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.

. 2. 3. 5. 6. 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.PLANIFICANDO LA EXPERIMENTACIÓN 1.

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.

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

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

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

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  .

en otras palabras. aquella o aquellas que bajo algún criterio adecuado nos brindan los mejores resultados. . definir qué es lo que deseamos optimizar. 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. Es decir.

. 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.

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

que englobe o represente adecuadamente a las demás. 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. .

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

45/lb. Maquila $200 Flete : $20 Escalador :Si la ley de plomo es mayor a 60% se multiplica por 0.95. para ello se calcularon ambos criterios. 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. tomando como base una muestra de 1 Kg.Cotización del plomo $0. De mineral para cada una de las 8 pruebas experimentales como puede apreciarse en la tabla: .

4 25.74 15.(%) 1 2 3 4 5 6 7 8 30 60 90 120 240 320 600 840 Ideal 0.09 30.05413 0.96 28.3 74.7 29.4 82.34 20.7 37.31 65.89 64.8 97.0 87.16523 0.0743 72.37 46.7 61.34 24.5 96.52 20.7 95.21 354.) Wcc (peso) L Pb (%) R (Pb) (%) V CON ($) VCAB EE.62 54.18 -0.49 124.53 8.07287 0.91 219.99 .08724 0.44 399.21329 0.12992 0.N Tiempo (seg.9 70.4 97.6 100 467.67 69.0 47.06 444.25199 0.25 41.06 29.03284 0.2 59.44 34.3 37.5 65.94 -0.91 -1.

: 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.Wcc. .

705)/(1*0.0541*0.06435) =59.3% CRITERIO ECONÓMICO (Eficiencia económica) EE = (VCAB/ VCABº)*100 donde: VCABº es la valorización en dólares por tonelada de cabeza. CRITERIO TÉCNICO (Recuperación metálica) RPb (1) = (0.15% RPb (2) = (0. asumiendo una recuperación perfecta (100%) en el concentrado (VCABº)  .729)/(1*0.0328*0.06435) =37.

a) Valorización por tonelada de cabeza (VCAB) base : 1 TM de concentrado Pagos: (0.95)*1TM*(2204.62lb/TM)*($0.729*0.00 VCON = $ 467.7 deducciones: Maquila :200 Flete : 20 =$220.45lb)= $687.06 .

03284 Por lo tanto.06*0.34 .VCAB = VCON* (1/K) donde: K : ratio de concentración k = peso mineral cabeza/peso concentrado para la prueba Nº 1 K = 1/0. el valor por tonelada de cabeza está definido por : VCAB = 467.03284 = $15.

Cálculo de VCABº. Ley (Pb) concentrado : 86. el primer paso es encontrar el peso de concentrado obtenido.6% (galena pura) Recuperación : 100% .). Tenemos que asumir que el todo del concentrado está compuesto únicamente de galena (86.435% Peso cabeza : 1 Kg. asumiendo una recuperación de 100% Con las suposiciones planteadas. teniendo los siguientes datos: Ley (Pb) cabeza : 6.6% de Pb.

0743 = $ 44.) = $816.Haciendo uso de la fórmula de recuperación metálica tenemos: 100% = (Peso CC.18 deducciones: Maquila : 200 Flete : 20 = $ 220.06435)*100 Peso CC.0743 Kg. = 0.*0. Pagos: (0.0743) VCABº = $ 596*0.18 donde: (1/0.62lb/TM)*($0.29 .866)/(1*0.00 VCONº = $ 596.45/lb.95)*1TM*(2204.866*0.

377-0.29 = 34.25 .62lb/TM)*($0. Analicemos la prueba Nº 6 ( con una ley de plomo menor a 60%) Pagos : (0.45/lb.62% Hasta aquí.34*100/$44.Luego la eficiencia económica según la ecuación es: EE = $15. hemos realizado los cálculos para la prueba Nº 1 ( con una ley de plomo mayor al 60%).)= $344.03)*1TM*(2204.

29)*100 = 46.deducciones.16523 VCAB = $ 124.16523= $20.53 VCABº = $44.34% . Maquila: 200 Flete : 20 = $ 220.25*0.53)/($44.25 Ratio de concentración = 1/0.29 ( el mismo del caso anterior) Por lo tanto: EE = ($ 20.00 VCON = $ 124.

 .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.

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

por el modelo matemático empírico. así: F= Y= Φ(X. la función objetivo queda descrita. U. Z) ó Φ (X. 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) . que es un proceso muy complejo del tipo caja negra (black-box). U.DISEÑO DE EXPERIMENTOS DESDE EL PUNTO DE VISTA DE LA OPTIMIZACIÓN  En flotación de minerales.

