UNIVERSIDAD MAYOR DE SAN SIMÓN

FACULTAD DE CIENCIAS Y TECNOLOGÍA

CARRERA DE INGENIERIA QUÍMICA

INFORME
DISEÑO CENTRAL
COMPÙESTO.

ASIGNATURA:
DISEÑO EXPERIMENTAL.

ESTUDIANTE:
SAINZ NUÑEZ VIANCA.

TUTOR:
ING. ALCON PUÑA JUAN NOLASCO.

GESTIÓN:
SEMESTRE II/2017.
 COCHABAMBA,10 DE DICIEMBRE DEL 2017.

INTRODUCCION

Un diseño de superficie de respuesta es un conjunto de técnicas avanzadas de diseño de

experimentos (DOE) que le ayudan a entender mejor y optimizar la respuesta. La
metodología del diseño de superficie de respuesta se utiliza con frecuencia para refinar
los modelos después de haber determinado los factores importantes utilizando diseños de
cribado o diseños factoriales, especialmente si se sospecha que existe curvatura en la
superficie de respuesta.

Superficie de respuesta sin curvatura

Superficie de respuesta con curvatura

La diferencia entre una ecuación de superficie de respuesta y la ecuación de un diseño

factorial es la adición de los términos elevados al cuadrado (o cuadráticos) que permiten
modelar la curvatura en la respuesta, lo que hace la hace útil para:

 Entender o mapear una región de una superficie de respuesta. Las ecuaciones de

superficie de respuesta modelan cómo los cambios en las variables afectan una respuesta
de interés.
 Hallar los niveles de las variables que optimizan una respuesta.
 Seleccionar las condiciones operativas para cumplir con las especificaciones.

Por ejemplo, usted desea determinar las mejores condiciones para moldear por inyección
una pieza de plástico. En primer lugar, usted utiliza un experimento de cribado o factorial
para determinar los factores significativos (temperatura, presión, velocidad de
enfriamiento). Puede usar un experimento diseñado de superficie de respuesta para
determinar la configuración óptima para cada factor.
Hay dos tipos principales de diseños de superficie de respuesta:

 Diseños centrales compuestos

Los diseños centrales compuestos pueden ajustarse a un modelo cuadrático
completo. Suelen utilizarse cuando el plan del diseño requiere de un experimento
secuencial, porque estos diseños pueden incluir información de un experimento
factorial planificado correctamente.

 Diseños de Box-Behnken
Los diseños de Box-Behnken por lo general tienen menos puntos de diseño que
los diseños centrales compuestos y, por consiguiente, resulta menos costoso
ejecutarlos con con el mismo número de factores. Pueden estimar eficientemente
los coeficientes de primer y segundo orden; sin embargo, no pueden incluir
corridas de un experimento factorial. Los diseños de Box-Behnken siempre tienen
3 niveles por factor, a diferencia de los diseños centrales compuestos, que pueden
tener hasta 5. Otra diferencia con respecto a los diseños centrales compuestos es
que los diseños de Box-Behnken nunca incluyen corridas donde todos los factores
estén en su valor extremo, como por ejemplo todos los valores de configuración
bajos.
 Diseño central compuesto
El diseño central compuesto es el experimento diseñado de superficie de respuesta que
más se utiliza. Los diseños centrales compuestos son un diseño factorial o factorial
fraccionado con puntos centrales, ampliado con un grupo de puntos axiales (también
denominados puntos de estrella) que permiten estimar la curvatura. Puede utilizar un
diseño central compuesto para:

 Estimar eficientemente los términos de primer orden y segundo orden.

 Modelar una variable de respuesta con curvatura al agregar puntos centrales y axiales a
un diseño factorial previamente ejecutado.

Los diseños centrales compuestos son especialmente útiles en los experimentos

secuenciales, porque frecuentemente permiten ampliar experimentos factoriales
anteriores al agregar puntos axiales y centrales.

