quimiometría
AB
BC
C
ABC
ABD
ABCD
ACD
AC
0 5 10 15 20
Effect
Lenth's PSE = 2.25
Quimiometría
Efectos principales
Interacciones
-1 1 -1 1
60 A
-1
A 45 1
30
60 B
-1
45 B
1
30
60 C
-1
C 45 1
30
60 D
-1
45 D 1
30
-1 1 -1 1
Quimiometría
Ventajas:
¿cuál factor tiene mayor influencia en el rendimiento?
Dificultades:
el diseño no tiene réplicas
no se ha estimado el error experimental: por lo cual no se puede dar una
respuesta definitiva sobre si los factores son o no significativos.
A B C I II
- - - 550 604
+ - - 669 650
- + - 633 601
+ + - 642 635
- - + 1037 1052
+ - + 749 868
- + + 1075 1063
+ + + 729 860
Diseño factorial con réplicas
16 experimentos
en orden estándar
Orden A B C velocidad
¡¡hacer en order aletatorio!! 1 -1 -1 -1 550
2 1 -1 -1 669
3 -1 1 -1 633
4 1 1 -1 642
5 -1 -1 1 1037
6 1 -1 1 749
7 -1 1 1 1075
8 1 1 1 729
9 -1 -1 -1 604
10 1 -1 -1 650
11 -1 1 -1 601
12 1 1 -1 635
13 -1 -1 1 1052
14 1 -1 1 868
15 -1 1 1 1063
16 1 1 1 860
Análisis del diseño factorial con réplicas
empleando MINITAB
el error estándar de todos los coeficientes del modelo es igual porque el diseño es ortogonal
Análisis del diseño factorial con réplicas
A
Term
AB
ABC
BC
0 2 4 6 8 10 12 14
Standardized Effect
Análisis del diseño factorial con réplicas
90 C F actor N ame
A A
80 B B
C C
70
Percent
60
50
40
30
A
20
10 AC
5
1
-5 0 5 10 15
Standardized Effect
Análisis del diseño factorial con réplicas
1069,0 794,5
617,0 638,5
1
B 1044,5 808,5
1
C
577,0 659,5
-1 -1
-1 1
A
Análisis del diseño factorial con réplicas
A
1000
-1
1
A 800
600
B
1000
-1
1
B 800
600
C
Análisis del diseño factorial con réplicas
gráficos de superficie de respuesta: se sabe que conviene trabajar a una velocidad de 900 Å/m, por
lo cual se pueden sugerir las mejores condiciones analizando las curvas de nivel
Análisis del diseño factorial con réplicas
S = 47,4612
desviación estándar
R-Sq = 96,61%
el modelo explica un 96,61 % de la variabilidad observada (problema: R2 aumenta al aumentar el
número de factores, aunque no sean significativos)
R-Sq(adj) = 93,64%
R2 (ajustado para el tamaño del modelo): suele disminuir si se agregan factores no significativos
se puede volver a calcular con el modelo reducido
Análisis del diseño factorial con réplicas
al menos un efecto principal y una interacción entre dos factores son estadísticamente significativos
Source F P
Main Effects 61,62 0,000
2-Way Interactions 14,34 0,001
3-Way Interactions 0,06 0,819
Residual Error
Pure Error
Total