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

En numerosos procesos metalúrgicos. describen adecuadamente estos procesos. donde la forma de la función objetivo es desconocida. el uso de modelos matemáticos de segundo orden similares a las obtenidas en la serie de Taylor. 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) .

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

βuj. buj.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. bj. βj. bjj . βjj bo.

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

como son los diseños experimentales. 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) . Por ello.

 ^ (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 .

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

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

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

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

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

MODELO ADITIVO  Figura N°2 .

N°3 .MODELO INTERACTIVO fig.

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

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

Este tercer nivel. codificado como nivel medio o sencillamente “o”. normalmente. Si consideramos el caso de una sola variable controlable. el modelo de segundo orden toma la forma de : .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 . es el punto central entre el nivel bajo “-” y el nivel “+”.

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). . 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.

Modelo de segundo orden fig N° 4 .

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

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

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

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

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

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

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

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

acerca de un proceso. . 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.b)indirectos: Método de pendientes ascendentes o descendentes. Cuando se dispone de suficiente información.

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 . en ésta región los efectos de segundo orden son mayores en valor absoluto a los efectos de primer orden. que esta región puede ser descrito apropiadamente.OPTIMIZACION FINAL Una vez ubicada la región experimental que encierra el optimo . lo que indica.

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

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

.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. Entendiéndose por niveles a los diferentes valores que puede tomar los factores o variables .

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

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

2 12 . El número de experimentos a llevarse a cabo es: N = 2k = 22 = 4 Variables Z1: Z11 Z2: pH Nivel bajo (-) Nivel alto (+) 0.1 10 0.

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

i = 0 u. ∑Xu.1.PROPIEDADES DE LA TABLA DE INDICADORES DE NIVEL  Propiedad de ortogonalidad: El producto escalar de todas las columnas (vectores) es igual a cero.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 .

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

…k i=1 X2 X3 -1 -1 -1 -1 +1 -1 +1 -1 -1 +1 -1 +1 +1 +1 +1 +1 ∑X2=∑X3 = 8 .1.2.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.

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

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

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

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 .

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

00 X1X2 = (90+80-100-60)/(4/2*3) = 1. 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. .Aplicamos la fórmula correspondiente.33 X2 = (90+60-100-80)/(4/2*3) = -5.

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

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. .

 El análisis de variancia de un diseño factorial donde se realizan varias réplicas en los puntos de diseño.) simples elevadas al final al cuadrado y divididas entre el producto del número total de experimentos por el número de replicas efectuadas. 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  . SST = (28)2+(25)2+ (27)2+….+(30)2+(29)2 – (28+25+27+….

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 .1) . r .

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

3) Media de Cuadrados MS Fo F α= 0.00 8.34 323.00 1 1 1 8 11 208.33 75.13 2.2) X1 X2 X1X2 Error Total 208.01 f (1.33 75.2.92 53.00 8.33 31.TABLA DE ANÁLISIS DE VARIANCIA Fuente de variación Suma de cuadrados SS Grados de libertad f (1.33 3.3 .15 19.13 11.

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.Modelo matemático  El siguiente paso es obtener un modelo matemático. que represente al proceso investigado.

Así. los elementos de la diagonal de la matriz inversa ((X)T(X))-1 son: . 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.

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

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

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

165X1 – 2.165 b2 = . el modelo matemático en escala codificada sin considerar la interacción X1X2 que resultó no significativa.33/2 = 4.67/2 = 0.5X2 .5 b12 = 1.5 b1 = 8. Con esta información.5 + 4. procedemos a calcular los coeficientes de modelo lineal bo = (90+100+60+80)/(4*3) = 27.00/2 = -2.835 Por lo tanto.5. es : Y = 27.

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

83 34.167 1.) 2.833 1.17 18 19 23 20.83 36 32 32 34.165 -2.833 -1.167 1.83 31 30 29 29.167 28 25 27 25.] 25.18 . Residuales (Y – Yest.167 -2.17 20.833 0.[X] +1 -1 -1 +1 +1 -1 +1 -1 +1 +1 +1 +1 [B] 27.16 -2.5 4.833 -0.50 [Y est.833 -2.83 29.17 Y Yest.833 -2.167 -0.