Por ejemplo, usted desea determinar las mejores condiciones para moldear por inyección
una pieza de plástico. En primer lugar, usted ejecuta un experimento factorial y determina
los factores significativos: temperatura (niveles establecidos en 190° y 210°) y presión
(niveles establecidos en 50 MPa y 100 MPa). Si el diseño factorial detecta curvatura,
usted puede usar un experimento diseñado de superficie de respuesta para determinar la
configuración óptima para cada factor. Los siguientes son los puntos de diseño para este
experimento.

210°, 50 MPa 214.1°, 75 MPa (punto axial) 210°, 100 MPa

200°, 39.6 MPa (punto 200°, 110.4 MPa (punto

axial) axial)

190°, 50 MPa 185.9°, 75 MPa (punto axial) 190°, 100 MPa

Cuando es posible, el diseño central compuesto tiene las propiedades convenientes de

bloques ortogonales y rotabilidad.
Bloques ortogonales
 Con frecuencia, los diseños centrales compuestos se ejecutan en más de un
bloque. Los diseños centrales compuestos pueden crear bloques ortogonales, lo
que permite estimar los términos del modelo y los efectos de bloque de manera
independiente y minimizar la variación en los coeficientes de regresión.

Rotabilidad
Los diseños rotables ofrecen varianza de predicción constante en todos los puntos
que están equidistantes del centro del diseño.

Resumen de diseños centrales compuestos

En la tabla se resumen los diseños generados por los comandos de diseño central
compuesto. Si el diseño tiene bloques, entonces los bloques son ortogonales.

Facto Diseñ Corri Bloq Bloq Corri Punto Punto Punto Alfa Rotat
res o das ues ues das s s s predetermi ivo
de de centra centra centra nado
cubo cubo les les de les
cubo axiale
s

2 Compl 13 1 --- 4 5 --- 0 1.414 y

eto

2 Compl 14 2 1 4 6 3 3 1.414 y
eto

3 Compl 14 1 --- 8 6 --- 0 1.682 y

eto

3 Compl 20 2 1 8 6 4 2 1.633 n
eto

3 Compl 20 3 2 8 6 4 2 1.633 n
eto

4 Compl 31 1 --- 16 7 --- 0 2 y

eto

4 Compl 30 2 1 16 6 4 2 2 y
Facto Diseñ Corri Bloq Bloq Corri Punto Punto Punto Alfa Rotat
res o das ues ues das s s s predetermi ivo
de de centra centra centra nado
cubo cubo les les de les
cubo axiale
s

eto

4 Compl 30 3 2 16 6 4 2 2 y
eto

5 Compl 52 1 --- 32 10 --- 0 2.378 y

eto

5 Compl 54 2 1 32 12 8 4 2.366 n
eto

5 Compl 54 3 2 32 12 8 4 2.366 n
eto

5 Un 32 1 16 6 --- 0 2 y
medio

5 Un 33 2 1 16 7 6 1 2 y
medio

6 Compl 90 1 --- 64 14 --- 0 2.828 y

eto

6 Compl 90 2 1 64 14 8 6 2.828 y
eto

6 Compl 90 3 2 64 14 8 6 2.828 y
eto

6 Compl 90 5 4 64 14 8 6 2.828 y
eto

6 Un 53 1 --- 32 9 --- 0 2.378 y

medio
Facto Diseñ Corri Bloq Bloq Corri Punto Punto Punto Alfa Rotat
res o das ues ues das s s s predetermi ivo
de de centra centra centra nado
cubo cubo les les de les
cubo axiale
s

