Está en la página 1de 34

DISEO FACCTORIAL

FRACCIONADO

Los

diseos
factoriales
simples
requieren
cantidades excesivas de tiempo, material, conviene
encontrar otros diseos que requieran menores
pruebas de diseo, pero que no desdear una gran
cantidad de informacin sobre la naturaleza del
vector respuesta que se expresa con los
experimentos.

Si

se est dispuesto a conformarse con una


investigacin algo menos completa, incluyendo los
efectos principales y las interacciones de dos factores
y excluyendo los efectos de tres factores o
interacciones de alto orden.

Los

diseos factoriales fraccionadas se usan


principalmente para la depuracin o seleccin, es
decir, para identificar la variable ms importante que
influye en la respuesta

En

cualquier diseo que utilice menos pruebas de los que


requiera uno de tipo factorial completo, se tendrn los
mismos efectos de confusin.

Por

ejemplo, un efecto principal se puede confundir con


uno o ms efectos de interaccin de alto orden, esto es,
la estadstica que mide un ejemplo principal puede ser
igual a la estadstica que determina algunos de los
efectos de las interacciones. Por lo tanto, la estadstica en
cuestin puede indicar que existe algn efecto, pero no
sealar si est presente el efecto principal, el de
interaccin o alguna combinacin aditiva de efectos.

DISEO FACTORIAL 2k-P


Este tipo de diseo es uno de los ms tiles desde el punto
de vista prctico, pues permite obtener una informacin
de varios factores o variables a la vez, realizando un
mnimo de experiencias (fraccionando un diseo factorial
completo).
Es particularmente til cuando:
Se tiene poca materia prima para realizar las experiencias
o cuando estas son costosas, lo cual obliga a realizar
pocas pruebas experimentales.
Se requiere informacin rpida.
Existe escasez de recursos humanos y materiales

Un

diseo factorial fraccionada est definido por:

2k-P
Donde:
k:

Es el nmero de factores a estudiar.

p:

Es el nmero de factores a confundir.

De

esta manera es posible estudiar por ejemplo el


efecto de cuatro o ms factores, realizando un
mnimo de ocho experiencias. Para esto se requiere
que algunas de las interacciones de orden superior
sean nulas o despreciables

MEDIA FRACCIN DEL DISEO


2k-p
Se

estudia a partir de k=3 factores en dos niveles cada


uno, para lo cual utilizaremos un diseo factorial
fraccionado del tipo (1/2)n2k, donde n es la cantidad que
debe disminuirse la fraccin. Mediante esta ecuacin se
puede generar factoriales de , 1/8, 1/16 etc.

Ejemplo

5: se desea evaluar un diseo 23=8 pero


queremos una media fraccin, por lo tanto tendremos
(1/2)123=4 combinaciones de tratamiento.

Notase

que el diseo 23-1 se forma al seleccionar slo las


combinaciones de tratamiento que producen la
multiplicacin de signos, donde C=AB.

Es

posible construir la combinacin de tratamientos del


diseo 2k-1 completo igualando el factor C por la
interaccin AB, de amplia aplicacin cuando los efectos
principales son negativos pero tienen una gran influencia
en el proceso.

Ecuacin Generatriz (I= X1X2X3)


En un diseo 23 = 8 experiencias, existe una interaccin de tercer
orden, X1X2X3 que puede considerarse nula o despreciable y lo cual
puede ser utilizado para examinar otro factor como X 4, igualando
X4 a X1X2X3 (lo que puede hacerse como X4 =+/- X1X2X3).

Si

se tiene conocimiento previo de la no existencia de


interacciones entre los factores X1 X2 se puede
suponer, por ejemplo, que la interaccin X1X2 es nula
o despreciable y puede utilizarse para estimar el
efecto de un quinto factor X5, igualando X5 = +/(X1X2) y as sucesivamente.

De este modo un diseo factorial fraccional con


ocho observaciones puede ser til para:
Estimar

los efectos de tres factores y todas las


interacciones entre ellos (diseo 23 completo).

Estimar

los efectos de cuatro factores y tres


interacciones de segundo orden, todas las
restantes se consideran nulas o despreciables.

Estimar

los efectos de cinco factores y 2


interacciones de segundo orden, todas las
restantes se consideran nulas o despreciables.

Estimar

los efectos de seis factores y una


interaccin de segundo orden, todos las restantes
se consideran nulas o despreciables.

Estimar

los efectos de los siete factores, todas las


interacciones
se
consideran
nulas
o
despreciables.

Ley de Multiplicacin de Factores


Para

dos efectos principales X1 y X2 la interaccin es


denotada por X1X2 , para las interacciones X1X2 X3X4 la
interaccin entre ellos se denota por : X1X2X3X4.

Pero

dos interacciones con un elemento comn, por


ejemplo X1X2X3 Y X3X4X5 su producto es X1X2X32X4X5 =
X1X2X4X5, esto deja implcito que el cuadrado de
cualquier efecto es igual a la unidad (tal como X12= X22
= =1).

