Asignatura : INVESTIGACIN II

Docente
Ciclo

: Ing. Lus Gonzles Torres

: 2013-I

QU ES UN DISEO EXPERIMENTAL?
Qu es un experimento? Es una prueba o ensayo Qu es un experimento diseado? 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 optimizacin.

PLANIFICANDO LA EXPERIMENTACIN

1. 2. 3. 4. 5.

Para los ingenieros la validacin de la hiptesis, se realiza mediante va de la experimentacin; entonces esta hay que planificarla, definiendo lo siguiente: Variables independientes y dependientes de inters. Hiptesis a validar( posible relacin entre variables) Mtodos experimentales a emplear Equipos e instrumentos necesarios Tcnicas para determinar el tamao de la muestra y para seleccionar sus elementos.

PLANIFICANDO LA EXPERIMENTACIN
1. 2.

3.
4. 5.

6.

Formatos para el registro de la informacin experimental Tcnicas para sistematizar la informacin experimental Nmero de ensayos a realizar Caractersticas de cada uno de los ensayos Modo de determinar el error experimental tcnicas para formular modelos matemticos.

FORMAS DE EXPERIMENTACIN

Experimentacin pasiva: -Llamada tambin convencional o clsica: -Gran cantidad de experimentos son llevados a cabo variando una variable a la vez -Este mtodo no es muy conveniente, cuando se investiga ms de dos variables -Se aplica tambin a la coleccin de datos estadsticos en una planta industrial.

Experimentacin Activa : (Diseo de experimentos) -Es un diseo predeterminado( diseo de experimentos), el cual es un plan organizado de experimentos que permiten evaluar simultneamente todas las variables consideradas y, adems, evaluar la fuerza de interaccin entre las variables y reducir el nmero de experimentos a llevarse a cabo

Experimentacin Activa : (Diseo de experimentos) Es decir se estructura una matriz experimental, asignando a cada variable ciertos valores definidos con anticipacin. Los resultados obtenidos en el curso de la experimentacin no cambian la matriz de diseo planteada inicialmente. Estos mtodos son apropiados cuando se tiene un numero elevado de variables independientes.

En la optimizacin de procesos, la utilizacin racional de los diseos experimentales, junto con una estrategia adecuada de optimizacin, es el mejor mtodo para encontrar los valores ptimos de las variables de la manera rpida y eficiente posible.

VENTAJAS DE LA EXPERIMETACIN ACTIVA ( Diseo de experimentos)

Mayor informacin por experimento Menor tiempo de experimentacin Las conclusiones son mas confiables Mayor credibilidad a las conclusiones del experimento Evala las interacciones entre variables experimentales

FUNCIN OBJETIVO

CRITERIO DE OPTIMIZACIN El punto de partida bsico en todo proceso de optimizacin es definir adecuadamente un criterio de optimizacin, en otras palabras, definir qu es lo que deseamos optimizar. Es decir, debemos escoger entre las diversas alternativas productivas ( variables dependientes), aquella o aquellas que bajo algn criterio adecuado nos brindan los mejores resultados.

DEFINICIN La relacin del criterio de optimizacin a las variables independientes consideradas en el estudio se denomina funcin objetivo. El principal objetivo en un proceso de optimizacin ser maximizar o minimizar una funcin objetivo el cual est definida por.

F (mx.) =
Donde:

(x, u, h, z)

(1)

F :Criterio de optimizacin x, u, h, z : Variables independientes (x: variable controlable, u: variable no controlable, h: variable indirecta y z: variable desconocida.)

SELECCIN CRITERIO DE OPTIMIZACIN En un proceso de optimizacin de minerales se tiene las siguientes alternativas productivas Recuperacin metlica Grado de concentracin Eficiencia de separacin Eficiencia econmica Eficiencia de concentracin Desde el punto de vista de la optimizacin es recomendable definir un nico criterio de optimizacin, que englobe o represente adecuadamente a las dems.

EJEMPLO
Se tiene un mineral de plomo (galena PbS) con una ley promedio de cabeza de 6.435% de plomo y se desea evaluar el efecto del tiempo de flotacin sobre la eficiencia del proceso ( criterio d optimizacin). Para la seleccin del criterio de optimizacin se considera dos alternativas : primero, un criterio tcnico (recuperacin metlica) y, el segundo, un criterio econmico ( valor por tonelada de cabeza), para ste se requieren datos referentes a algn contrato de comercializacin de concentrados, como es el siguiente:

Cotizacin del plomo $0.45/lb. Maquila $200 Flete : $20 Escalador :Si la ley de plomo es mayor a 60% se multiplica por 0.95, Si la ley de plomo es menor de 60% se le resta 3% Se desea saber cul de los criterios (tcnico o econmico) es el ms adecuado para optimizar el proceso; para ello se calcularon ambos criterios, tomando como base una muestra de 1 Kg. De mineral para cada una de las 8 pruebas experimentales como puede apreciarse en la tabla:

Tiempo (seg.)