6 Un 54 2 1 32 10 8 2 2.366 n
medio

6 Un 54 3 2 32 10 8 2 2.366 n
medio

7 Compl 152 1 --- 128 10 --- 0 3.364 y

eto

7 Compl 160 2 1 128 18 8 10 3.364 y

eto

7 Compl 160 3 2 128 18 8 10 3.364 y

eto

7 Compl 160 5 4 128 18 8 10 3.364 y

eto

7 Un 88 1 --- 64 10 --- 0 2.828 y

medio

7 Un 90 2 1 64 12 8 4 2.828 y
medio

7 Un 90 3 2 64 12 8 4 2.828 y
medio

7 Un 90 5 4 64 12 8 4 2.828 y
medio

8 Un 154 1 --- 128 10 --- 0 3.364 y

medio

8 Un 160 2 1 128 16 8 8 3.364 y

medio
 Bloques en un diseño central compuesto
Cuando el número de corridas es demasiado grande para llevarlas a cabo en condiciones
estables, usted puede introducir error en el experimento. Al realizar un experimento en
bloques, puede estimar los efectos de los bloques (o de las diferentes condiciones
experimentales) de forma separada e independiente de los efectos de los factores. Por
ejemplo, los bloques pueden ser días, proveedores, lotes de materia prima, operadores de
máquinas o turnos de producción.

Para un diseño central compuesto, el número de bloques ortogonales depende del

número de factores, el número de corridas y la fracción de diseño que usted elija. Un
diseño central compuesto siempre se puede dividir en un bloque factorial y un bloque de
puntos axiales. Con tres o más factores, el bloque factorial también se puede dividir en
dos o más bloques. Cuando usted crea un diseño, Minitab muestra las opciones
apropiadas.

Si usted agrega réplicas al diseño, también puede dividir en bloques las réplicas. La
manera en que esto funciona depende de si usted tiene bloques en el diseño.

 Si el diseño aún no incluye bloques, Minitab coloca cada conjunto de réplicas en bloques
separados.
 Si el diseño ya incluye bloques, Minitab replica el esquema de bloques existente. Los
puntos de cada bloque existente se replican para formar nuevos bloques. El número de
bloques del diseño será igual al número de bloques originales multiplicado por el número
de réplicas. El número de corridas en cada bloque se mantiene igual.
 Si el diseño ya incluye bloques, pero usted no crea bloques en las réplicas, Minitab replica
los puntos dentro de cada bloque. El número total de corridas en cada bloque es igual al
número de corridas originales multiplicado por el número de réplicas. El número total de
bloques en el diseño se mantiene igual.
NOTA
El valor de α, en combinación con el número de puntos centrales, determina si un diseño
muestra las propiedades de rotabilidad y bloques ortogonales. Minitab provee diseños
predeterminados con los que se logra rotabilidad y bloques ortogonales, cuando ambas
propiedades se pueden lograr al mismo tiempo. Cuando el diseño incluye bloques y usted
no puede lograr ambas propiedades al mismo tiempo, los diseños predeterminados
incluyen bloques ortogonales.

¿Qué es nivel de significancia (α) en un diseño central

compuesto?
El nivel de significancia (α) es la distancia de cada punto axial (denominado también punto
de estrella) desde el centro de un diseño central compuesto.
 Un valor menor que uno coloca los puntos axiales en el cubo, un valor igual a uno los
coloca en las caras del cubo y un valor mayor que uno los coloca fuera del cubo.
El nivel de significancia, junto con el número de puntos centrales, determina si un diseño
se puede dividir en bloques ortogonales y si es rotativo. Los diseños de bloques
ortogonales permiten estimar los términos del modelo y los efectos de los bloques de
forma independiente y minimizar la variación en los coeficientes de regresión. Los diseños
rotativos ofrecen la conveniente propiedad de varianza de predicción constante en todos
los puntos que están equidistantes del centro del diseño, mejorando así la calidad de la
predicción.

Los diseños predeterminados de Minitab alcanzan rotabilidad y capacidad de división en

bloques ortogonales cuando ambas propiedades se pueden lograr al mismo tiempo.
Cuando el diseño incluye bloques y no es posible lograr ambas propiedades al mismo
tiempo, los diseños predeterminados usan un nivel de significancia (α) que permite que el
diseño incluya bloques ortogonales. Cuando no hay bloques, los diseños predeterminados
usan un nivel de significancia (α) que permita que el diseño sea rotativo.

¿Debo incluir o excluir un término en el modelo?

La decisión sobre los términos que se incluirán y excluirán de un modelo de superficie de
respuesta es importante. Varias consideraciones afectan esta decisión.

