EXPERIMENTO

PROBLEMATICA
Factores
controlables

ENTRADA PROCESO SALIDA

Factores No Controlables
Profa. Isabel Díaz
 GENERALIDADES
Definición: Es un conjunto de métodos y
procedimientos estadísticos y matemáticos
utilizados por los investigadores para resolver
ciertos tipos de problemas .

Métodos
Matemáticos Al ser adecuadamente
combinadas le permiten
La MSR Inferencias al investigador analizar y
envuelve Estadísticas explorar el proceso en
Estrategias
estudio
experimentales
Profa. Isabel Díaz
 TIPOS DE PROBLEMAS

 Desarrollar Mejorar y Optimizar procesos.

 Desarrollar, formular nuevos productos

 Mejorar, optimizar productos existentes.

 Estudiar la influencia que un grupo de variables o
factores que puede tener en una respuesta
determinada.

Profa. Isabel Díaz

CARACTERISTICAS DEL PROBLEMA
Respuesta o dependiente:
Medida en escala continua
Tipos de Variables
Variables Independiente o factores:
Controladas y manipuladas por el
investigador

Estimar un polinomio de bajo orden

que aproxime la relación existente
Describir la superficie de respuesta
Objetivos de la MSR
obtenida y estudiar su naturaleza
Optimizar la relación existente a través
del polinomio
Profa. Isabel Díaz
 FASES DE LA MSR
Fase Cero (Discriminatoria):
Se seleccionan los factores del proceso que puedan
inferir potencialmente en el proceso.

Herramientas:
Estrategias experimentales, experiencia, estudios
anteriores, diseño experimental inicial

Profa. Isabel Díaz

 FASES DE LA MSR
Fase Uno:
Se ubica la región de estudio, es de interés que se
encuentre la combinación donde se pueda
encontrar el óptimo ó muy cercano a él.

Herramientas:
Métodos Matemáticos, experiencias, estudios
anteriores

Profa. Isabel Díaz

 FASES DE LA MSR
Fase Dos:
Se obtiene un modelo polinomial de bajo orden que
aproxime con un margen de error pequeño a la
verdadera función respuesta dentro de la región de
interés. En general polinomios cuadráticos.

Herramientas:
Diseños de experimentos, Regresión, Métodos
Matemáticos.
Profa. Isabel Díaz
 PROCEDIMIENTO DE LA MSR
Determinar los factores a incluir en el estudio y
variables respuesta de interés para su análisis.
Investigar si la región en la que se opera contiene al
óptimo; en caso de no ser así se deben realizar los
ajustes a las variables para moverse hacia la región del
óptimo.
Una vez verificado donde se puede encontrar el óptimo
se fija la región de estudio.
Se plantea el modelo poblacional a estudiar aproximado
por un polinomio de bajo orden
Profa. Isabel Díaz
 PROCEDIMIENTO DE LA MSR
Se utiliza el análisis de regresión para encontrar
estimadores de los coeficientes del modelo polinomial
planteado.

Se selecciona un diseño de tratamiento adecuado para

los requerimientos del investigador.

Una vez obtenido el modelo de mejor ajuste a los datos

se procede al estudio de la superficie utilizando
apropiados métodos matemáticos apropiados.

Profa. Isabel Díaz

 FUNDAMENTOS DE LA MSR
Estudiar un proceso que envuelve una variable
respuesta  que depende de k factores controlados,
sean 1 2 … k, la relación se representa por
=f(1 2 … k) + 
Donde f es desconocida o muy complicada.

 Representa otra fuente de variabilidad no indicada

por f.

Profa. Isabel Díaz

 FUNDAMENTOS DE LA MSR
i variables naturales expresadas en sus unidades de
medidas.

Xi codificación de las variables naturales.

Basándose en Taylor f se aproxima por un polinomio

de bajo orden en la región de interés

Profa. Isabel Díaz

 SUPUESTOS DE LA MSR
La función f es desconocida ó muy compleja.

La función f es continua con derivadas parciales

continuas hasta orden n-ésimo en la región de interés.

Las variables involucradas en el experimento deben ser

cuantitativas y continuas.

Las variables independientes son controladas y

codificadas en el intervalo de definición de cada una de
ellas.

Profa. Isabel Díaz

 SUPUESTOS DE LA MSR
Se puede seleccionar un diseño de tratamiento que
permita obtener un valor de la respuesta para cada una
de las combinaciones de los niveles de los factores.

Los coeficientes del modelo poblacional pueden ser

estimados a través de procedimientos de estimación de
parámetros estadísticos.

