Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Los cuales son presentados como polígonos regulares inscritos en una circunferencia cuyo
centro es el origen del sistema de coordenadas, de radio unitario o de radio (2) 1/2.
Diseño Pentagonal
Este modelo se utiliza para estimar modelos matemáticos de segundo orden, consiste en cinco
puntos de un pentágono más los puntos necesarios replicados en el centro del diseño para
estimar la variancia del error experimental.
La matriz del diseño puede deducirse de la figura, tal como se observa en la tabla.
Diseño Hexagonal
Es el diseño más popular utilizado por los investigadores, muy útil para estimar modelos de
segundo orden, el cual consiste en seis puntos experimentales correspondientes a un hexágono
regular, más los puntos necesarios replicados en el centro para estimar la variancia del error
experimental. Este diseño se muestra gráficamente en la figura.
La matriz del diseño hexagonal puede deducirse de la figura, cuyos resultados se muestran en
la tabla.
Diseño Octogonal
Este diseño es el más confiable, debido a que utiliza un mayor número de observaciones
(número de pruebas experimentales). Este diseño consiste en ocho vértices correspondientes a
un octágono regular, más los puntos centrales necesarios para estimar la variancia de error
experimental. El diseño esquemáticamente se muestra en la figura.
La matriz del diseño octogonal puede deducirse de la figura anterior, el cual se muestra en
la tabla
En esta etapa, de optimización final, vamos a describir la región experimental donde se ubican
las condiciones óptimas, utilizando uno de los diseños rotarles. Para lo que se considera las dos
variables más significativas, como son: Adición de cal y Temperatura de segregación.
Una de las formas más adecuadas, para pasar de la escala codificada (matriz de diseño X j) a la
escala natural Zj, es utilizando las ecuaciones siguientes:
Donde:
Z°j: Centro del diseño
∆Zj: El radio del diseño queda definido por
Por lo tanto, los valores de las variables en escala natural quedan definidos por la ecuación
siguiente:
a) Diseño Pentagonal:
CODIFICADO NATURAL
N° X1 X2 Z1 Z2
1 1 0 90 750
2 0.309 0.951 67.5425 845.1
3 -0.809 0.588 31.2075 808.8
4 -0.809 -0.588 31.2075 691.2
5 0.309 -0.951 67.5425 654.9
6 0 0 57.5 750
7 0 0 57.5 750
b) Diseño Hexagonal:
CODIFICADO NATURAL
N° X1 X2 Z1 Z2
1 1 0 90 750
2 0.5 0.866 73.75 836.6
3 -0.5 0.866 41.25 836.6
4 -1 0 25 750
5 -0.5 -0.866 41.25 663.4
6 0.5 -0.866 73.75 663.4
7 0 0 57.5 750
8 0 0 57.5 750
9 0 0 57.5 750
c) Diseño Octogonal
CODIFICADO NATURAL
N° X1 X2 Z1 Z2
1 1 0 90 750
2 0.707 0.707 80.4775 820.7
3 0 1 57.5 850
4 -0.707 0.707 34.5225 820.7
5 -1 0 25 750
6 -0.707 -0.707 34.5225 679.3
7 0 -1 57.5 650
8 0.707 -0.707 80.4775 679.3
9 0 0 57.5 750
10 0 0 57.5 750
11 0 0 57.5 750
12 0 0 57.5 750
ȳ = 𝑏0 + ∑ 𝑏𝑖 𝑋𝑖 + ∑ 𝑏𝑢 𝑋𝑢 𝑋𝑗 + ∑ 𝑏𝑗 𝑋𝑗2
𝑖=1 𝑢𝑗=1 𝑗=1
Los coeficientes del modelo matemático de segundo orden pueden ser estimados por varios
métodos, entre los que podemos mencionar a la técnica de regresión múltiple por mínimos
cuadrados, tanto en la forma ecuaciones normales, forma matricial y el método de correlación
múltiple. En cuanto a otras técnicas podemos mencionar a la técnica de búsqueda directa (por
ejemplo, la técnica de Nelder y Mead), o también a la técnica conocida como los polinomios de
Chevyshev, entre otras más. Desde el punto de vista de la facilidad, para poder programar en
computadoras, el método matricial es el más recomendable, y que está definido por la siguiente
fórmula matricial:
Donde:
X: Matriz de diseño.
XT: Transpuesta de la matriz de diseño.
Y: Los datos observados (respuestas).
𝑎0 = 𝑏0 − ∑ 𝑏𝑖 ६𝑖 − ∑ 𝑏𝑖𝑢 ६𝑖 ६𝑢 − ∑ 𝑏𝑗 ६2 𝑗
𝑖=1 𝑖,𝑢=1 𝑗=1
Donde:
εi: es el cociente de dividir el centro del diseño (Z i° ) y el radio del diseño (ΔZj).
ao: termino independiente del modelo matemático en escala natural.