 Por lo general, el primer paso para excluir un término es observar su valor p: si el valor p
es menor que el nivel de significancia (α), el término debe permanecer en el modelo.
 Incluso si el valor p es menor que α, es probable que usted desee excluir el término. Sin
embargo, debería considerar lo siguiente:
o Cómo cambian el R-cuadrado ajustado y S cuando se excluye el modelo. Mientras
más alto sea el R-cuadrado ajustado, mejor será el modelo. Mientras más bajo sea
el valor de S, mejor será el modelo. Por lo tanto, si al excluir el término, el R-
cuadrado ajustado disminuye y el valor de S aumenta, el término debería
permanecer en el modelo.
o Cómo se ve afectada la falta de ajuste por la exclusión de un término. Usted puede
determinar el falta de ajuste evaluando las gráficas de residuos.
o Cómo se ve afectada la jerarquía del modelo por la exclusión de un término de
orden inferior. En un modelo jerárquico, todos los términos de orden inferior que
conforman los términos de orden superior también aparecen en el modelo. Por
ejemplo, un modelo que incluya el término de interacción A*B*C es jerárquico si
 incluye estos términos: A, B, C, A*B, A*C y B*C. Los modelos de superficie de
respuesta deben ser jerárquicos si se desea producir una ecuación en unidades no
codificadas (o naturales).
Todas las anteriores son consideraciones estadísticas. Es posible que algunas veces
usted quiera, por justificadas razones técnicas o científicas, incluir un término en el
modelo aun cuando no parezca ser significativo. Por consiguiente, sus decisiones se
deberían basar en una combinación de conocimiento técnico y estadístico.

¿Qué valores de los factores debo usar en un diseño de superficie de

respuesta?
En un diseño central compuesto, los valores que usted ingresa para los niveles de
factores generalmente no son los valores mínimos y máximos del diseño. Son los valores
de configuración bajos y altos para la porción de "cubo" del diseño. Los puntos axiales
suelen estar fuera del "cubo" (a menos que usted especifique un α que sea menor que o
igual a 1). Si no tiene cuidado, esto podría conducir a puntos axiales que no se
encuentren en la región de interés o que pudieran ser imposibles de ejecutar.
Asegurarse que todos los puntos de diseño estén entre los niveles mínimo y
máximo de los factores
Para los diseños centrales compuestos, elegir Puntos axiales en el cuadro de diálogo
secundario Factores garantiza que todos los puntos de diseño estén entre los valores
mínimo y máximo definidos para los factores. Minitab luego determinará los valores de
configuración bajos y altos adecuados para el "cubo" como se muestra a continuación:

 Valor del nivel bajo = ((α – 1) máximo + (α + 1) mínimo) / (2*α)

 Valor del nivel alto = ((α – 1) mínimo + (α + 1) máximo) / (2*α)
EJEMPLO

Tabla de diseños

Seleccione el número de corridas experimentales y el número de bloques para el diseño

base. El numéro de corridas experimentales en el diseño también depende del número de
puntos centrales, el número de réplicas y el número de niveles de factor categórico. Para
obtener más información sobre la forma cómo Minitab bloquea los diseños centrales
compuestos.

Número de puntos centrales

Seleccione el número de puntos centrales para el diseño. Los puntos centrales son
corridas experimentales en las que los factores se establecen en un punto intermedio
entre sus niveles bajo y alto. Cada replica del diseño agrega el mismo número de puntos
centrales. Cada nivel de un factor categórico agrega también el mismo número de puntos
centrales.
Predeterminado
Seleccione esta opción para hacer que Minitab Statistical Software determine el
número de puntos centrales que forman bloques ortogonales. Para diseños sin
bloques, los diseños predeterminados producen un diseño que se puede rotar.

Personalizado
Seleccione esta opción para especificar el número de puntos centrales en el
diseño. Si el diseño tiene un bloque axial, entonces puede especificar cuantos
puntos centrales agregar con las corridas experimentales en cada tipo de bloque.