Mediante un estudio del polinomio ajustado se pueden

encontrar algunas características importantes en la
superficie.
Profa. Isabel Díaz
MÁXIMA PENDIENTE
 GENERALIDADES
Método de Máxima Pendiente: Permite
pasar de una región experimental al
centro de otra subregión con la intención
de obtener la respuesta máxima.
Se realiza dentro de un programa
secuencial
Profa. Isabel Díaz
FUNDAMENTACIÓN TEÓRICA

Moverse desde el punto O a un punto

P en el espacio de factores, donde la
P(x1,x2) ganancia de la respuesta sea máxima
en P.
R
Sea Y = f(x1,x2) la variable respuesta
del problema en función de las
variables independientes, se busca
O(0,0)
maximizar la respuesta bajo la
condición d2(P,O)=R2

Profa. Isabel Díaz

FUNDAMENTACIÓN TEÓRICA
El Método consiste en un
procedimiento secuencial, donde
el experimentador se mueve a lo
P(x1,x2)
largo de pasos hacia un máximo
aumento en la respuesta.
R
Se aplica la metodología de
“MULTIPLICADORES DE
O(0,0) LAGRANGE” para resolver el
problema de maximizar la
respuesta.

Profa. Isabel Díaz

 MULTIPLICADORES DE
LAGRANGE

El problema es optimizar la función objeto

Y = f(x1,x2,….,xk) bajo la condición (xi)2=R2

Para aplicar la Metodología de Multipicadores de

Lagrange se busca el óptimo de la función de
Lagrange dada por:
F(x1,x2,….,xk,) = f(x1,x2,….,xk) - ((xi)2-R2 )

Profa. Isabel Díaz

PROCEDIMIENTO DEL MÉTODO
Ajustar un modelo polinomial de 1er orden en
alguna región restringida de las variables
independientes.
Se avanza desde el centro del diseño R
unidades sobre la superficie de una híper-
esfera obteniendo el máximo aumento en la
respuesta.(Multiplicadores de LaGrange)
Una vez encontrado el punto se centra una
nueva región en dicho punto y se vuelve a
realizar el proceso.
Profa. Isabel Díaz
DISEÑOS DE 1 ER ORDEN
 DSR DE 1ER ORDEN
Permite ajustar un modelo polinomial de 1er
orden en los factores, de la forma:
Y = 0 + 1 X1 + 2 X2 +…+ k Xk +
El modelo factorial matricial es de la forma
Yn*1 = Xn*(k+1) (k+1)*1
El estimador MCO de (k+1)*1 es dado por la
ecuación
 (k+1)*1 =((Xn*(k+1))’(Xn*(k+1)))-1((Xn*(k+1))’ Yn*1
Profa. Isabel Díaz
 DSR DE 1ER ORDEN
El diseño utilizado es un factorial 2k con
niveles codificados -1,1.
Para estimar el error se utiliza adición de
puntos centrales, cuando hay bajo error
experimental, se recomienda de 4 a 5 puntos
centrales.
Si hay más de 4 variables y no se necesita
estudiarla interacción se recomienda
fraccionado del factorial.

Profa. Isabel Díaz

 DSR DE 1ER ORDEN
El diseño utilizado es un factorial 2k con
niveles codificados -1,1.
Para estimar el error se utiliza adición de
puntos centrales, cuando hay bajo error
experimental, se recomienda de 4 a 5 puntos
centrales.
Si hay más de 4 variables y no se necesita
estudiarla interacción se recomienda
fraccionado del factorial.

Profa. Isabel Díaz

 DSR DE 1ER ORDEN

Los diseños factoriales son diseños

ortogonales, se caracterizan por:
Originar estimadores independientes de los
coeficientes.
Minimizar la varianza de los coeficientes.

Profa. Isabel Díaz

DISEÑOS DE 2 DO ORDEN
 DSR DE 2DO ORDEN
Permite ajustar un modelo polinomial de 2DO
orden en los factores, de la forma:
Y = 0 + i Xi + i(Xi)2 + ij Xi Xj +
El modelo factorial matricial es de la forma
Yn*1 = Xn*m  m*1 donde m = 2k+C(k,2)+1

El estimador MCO de m*1 es dado por la

ecuación
 m*1 =((Xn *m)’(Xn* m))-1((Xn*m)’ Yn*1
Profa. Isabel Díaz
 DSR DE 2DO ORDEN
Requerimientos del Diseño:
Debe tener por lo menos tres niveles en cada
factor

El diseño experimental se selecciona de

acuerdo a las base:
Precisión relativa en estimar los coeficientes
La cantidad de esfuerzo experimental.