Sistema para un diseo factorial fraccionado


Supongamos

que queremos buscar una aproximacin


lineal, para una pequea rea de una superficie respuesta
con cuatro variables independientes.

Como

mencionamos arriba, podemos asumir que la


interaccin de tercer orden X1X2X3 es aproximadamente
igual a cero o despreciable, e igualando a un cuarto factor
o variable obtenemos:

X4 = X1X2X3

El cual es conocido como relacin de generacin

Aplicando la ley de multiplicacin de factores, multiplicando ambos


lados de la relacin de generacin por X. obtenemos:

La ltima relacin es conocida como contraste de definicin.

Seguidamente, para ver cul es lo que estamos midiendo y que


efectos estamos perdiendo, se construye una tabla denominada
Tabla de aliases, esto es, multiplicando la definicin de contraste
con la combinacin de factores del diseo base (2 3), como puede
observarse en la tabla. Por ejemplo:

Los parmetros del modelo matemtico estn definidos


como:

En la prctica las interacciones de tercer orden son


aproximadamente iguales a cero, ms frecuentes que
las interacciones de segundo orden.

La

interpretacin que puede deducirse es la


siguiente: si estimamos el coeficiente b1 lo que
realmente vemos es la suma de 1 y 234, es decir que
se encuentran confundidos. Pero, como mencionamos
anteriormente, que las interacciones de tercer orden
son aproximadamente cero, lo que obtenemos es un
buen estimado de los trminos lineales del modelo
matemtico, mas no as de los trminos con
interaccin, que estn confundidos.

Por

lo tanto, la relacin de generacin escogida (X4 =


X1X2X3) es apropiada para la estimacin de efectos
principales o trminos lineales del modelo matemtico.

Si

seleccionamos
generacin:

ahora

una

nueva

relacin

de

X 4 = X 1X 2
Aplicando

la ley de multiplicacin
obtenemos la definicin de contraste:

de

factores,

La tabla de aliases se muestra en la tabla siguiente, se


obtiene multiplicando la definicin de contraste por la
columna correspondiente al diseo base.

Los parmetros del modelo matemtico estn definidos.

Interpretacin: Utilizando la relacin de generacin (X4 = X1X2),


obtenemos es un buen estimado de los coeficientes de los
trminos de interaccin doble del modelo matemtico, lo que
puede utilizarse si el inters es investigar las interacciones dobles
entre las variables.

La tabla (*) resume las distintas posibilidades de investigar


ms de 3 variables, tomando diferentes combinaciones de
definicin de contrataste, utilizando la siguiente notacin

EJEMPLO
En

la primera etapa de optimizacin se


investiga la influencia de cuatro factores,
tiempo de molienda, pH, dosificacin del
colector y espumante en la recuperacin de
cobre en un proceso de flotacin de un mineral
sulfurado de cobre. La tabla siguiente
muestra, los niveles a considerar durante el
experimento, para cada uno de los factores.

Como colector se us Z-200 y como espumante Dowfroth-200.


Podemos estudiar cuatro variables (k=4) utilizando 8 pruebas experimentales,
es decir, que podemos fraccionar para p=1:

Como mencionamos anteriormente, podemos elegir como relacin de


generacin a: X4=X1X2X3 si nuestro inters fundamental es investigar el efecto
de cada una de las variables independientemente.

Calculo de Efectos

de tabla para un nivel de significancia de 0.01 y para


1 y 2 grados de libertad es 98.5. Por lo tanto, las
variables en forma independiente, tempo de molienda
y dosificacin de colector son significativas, mientras
que el pH y la adicin de espumante resultaron
insignificantes

Modelo

Matemtico
Yest. = 87.65 + 1.6 X1 - 1.75 X3

Reemplazando los valores codificadas de X1 y X2 en el


modelo matemtico obtenemos valores estimados
(Yest.). Luego podemos hacer un anlisis de residuales

Aplicando la ecuacin,
cuadrados de residuales:

calculamos

la

suma

de

SCMR= 0.748

La suma del cuadrado medio del error as 0.04 con 2


grados de libertad. As el valor de Fo es:

Fo = 0.748 / 0.04 = 18.7

Comparando

Fo con el F de tabla a un nivel de significancia


de 0.05 y para 4 y 2 grados de libertad, respectivamente,
(Ftabla = 19.30). Este valor es mayor que F de tabla, por lo
tanto el modelo matemtico hallado ajusta o representa
adecuadamente al fenmeno.

Como

ya se analiz, las variables principales X1 y X3 son


significativas. Ahora analicemos que factores estn
confundidos y que es lo que estamos midiendo:

Como mencionamos anteriormente, en la prctica los


trminos de interaccin de tercer orden son iguales a
cero, por lo que tendremos un buen estimado de las
variables o factores principales X1 y X3, as decir:

Grafica del modelo matemtico:

Utilizando las frmulas de decodificacin del captulo


anterior, el modelo matemtico a escala natural es:
YEST = 85.967 + 1.067 Z1 - 35 Z3