 Bloque de cubo: Especifica el número de puntos centrales a agregar en

cada bloque con las corridas experimentales en los niveles bajo y alto de
los factores. Si el diseño tiene múltiples bloques de cubo, entonces Minitab
divide los puntos centrales tan uniformemente como sea posible en los
bloques.
 Bloque axial: Especifica el número de puntos centrales a agregar en cada
bloque con las corridas experimentales en los niveles axiales de los
factores.

Valor de Alfa

Seleccione la distancia, en unidades codificadas, de cada punto axial desde el

centro. Para obtener más información sobre alfa.

Predeterminado
Elija hacer que Minitab determine el valor de alfa de manera que el diseño haga
bloques ortogonales. Para diseños sin bloques, la opción predeterminada produce
un diseño rotativo.

Diseño 3^k
Elija utilizar los niveles alto y bajo de los factores para los puntos axiales.

Personalizado
Elija especificar el valor de alfa. Un valor menor que 1 coloca los puntos axiales
dentro del cubo. Un valor mayor que 1 coloca los puntos axiales fuera del cubo.

Interpretar los resultados clave para Crear diseño de superficie de respuesta (central
compuesto)
Utilice el resumen del diseño para examinar las propiedades del diseño clave. La mayoría
de las propiedades del diseño coinciden con las selecciones que usted hizo para el diseño
base durante la creación del diseño.
 Diseño central compuesto

Resumen del diseño

Factores: 2 Réplicas: 2

Corridas base: 14 Total de corridas: 28

Bloques base: 2 Total de bloques: 4

α = 1.41421

Factorial de dos niveles: Factorial completo

Tipos de puntos

Puntos del cubo: 8

Puntos centrales en el cubo: 6

Puntos axiales: 8

Puntos centrales en axial: 6

Este diseño incluye 2 factores con 14 corridas base. El número total de corridas es 28
debido a que el diseño tiene 2 réplicas. El diseño tiene 2 bloques base y un total de 4
bloques porque las replicas están bloqueadas.
El diseño incluye 8 puntos de cubo, 6 puntos centrales en bloques de cubo, 8 puntos
axiales y 6 puntos centrales en bloques axiales.

Todos los estadísticos para Crear diseño de superficie de respuesta (central

compuesto)
Encuentre definiciones y ayuda para interpretar cada uno de los estadísticos que se
proporcionan con la creación de un diseño de superficie de respuesta central compuesto.

En este tema

 Factores
 Corridas base y totales
 Bloques base y totales
 Réplicas
 Nivel de significancia
 Puntos de cubo, puntos centrales en un cubo y puntos axiales
 Puntos centrales en axial
 Tabla de diseño
Factores

El número muestra cuántos factores hay en el diseño.

Interpretación
Los factores son las variables que usted controla en el experimento. Los factores también
se conocen como variables independientes, variables explicativas y variables predictoras.
Los factores solo pueden tomar un número limitado de valores posibles, conocidos como
niveles de los factores. Los factores pueden tener niveles numéricos o texto. Para los
factores numéricos, usted selecciona niveles específicos para el experimento, aun cuando
son posibles muchos valores para el factor.

Por ejemplo, un químico está estudiando la forma cómo maximizar el crecimiento del
cristal. El químico desea estudiar tres variables continuas (tiempo, temperatura y
porcentaje del catalizador en el aire dentro de la cámara) y un factor categórico (aditivo).

En un diseño de superficie de respuesta, usted designa un nivel bajo y un nivel alto para
cada factor continuo. Estos niveles de factores definen el "cubo" alrededor del cual se
crea el diseño. El "cubo" a menudo se centra alrededor de las condiciones de operación
actuales para el proceso. Para un diseño central compuesto, usted pudiera tener puntos
de diseño dentro del "cubo", sobre el "cubo" o fuera del "cubo".

Corridas base y totales

El número de corridas base es el número de combinaciones de niveles de factores en el

diseño base. El número total de corridas es el número de corridas base multiplicado por el
número de réplicas.

