You are on page 1of 5

9.

DISEÑOS 2 K CON PUNTOS AL CENTRO

9.1 INTRODUCCION
Un motivo de preocupación potencial en el uso de diseños factoriales de dos niveles es la
suposición de linealidad en los efectos de los factores, dado que solo se trabajan 2 niveles
(nivel bajo, nivel alto) en cada factor. Aunque el sistema 2k funciona bien incluso cuando la
suposición de linealidad se cumpla sólo de manera aproximada, se requiere de cualquier
forma investigar que tanto se cumple con la suposición de la linealidad. Para ello, existe un
método para replicar ciertos puntos en un diseño factorial 2k, lo cual protegerá contra la
curvatura (falta de linealidad) además de permitir obtener estimaciones de error de manera
independiente.

Dicho método consiste en agregar puntos centrales al diseño 2k, para lo cual se hacen n
réplicas en los puntos Xi = 0 ( i = 1,2 ...,k). Dichos puntos serán de utilidad para verificar
la linealidad del modelo del diseño, además no afectaran las estimaciones usuales de los
efectos del diseño.

Para ilustrar el método, considérese un diseño 22 con una observación en cada uno de los
puntos factoriales (-,-), (+,-), (-,+) y (+,+) y nc observaciones en los puntos centrales (0,0).
En figura 9.1 se ilustra la situación.

En la figura 9.1 si consideramos al promedio de las cuatro corridas experimentales y la


denotamos como ̅̅̅ , de igual forma sea ̅ el promedio de los puntos centrales del
diseño. Si la diferencia entre ̅̅̅ ̅ es pequeña, significa que los puntos centrales se
encuentran en el plano que pasa por los puntos factoriales (o cerca de ellos) y por
consiguiente no hay curvatura. Por otro lado si la diferencia ̅̅̅ ̅ es grande entonces
significaría que hay presencia de curvatura. Debido a que lo pequeño o grande es relativo,
se estima la suma de cuadrados para la curvatura, que esta dada por la expresión 9.1

126
Gráfica de Cuadro para Rendimiento

1.0
Temperatura 40.0194 41.5194

(0,0)

39.3194 40.9194
-1.0
-1.0 1.0
Tiempo

Figura 9.1 Diseño 22 con puntos centrales donde ̅

(̅̅̅ ̅) (9.1)

donde nF y nc son el numero de puntos factoriales y el numero de puntos centrales del


diseño, respectivamente. El cuadrado medio de la curvatura se estima mediante la
expresión 9.2

(9.2)

127
9.2 PROBLEMA
Un ingeniero químico se encuentra estudiando el rendimiento de un proceso. Existen dos
factores de interés, tiempo y temperatura de reacción. Debido a que tiene duda acerca de la
suposición de linealidad en la región que explora, el ingeniero decide realizar un diseño 2 2
(con una sola replica de cada corrida factorial) aumentada con 5 puntos al centrales. Los
datos de rendimiento se muestran la tabla 9.1.

Tiempo Temperatura Rendimiento


-1 -1 39.3
1 -1 40.9
-1 1 40
1 1 41.5
0 0 40.3
0 0 40.5
0 0 40.7
0 0 40.2
0 0 40.6
Tabla 9.1 Resultados para rendimiento

9.2.1 ANOVA PARA VER EFECTOS SIGNIFICATIVOS Y


VERIFICAR CURVATURA

En la tabla 9.2 se puede ver que los efectos simples de Tiempo y Temperatura son
significativos al 5%, además podemos verificar que no hay efecto de curvatura ya que le
valor de P=0.8137 mayor que el nivel de confianza dado α=0.05. Nótese que la interacción
no fue significativa.

128
Análisis de Varianza para Rendimiento
Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P
A:Tiempo 2.4025 1 2.4025 55.87 0.0017
B:Temperatura 0.4225 1 0.4225 9.83 0.0350
AB 0.0025 1 0.0025 0.06 0.8213
Falta de ajuste 0.00272222 1 0.00272222 0.06 0.8137
Error puro 0.172 4 0.043
Total (corr.) 3.00222 8

R-cuadrada = 94.1802 porciento


R-cuadrada (ajustada por g.l.) = 90.6884 porciento

Tabla 9.2 Análisis de Varianza para Rendimiento

9.2.1 ANALISIS COMPLENTARIOS

9.2.1.1 GRAFICAS DE EFECTOS PROMEDIO

Gráfica de Efectos Principales para Rendimiento Gráfica de Efectos Principales para Rendimiento

41.4 40.9
41.2194
41 40.7694
40.7
Rendimiento

Rendimiento

40.6

40.2 40.5

39.8
39.6694 40.3
39.4

39 40.1 40.1194
-1.0 1.0 -1.0 1.0
Tiempo Temperatura

Figura 9.2 Grafica de efectos promedio Figura 9.3 Grafica de efectos promedio
para el Tiempo para la Temperatura

129
En las figuras 9.2 y 9.3 se encuentran las graficas de efectos promedio para Tiempo y
Temperatura, respectivamente. Ambos efectos tienen un efecto positivo. Para maximizar el
rendimiento se recomienda usar un tiempo en nivel alto (+) y una temperatura en nivel (+).

9.2.1.1 MODELO DE REGRESION Y GRAFICA DE RESPUESTA

El modelo de regresión del diseño se puede ver en la expresión 9.3, al sustituir las
recomendaciones de los efectos simples en el modelo de regresión, se puede concluir que el
valor promedio esperado de rendimiento es de 41.5 (ver figura 9.4).

Rendimiento = 40.4444 + 0.775*Tiempo + 0.325*Temperatura - (9.3)


0.025*Tiempo*Temperatura

Gráfica de Cuadro para Rendimiento

1.0
40.0194 41.5194
Temperatura

39.3194 40.9194
-1.0
-1.0 1.0
Tiempo

Figura 9.4 Grafica de respuesta para rendimiento

130