Profa. Isabel Díaz

 DSR DE 2DO ORDEN

Factorial 3k con adición

de puntos centrales K<4
Diseños DCC
Sugeridos Ortogonal
Diseño Compuesto
Central (DCC) DCC
Rotable

Profa. Isabel Díaz

 DISEÑO FACTORIAL 3 k

Cada factor se toma a tres niveles, codificados

de la forma -1,0,1.
Para estimar el error se adicionan puntos
centrales al diseño. Sean No.
Si K>4 se sugiere utilizar otro diseño. El
número total de observaciones es N= 3k + No.
No es un diseño ortogonal, pero puede
ortogonalizarse corrigiendo las columnas
cuadráticas por su media.
Profa. Isabel Díaz
DISEÑO COMPUESTO CENTRAL
Cada factor se toma a cinco niveles,
codificados de la forma -,-1,0,1 .

Es conformado por tres bloques:el factorial, el

axial y el central.

Permite experimentación secuencial.

Reduce el número de observaciones,

resultando un total de N=2k +2k+n0 .
Profa. Isabel Díaz
DISEÑO COMPUESTO CENTRAL
Características de los bloques para k factores
Bloque Factorial:Es conformado por un diseño
factorial 2k o fraccionado del factorial cuando
k>3, con niveles -1,1; estima los términos
lineales del modelo polinomial cuadrático.
Bloque Central: Es conformado por no puntos
centrales con nivel 0, da grados de libertad
para estimar el error.

Profa. Isabel Díaz

DISEÑO COMPUESTO CENTRAL
Características de los bloques para k factores
Bloque Axial:
Es conformado por 2k observaciones axiales
dadas por (-,0,0…,0), (,0,0…,0), (0,-,0,…,0)
(0,,0,…,0),…., (0,0,…,-),(0,0,…,), estima los
terminos cuadráticos del modelo polinomial
cuadrático.
El valor de  se selecciona de acuerdo a las
necesidades del investigador.
Profa. Isabel Díaz
DISEÑO COMPUESTO CENTRAL
Diseño Compuesto Central Ortogonal.
Para que el diseño sea ortogonal se realizan
correcciones de las columnas cuadráticas a
través de la media de cada una de ellas y luego
se encuentra el valor de  aplicando la
ecuación:
2=((2k)1/2(N1/2-(2k)1/2))/2
 depende del número de puntos centrales.

Profa. Isabel Díaz

DISEÑO COMPUESTO CENTRAL
Definición: Un diseño es rotable si la varianza
de la respuesta estimada es una función
exclusiva de la distancia del punto al centro
del diseño.

Para que un diseño sea rotable deben

cumplirse las siguientes condiciones:
(xi)2= N2 (xi)4 = 3N4 (xi)2 (xj)2 = N4

Profa. Isabel Díaz

DISEÑO COMPUESTO CENTRAL
Diseño Compuesto Central Rotable.
De acuerdo a las ecuaciones anteriores para
que el DCC sea rotable debe satisfacer:
(xi)2= 2k +22 =N2
(xi)4 = 2k +24 =3N4
(xi)2 (xj)2 = 2k =N4

Profa. Isabel Díaz

DISEÑO COMPUESTO CENTRAL
Diseño Compuesto Central Rotable.
Resolviendo el sistema de ecuaciones se
obtiene:
(xi)4 = 2k +24 =3N4 2k +24 = 3*2k
(xi)2 (xj)2 = 2k =N4  4 = 2k

Ortogonalidad
4=N/(2k + 4(2k)1/2 +4)
Precisión Uniforme
Profa. Isabel Díaz
DISEÑO ORTOGONAL
Varia
bles
Puntos Centrales
k 1 2 3 4 5 6

2 1 1.0781 1.1474 1.2100 1.2671 1.3197

3 1.2154 1.2872 1.3531 1.4142 1.4712 1.5246

4 1.4142 1.4826 1.5467 1.6072 1.6644 1.7178

5 1.5960 1.6618 1.7244 1.7842 1.8414 1.8963

Profa. Isabel Díaz

DISEÑO ROTABLE
 K 2 3 4 5 5 6 6 7 8

½ ½ rep ½ rep ½
rep rep
F 4 8 16 32 16 64 32 64 128

E 4 6 8 10 10 12 12 14 16

no 5 6 7 10 6 15 9 14 20
(pu)
no 8 9 12 17 10 24 15 22 33
(ort)
 1.414 1.682 2 2.378 2 2.828 2.378 2.828 3.364

4 (pu) 0.81 0.86 0.86 0.89 0.89 0.91 0.9 0.92 0.93

4 1 0.99 1 1.01 1 1 1.01 1 0.998

(ort)
Profa. Isabel Díaz