Para los términos cuadráticos:
𝑏𝑖 𝑏𝑖𝑗 𝑏𝑗𝑢
𝑎𝑖 𝑍𝑗 = −2 ६𝑗 − ६६ 𝑗 = 𝑢 = 1………..𝑘 − 1
∆𝑍𝑖 ∆𝑍𝑖 ∆𝑍𝑖 𝑗 𝑢
El tercer término de la ecuación anterior, por comodidad asignaremos la siguiente notación para
tres variables: cuando i=1, los valores de j, u son (1,2) y (1,3), cuando i=2 j, u son (1,2) y (2,3)
y cuando i=3 j, u son (1,3) y (2,3). Se puede extender para más de tres variables, haciendo en
análisis correspondiente.
aij : son los coeficientes del término interacción del modelo en escala natural.
Aplicando las ecuaciones para el modelo, al ejemplo que venimos analizando, tenemos la
siguiente tabla de datos:
N° Z1 Z2
(-) 25 650
( +) 90 850
Z° 57.5 750
∆Z 32.5 100
६ 1.769 7.5
Termino independiente
𝑎0 = 88.7 − (−7.33𝑥1.769) − (4.27𝑥7.5) + (18𝑥1.7692 ) + (−39𝑥7.52 )
+ [17.66(1.769)(7.5)]
𝑎0 = −1833.48
Términos lineales
−7.51 −18.0 17.67
𝑎1 = − 2( ) 1.769 − ( ) 7.5 = −2.349
32.5 32.5 32.5
4.27 −39.13 17.67
𝑎2 = − 2( ) 7.5 − ( ) 1.769 = 5.5996
100 100 100
Términos cuadráticos
−18
𝑎11 = = −0.017
32.52
−39
𝑎22 = = −0.0039
1002
Termino Interacción
17.67
𝑎12 = = 0.0054
(32.5𝑥100)
Los coeficientes de los modelos matemáticos son evaluados para analizar su significancia
mediante el test de Student, definido por:
(8.8)
La variancia asociada a cada coeficiente es:
(8.9)
Donde:
Sbj : Desviación standard asociado a los coeficientes
Cjj : Son los elementos de la diagonal de la matriz de correlación (XTX)-l.
Cij=
Se: Desviación standard del error experimental, que se estima de acuerdo a las ecuaciones 8.10:
∑𝑁0
𝑖=1 𝑌𝑖
0
ȳ° =
𝑁0
𝑁0
2
𝑆𝑆𝐸 = ∑(𝑌𝑖0 − ȳ0 )
𝑖=1
𝑆𝑆𝐸
𝑀𝑆𝐸 =
𝑓2
𝑆𝑒 = √𝑆𝑀𝐸 (8.10)
Las respuestas en el centro del diseño del ejemplo que venimos tratando son:
Se = (1.12)1/2 = 1.058
Para analizar la significancia de los coeficientes se compara el test t-calculado, con el T tablas , para
un nivel de significancia de 95% (p=0.05) y dos grados de libertad (f=2), el valor de T0.05,2
= 4.3; si T-calculado es mayor que el t-tabla (Tc >Tt), la variable en cuestión es significativa
para el proceso estudiado. Como puede observarse, en la tabla anterior todos los coeficientes del
término independiente, términos lineales, términos cuadráticos y el termino interacción resultaron
significativos.
Se comienza con la suma de cuadrados del residual, que está definido por:
𝑆𝑆𝑅 = ∑𝑁
𝑖=1(𝑌𝑖 − ȳ)
2
(8.11)
El paso siguiente es hallar la Falta de Ajuste de la suma de cuadrados, tanto del error como del
residual. Definido por:
𝑆𝑆𝐹𝐴 = 𝑆𝑆𝑅 − 𝑆𝑆𝐸 (8.15)
𝑓3 = 𝑓1 − 𝑓2 (8.16)
Aplicando las fórmulas para ver la falta de ajuste del modelo matemático, seguiremos los
siguientes pasos:
𝑆𝑆𝑅
𝑀𝑆𝑅 =
𝑓1
MSR = 5.466/ (9-6) = 1.822
La suma de cuadrado medio del error es 1.12 (Ver sección 8.1.4), por lo tanto el valor de F del
modelo es:
Fo =3.226/1.12 = 2.88
El valor de F de tablas, para un nivel de significancia del 95% y para 1 y 2 grados de libertad,
respectivamente es:
F0.05, 1, 2= 18.5
Por lo tanto, F del modelo es menor que F de tablas, entonces el modelo ajusta o representa
adecuadamente a los datos experimentales.
Continuando con el ejemplo del problema que se está desarrollando, vamos a encontrar los
valores óptimos para las variables: (X1: Adición de cal) y (X2: Temperatura de segregación ).
Y encontrar la máxima respuesta (% de recuperación de cobre), se puede trabajar con el modelo
a escala codificada o a escala natural.
𝜕𝑌
= +7.51 − 36.0𝑋1 + 17.67𝑋2 = 0
𝜕𝑋1
𝜕𝑌
= +4.27 − 78.26𝑋2 + 17.67𝑋1 = 0
𝜕𝑋2
Aplicando las ecuaciones (Ec. 67) y (Ec. 68) hallamos el centro y radio del diseño Octogonal.
El valor de las variables en escala natural se halla por medio de la (Ec. 69)
𝑍𝑗 = 𝑍𝑗𝑜 + ∆𝑍𝑗𝑂 𝑋𝑗
Y= 88.96