Documentos de Académico
Documentos de Profesional
Documentos de Cultura
12.1. Se pueden mezclar tres combustibles de motor diferentes para formar una gasolina.
El rendimiento de millas por galón (MPG) de esta gasolina es la variable de respuesta. Se
utilizó un diseño de red simplex aumentada para estudiar las propiedades de mezcla de
estos tres combustibles, y los resultados se muestran en la Tabla 1:
Componente Proporción
Design point X1 X2 X3 MPG y
1 1 0 0 24,5-25,1
2 0 1 0 24,8-23,9
3 0 0 1 22,7-23,6
4 0,5 0,5 0 25,1
5 0,5 0 0,5 24,3
6 0 0,5 0,5 23,5
7 0,33333333 0,33333333 0,33333333 24,8-24,1
8 0,66666667 0,16666667 0,16666667 24,2
9 0,16666667 0,66666667 0,16666667 23,9
10 0,16666667 0,16666667 0,66666667 23,7
b) Ajuste un modelo de mezcla cuadrática a estos datos. ¿Es este modelo una
mejora sobre el modelo lineal?
Para definir el modelo se tienen en cuenta las pruebas realizadas en los dos puntos
anteriores en donde se determina que el modelo lineal es el mas adecuado para la
interpretación de los datos dado que este tiene una mayor significancia que el modelo
cuadrático pese a que este último tiene un R2 mayor que explicaría un mayor porcentaje
de variabilidad de los datos su nivel de significancia no permite que su modelación se la
más adecuada.
Desirabilit
Number X1 X2 X3 R1 (MPG)
y
1 1,000 0,000 0,000 24,841 0,892
2 0,500 0,500 0,000 24,624 0,802
El programa genera las dos posibles soluciones en don la primera es la que tendría un mayor
rendimiento de combustible por milla al maximizar la variable de respuesta puesto que se indicaría
que el combustible X1 en su estado puro daría el mejor rendimiento, pero a su vez que una mezcla
de x1 y x2 también podría emplearse con un poco menos de rendimiento.
a) Ajuste los modelos de mezcla lineal y cuadrática a estos datos. Pruebe ambos
modelos por lack of fit. ¿Alguno de los modelos parece adecuado, basado en esta
prueba?
Tabla 7. ANOVA:
12.5. Uno de los autores era socio de un viñedo y una bodega en Newberg Oregon. Los
socios que operan este negocio están desarrollando un nuevo vino tinto que es una
mezcla de tres variedades diferentes de uvas: Pinot noir-pommadr, pinot noir-wadenswil y
gamay noir. Se utilizó un diseño de mezcla de tres componentes para estudiar las
mezclas de estos tres ingredientes. El diseño que se muestra en la tabla E12.4 donde X1
= proporción de pinot noir-pommard, x2 = proporción de pinot noir-wadenswil y X3 =
proporción de gamay noir en el producto. Cada una de las 10 mezclas fue probada por un
panel de expertos y clasificada en base a los resultados de la prueba de sabor, siendo el
rango 1 el mejor, el rango 2 el siguiente mejor y así sucesivamente.
a) Ajuste los modelos de mezcla lineal y cuadrático a los promedios de los datos de
rango. Pruebe ambos modelos por falta de ajuste. ¿Alguno de los modelos parece
adecuado?
Ninguno de los dos modelos es adecuado, puesto que por el lado des test de significancia
los valores dados para el p-valor de los modelos es 0.0342 y 0.0001 respectivamente
siendo estos menores a 0.05. por otra parte, para la prueba de Lack of Fit nos indica que
para ambos casos existe una variabilidad de los datos significativa sien el p-valor (0.0001)
mayor a 0.05 y por ultimo de parte de los coeficientes de determinación para el modelo
lineal es bajo el porcentaje de variabilidad que estos logran interpretar siendo de 16.68% y
12.17% y aun que para el modelo cuadrático este coeficiente es mayor no logra pasar las
pruebas por lo que no son modelos fiables en ambos casos.
b) Seleccione un modelo de mezcla apropiado para la respuesta de rango promedio.
Construya gráficas residuales apropiadas para verificar la adecuación del modelo.
Por medio de la prueba de significancia se logra ver que los todos los modelos
comparados a excepción del cubico serian validos para modelar los datos puesto que el p
valor de los modelos lineal, cuadrático y cubico especial con menores a 0.05 y ya que el
valor del modelo cubico es mayor se descartaría de las opciones, pero por otro lado para
discernir de entre los otros tres modelos los valores de los coeficientes de significancia se
encuentran modelando de mejor manera la variabilidad de los datos en el modelo cubico
especial, pero aun así habría que determinar por medio del test de Lack of Fit dispuesto
en la tabla 12.
De la anterior tabla se observa que al darse la comparación de las pruebas para el caso
del modelo especial cubico con un valor de 0.0098 Por ende pose el valor mas alto para
este test de Lack of Fit.
Del modelo especial cúbico se obtiene que los parámetros consecuentes AB (X1X2) y AC
(X1X3) tienen un p-valor de 0,7589 y 0,1566, respectivamente, como se observa en la
Tabla 13 de ANOVA, por ende, los parámetros son no significativos, por lo que se quitan
del modelo, siendo que el modelo modificado tiene tiene un R 2 0.8534 y R2 ajustado de
0.8268.
Tabla 13. Resumen del ANOVA para el modelo cúbico especial.
Como se observa en los gráficos el comportamiento de los tres tipos de variables cuando
se mezclan los componentes es positivo indicando una gran aceptación del producto en
cuento al sabor, generando un máximo como indicativo de este, a continuación de
muestra los datos de los factores de la optimización para obtener un valor máximo de
calificación de entre las posibles soluciones.
Tabla 14. Resumen de soluciones posibles.
Soluciones
56 soluciones
De la tabla 14 se observan distintas posibles soluciones, pero una de las más acertadas
es la combinación propuesta en la casilla 11 en donde
0.307 X 1 +0.264 X 2 +0.429 X 3=Taste .test . Siendo así que se generaría el máximo
dispuesto para la calificación del producto.
De la tabla de comparación (tabla 15), se logra ver que para la prueba de significancia el
p-valor del modelo lineal (<0.0001) es mucho menor a 0.05 con lo que el modelo se ajusta
debidamente a los datos que en comparación de los modelos cuadráticos y especial
cubico que el p-valor de estos es mayor a 0.05 fallando para los para metros de la prueba
de significancia.
Tabla 18. Estadísticos del ajuste del anova para el modelo cuadrático
Soucre Sum of df Mean F-value P-value
squares square
Model 170.43 7 24.35 28.54 <0.0001 Significant
Linear 156.88 3 52.29 61.30 <0.0001
mixture
AB 0.0248 1 0.0248 0.0290 0.8695
BC 0.0246 1 0.0288 0.0288 0.8700
BD 11.48 1 11.48 13.46 0.0080
CD 2.49 1 2.49 2.92 0.1314
Residual 19.52 7 0.8530
Cor Total 176.40 14
Soluciones
De la tabla 17 se observa que hay 35 combinaciones posibles con las que se podría llegar
al parámetro deseado, siendo así se esperaría que la decisión de recomendar una mezcla
en específico dependería del precio de cada edulcorante, por lo que la mezcla planteada
para la casilla 4 seria la mas adecuada teniendo una menor proporción de B (X1) y una
mayor de D(X4) además de involucrar solo dos de los cuatro ingredientes siendo de un
menor costo.