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

833)2+….Aplicando la ecuación del SCMr SCMRr = ((2.f4.40 Ahora aplicamos el test F si el modelo hallado representa adecuadamente a los datos experimentales.167)2+(-0.167)2)/(4*3-3) = 4.f2) .+(1. Fo = SCMr/MSError Fo < F (α.

vemos que MSError = 3.12 Para un nivel de confianza del 95% (0. por lo tanto Fo será: Fo = 4.92 = 1. para 9 y 8 grados de libertad. . Por lo tanto.Donde: α = es el nivel de confianza.39. generalmente del 95% (0. el modelo matemático representa adecuadamente el fenómeno investigado. F de la tabla es 3.05).4/3.92.05) de la tabla.

92 Fo F α= 0.f2) ) Fuente de Suma de Grados de Media de variación cuadrados libertad Cuadrados SS f (4.2) MS Residuales Error 39.40 3.2) 3.6 31.05 f (4.12 .f4.TABLA DE ANÁLISIS DE VARIANZA (Fo < F (α.39 1.34 9 8 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)*3 = 5.165*7-(-2.5)= 1.846 a1 = (4.165/2.5) = -5 Luego.5 -4.5/0.666Z1 -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 .846 + 1.a º = 27. el modelo matemático a escala natural es: Y = 5.666 a2 = (-2.

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

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 .

d) ¿ Cuáles de los niveles X1.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. X2 y X3 recomendaría el lector? e) Represente gráficamente el modelo con interacción . c) Analice el modelo matemático obtenido.

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 6.0.67 -8.83 -2.(X)T (Y) 980 4 136 82 -20 -106 -34 -26 EFECTOS ----.17 .83 -2.33 11.83 -1.

8 .17 SSEFECTOS = 1612.2 SCX2X3 = (-34)2 /24 = 48.667 SCX2 = (136)2 / 24 = 770.17 SCX1X2X3 = (-26)2 / 24 = 28.2 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 = 0.7 SCX3 = (82)2 / 24 = 280.67 SCX1X3 = (-106)2 / 24 = 468.

6 0.667 770.8 = 483.18 28.20 1.7 280.2 1 1 1 1 1 0.SSERROR = 2096 – 1612.2 2096 1 1 16 23 48.67 468.2 16.667 770.2 0.5 X2X3 X1X2X3 ERROR TOTAL 48.17 483.2 FUENTE DE VARIACIÓN SUMA DE CUADRADOS GRADOS DE LIBERTAD MEDIA DE CUADRADOS FO X1 X2 X3 X1X2 X1X3 0.28 0.2 16.18 28.55 15.52 9.67 468.7 280.93 .02 25.17 30.

83 + 0.667X2 + 3.417X3 – 4.167X1 + 5. = 40. 1. 16) = 8.01.El valor de F es tabulado para un nivel de significancia del 99% y para f1 = 1 y f2 = 16.53  CONCLUYENDO: EL MODELO MATEMÁTICO:  Y est.417X1X3  . tenemos: f (0.

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

es innecesaria la linealidad perfecta y el sistema 2k funcionará bastante bien incluso cuando la suposición de linealidad se cumpla sólo de manera aproximada. De no ser cierta esta hipótesis.Por supuesto. especialmente el punto central del diseño. Para ello la adición de pruebas en el punto centra del diseño nos sirve para dar una estimación promediada del efecto curvatura. . 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. es decir que no prediga adecuadamente.

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. excepto para el cálculo de la suma de cuadrado del error SSError. siendo r = 1. el cual ésta definido por: .

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 .

_ YO = promedio de todas las réplicas en el punto central 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.

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

5 40.Diseño factorial con réplica en el centro del diseño 40.5 40.3 40.9 1 40 150 -1 -1 30 0 35 Tiempo de reacción .7 40.2 40.0 160 1 41.3 T 155 0 40.6 39.

55 1.3 0.5 161.1 -0.7 ----- 3.3 40.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 39.65 -0.0 41.1 1.9 40.05 .

0022 1 1 1 1 4 8 2.06 .0027 0.0430 55.4225 0.0025 0.4025 0.0027 0.ANÁLISIS DE VARIANCIA FUENTE DE VARIACIÓN SUMA DE GRADOS DE CUADRADOS LIBERTAD MEDIA DE CUADRADOS FO X1 X2 X1X2 CURVATURA ERROR TOTAL 2.06 0.1720 3.0025 0.4225 0.87 9.4025 0.83 0.

= 40.425 + 0.225X2 .Modelo matemático  Y est.775X1 + 0.

525 (Y –Y est. 39.875 39.025 0.5 Y est.9 40.025 .025 0.975 41.3 40.ANÁLISIS DE RESIDUALES Y 39.) -0.025 -0.0 41.325 40.

MODELO MATEMÁTICO DECODIFICADO  Yest.025 + 0.045Z2 .155Z1 + 0. = 28.

Sign up to vote on this title
UsefulNot useful