Interpretación
Utilice el número de corridas base para identificar el diseño. Utilice el número total de
corridas para verificar que el experimento tenga el tamaño adecuado para sus recursos.
Una corrida es una combinación de condiciones experimentales o niveles de factores con
la que se miden las respuestas. Cada corrida corresponde a una fila de la hoja de trabajo
y produce una o más mediciones de respuesta u observaciones. Por ejemplo, cuando
usted crea un diseño factorial completo con dos factores, cada uno con dos niveles, su
experimento tiene cuatro corridas:
 Factor Factor
Corrida Respuesta
1 2

1 −1 −1 11

2 1 −1 12

3 −1 1 10

4 1 1 9

NOTA
Cuando realiza un experimento, el orden de la corrida deberá ser aleatorizado.
Cada corrida corresponde a un punto de diseño y el todo el conjunto de corridas es el
diseño. Múltiples ejecuciones de las mismas condiciones experimentales se consideran
corridas separadas y se denominan réplicas.

Bloques base y totales

Un grupo de unidades experimentales homogéneas (observaciones).Un grupo de

unidades experimentales homogéneas (observaciones). Los bloques sin un grupo de
unidades experimentales homogéneas (observaciones). Los bloques base son el número
de bloques existentes antes de que se agreguen réplicas al diseño. Los bloques totales
incluyen cualquier bloque creado por réplicas en su diseño.

Aunque cada una de las observaciones se deben tomar bajo condiciones experimentales
idénticas (que no sean aquellas sometidas a variaciones como parte del experimento),
esto no siempre es posible. Mediante un diseño dividido en bloques es posible eliminar los
factores perturbadores que pueden ser clasificados. Por ejemplo, un experimento se
puede llevar a cabo durante varios días con variaciones grandes de temperatura y
humedad, o se pueden recolectar datos en diferentes plantas o por diferentes técnicos. Se
dice que las observaciones recolectadas bajo las mismas condiciones experimentales se
encuentran en el mismo bloque.

Réplicas

El número muestra cuántas réplicas hay en el diseño.

 Interpretación
Las réplicas son múltiples corridas experimentales con las mismas configuraciones de
nivel de factores (niveles). Una réplica es equivalente al diseño base, donde usted realiza
una vez cada combinación de niveles de factores. Con dos réplicas, realiza dos veces
cada combinación de niveles de factores en el diseño base (en orden aleatorio), y así
sucesivamente.

Por ejemplo, si usted tiene 3 factores con 2 niveles cada uno y prueba todas las
combinaciones de los niveles de los factores (diseño factorial completo), un diseño base
representa 1 réplica y tiene 8 corridas (23). Si usted agrega 2 réplicas, el diseño incluye 3
réplicas y tiene 24 corridas.

Cuando planifique su experimento, considere los siguiente al momento de decidir si

agregar réplicas:

 Si está intentando crear un modelo de predicción, múltiple réplicas podrían aumentar la

precisión de su modelo.
 Si usted incluye réplicas, podría estar en capacidad de detectar efectos más pequeños o
tener mayor potencia para detectar un efecto de tamaño fijo.
 Los diseños cribados (diseños factoriales de 2 niveles), que se utilizan para reducir una
conjunto amplio de factores, por lo general no incluye réplicas.
 Sus recursos pueden determinar el número de réplicas que puede ejecutar. Por ejemplo,
si su experimento es extremadamente costoso, quizás sólo pueda ejecutarlo una sola vez.
Nivel de significancia

El nivel de significancia (α) determina la distancia de cada punto axial (denominado

también punto de estrella) desde el centro de un diseño central compuesto.

Un valor menor que uno coloca los puntos axiales en el cubo, un valor igual a uno los
coloca en las caras del cubo y un valor mayor que uno los coloca fuera del cubo.
El nivel de significancia, junto con el número de puntos centrales, determina si un diseño
se puede dividir en bloques ortogonales y si es rotativo. Los diseños de bloques
ortogonales permiten estimar los términos del modelo y los efectos de los bloques de
forma independiente, además de minimizar la varianza en los coeficientes de regresión.
Los diseños que se pueden rotar producen una varianza de predicción constante en todos
los puntos que están equidistantes del centro del diseño.
 Cuando el diseño incluye bloques y no es posible lograr ambas propiedades al mismo
tiempo, los diseños predeterminados usan un nivel de significancia (α) que permite que el
diseño incluya bloques ortogonales. Cuando no hay bloques, los diseños predeterminados
usan un nivel de significancia (α) que permita que el diseño sea rotativo.

Los valores del nivel de significancia de Minitab coinciden con aquellos indicados en
Montgomery1.

Puntos de cubo, puntos centrales en un cubo y puntos axiales

Un diseño central compuesto consiste en una porción de cubo conformada por los puntos
de diseño a partir de un diseño factorial de 2K o un diseño factorial fraccionado de 2k−p;
puntos axiales de 2K o puntos de "estrella" y puntos centrales (donde K es el número de
factores).

Interpretación

Puntos centrales en axial

Los puntos de diseño en los cuales todos los factores se establecen simultáneamente en
su nivel central y están en bloques axiales. Un bloque axial es un bloque que contiene
puntos axiales en lugar de puntos de cubo.

Interpretación
Por ejemplo:

 El Factor A tiene los siguientes niveles bajo y alto: 20 y 30

 El Factor B tiene los siguientes niveles bajo y alto: 150 y 200.
 El punto central para este diseño está ubicado donde el Factor A es igual a 25 y el Factor
B es igual a 175.

Tabla de diseño

La tabla de diseño muestra la configuración de factores para cada corrida experimental.

Dado que la tabla de diseño ocupa menos espacio que la hoja de trabajo, puede ser de
utilidad para los informes con espacio limitado.

La letra en la parte superior de las columnas representa los factores y sigue el orden que
usted utilizó cuando creó el diseño. Para los factores continuos, las configuraciones para
cada corrida se muestran en unidades codificadas. Para un diseño compuesto central,
Minitab representa los valores de configuración de la manera siguiente:

 −1 indica el nivel bajo del factor.

 1 indica el nivel alto.
 0 indica el punto intermedio entre el nivel bajo y el nivel alto.
 Los valores del nivel de significancia predeterminado indican los niveles axiales bajo y
alto.
Para los factores categóricos, Minitab representa la configuración de factores con
números que corresponden a las categorías.

Interpretación
Utilice la tabla de diseño para ver la configuración de factores para cada corrida y el orden
de las corridas en el diseño. En estos resultados, la tabla de diseño muestra 14 corridas
en cada uno de dos bloques, para un total de 28 corridas. Las corridas son aleatorizadas
en cada bloque. -1.414 y 1.414 indican los niveles axiales bajo y alto. En la primera
corrida, los factores continuos A y B están en el punto intermedio entre el nivel alto y el
nivel bajo, y el factor categórico C está en el nivel 1.

Tabla de diseño (aleatorizada)

Corrida Blq A B C

1 1 0.00000 0.00000 1

2 1 -1.00000 -1.00000 1

3 1 1.00000 -1.00000 1

4 1 0.00000 0.00000 1

5 1 -1.00000 -1.00000 2
 6 1 0.00000 0.00000 1

7 1 -1.00000 1.00000 1

8 1 1.00000 1.00000 2

9 1 1.00000 1.00000 1

10 1 -1.00000 1.00000 2

11 1 0.00000 0.00000 2

12 1 0.00000 0.00000 2

13 1 0.00000 0.00000 2

14 1 1.00000 -1.00000 2

15 2 0.00000 0.00000 2

16 2 0.00000 0.00000 1

17 2 0.00000 1.41421 2

18 2 -1.41421 0.00000 1

19 2 -1.41421 0.00000 2

20 2 0.00000 0.00000 2

21 2 0.00000 -1.41421 2

22 2 0.00000 0.00000 1

23 2 0.00000 -1.41421 1

24 2 1.41421 0.00000 2

25 2 0.00000 0.00000 2

26 2 0.00000 0.00000 1

27 2 0.00000 1.41421 1

28 2 1.41421 0.00000 1

BIBLIOGRAFIA

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/modeling-
statistics/doe/how-to/response-surface/create-response-surface-design/create-central-
composite-design/create-the-design/specify-the-design/