Wcc (peso)

L Pb (%)

R (Pb) (%)

V CON ($)

VCAB

EE.(%)

1 2 3 4 5 6 7 8

30 60 90 120 240 320 600 840 Ideal

0.03284 0.05413 0.07287 0.08724 0.12992 0.16523 0.21329 0.25199 0.0743

72.9 70.5 65.7 61.0 47.3 37.7 29.4 25.0 87.7

37.2 59.3 74.4 82.7 95.5 96.8 97.4 97.6 100

467.06 444.44 399.21 354.91 219.49 124.25 41.91 -1.74

15.34 24.06 29.09 30.96 28.52 20.53 8.94 -0.44

34.62 54.31 65.67 69.89 64.37 46.34 20.18 -0.99

Wcc. : Porcentaje en peso concentrado obtenido LPb : ley de plomo en el concentrado (reporte laboratorio) RPb : Recuperacin metlica ( Peso Pb en el concentrado/ Peso de Pb en la cabeza)*100 VCON: Valorizacin por tonelada de concentrado VCAB : Valorizacin por tonelada de cabeza EE : Eficiencia Econmica.

CRITERIO TCNICO (Recuperacin metlica) RPb (1) = (0.0328*0.729)/(1*0.06435) =37.15% RPb (2) = (0.0541*0.705)/(1*0.06435) =59.3% CRITERIO ECONMICO (Eficiencia econmica) EE = (VCAB/ VCAB)*100 donde: VCAB es la valorizacin en dlares por tonelada de cabeza, asumiendo una recuperacin perfecta (100%) en el concentrado (VCAB)

a) Valorizacin por tonelada de cabeza (VCAB)

base : 1 TM de concentrado Pagos: (0.729*0.95)*1TM*(2204.62lb/TM)*($0.45lb)= $687.7 deducciones: Maquila :200 Flete : 20 =$220.00 VCON = $ 467.06

VCAB = VCON* (1/K) donde: K : ratio de concentracin k = peso mineral cabeza/peso concentrado para la prueba N 1 K = 1/0.03284 Por lo tanto, el valor por tonelada de cabeza est definido por : VCAB = 467.06*0.03284 = $15.34

Clculo de VCAB. Tenemos que asumir que el todo del concentrado est compuesto nicamente de galena (86.6% de Pb.), asumiendo una recuperacin de 100% Con las suposiciones planteadas, el primer paso es encontrar el peso de concentrado obtenido; teniendo los siguientes datos: Ley (Pb) cabeza : 6.435% Peso cabeza : 1 Kg. Ley (Pb) concentrado : 86.6% (galena pura) Recuperacin : 100%

Haciendo uso de la frmula de recuperacin metlica tenemos: 100% = (Peso CC.*0.866)/(1*0.06435)*100 Peso CC. = 0.0743 Kg. Pagos: (0.866*0.95)*1TM*(2204.62lb/TM)*($0.45/lb.) = $816.18 deducciones: Maquila : 200 Flete : 20 = $ 220.00 VCON = $ 596.18 donde: (1/0.0743) VCAB = $ 596*0.0743 = $ 44.29

Luego la eficiencia econmica segn la ecuacin es: EE = $15.34*100/$44.29 = 34.62% Hasta aqu, hemos realizado los clculos para la prueba N 1 ( con una ley de plomo mayor al 60%). Analicemos la prueba N 6 ( con una ley de plomo menor a 60%) Pagos : (0.377-0.03)*1TM*(2204.62lb/TM)*($0.45/lb.)= $344.25

deducciones. Maquila: 200 Flete : 20

= $ 220.00 VCON = $ 124.25 Ratio de concentracin = 1/0.16523 VCAB = $ 124.25*0.16523= $20.53 VCAB = $44.29 ( el mismo del caso anterior) Por lo tanto: EE = ($ 20.53)/($44.29)*100 = 46.34%

CLASIFICACIN DE LOS DISEOS EXPERIMENTALES

Desde el punto de vista de la optimizacin: -diseos experimentales de primer y segundo orden Desde el punto de vista de la manera en que son llevados los diseos experimentales: -en diseos experimentales simultneos y secuenciales.

 Desde

el punto de vista del objetivo (caracterizacin de procesos, diseo de productos, etc.): -experimentos por comparacin simple -diseos aleatorizados -diseos jerrquicos ( o anidados)

DISEO DE EXPERIMENTOS DESDE EL PUNTO DE VISTA DE LA OPTIMIZACIN

En flotacin de minerales, que es un proceso muy complejo del tipo caja negra (black-box), la funcin objetivo queda descrita, por el modelo matemtico emprico, as: F= Y= (X, U, Z) (X, U, Z)

(1)

donde: F = Y : Criterio de optimizacin (variable dependiente) x : variable controlable u : Variable no controlable (se pueden medir) z : variable desconocida ( ni se miden ni se controlan)

F = (X1, X2, .Xk) + Zr donde :

(2)

Zr : Variables aleatorias ( variable no controlable y desconocida)

En numerosos procesos metalrgicos, donde la forma de la funcin objetivo es desconocida, el uso de modelos matemticos de segundo orden similares a las obtenidas en la serie de Taylor, describen adecuadamente estos procesos. El desarrollo de la serie de Taylor para dos variables tiene la siguiente forma:

k k k Y = o + j X j + uj Xu X j + 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, llevado a cabo en laboratorio experimental o planta piloto, se desarrolla modelos matemticos similares a la serie de Taylor. Sin embargo estos modelos matemticos son un ESTIMADO de la ecuacin anterior (serie de Taylor)

EL MODELO MATEMTICO ESTIMADO ES:

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 regresin mltiple y son un estimado de los coeficientes tericos o, j, uj, jj
bo, bj, buj, bjj

Los coeficientes de la ecuacin (4) obtienen por el mtodo de mnimos cuadrados de la condicin :
k ----

se

(5)

( Yi - Yi )2 = Mnimo
i=1

La construccin de modelos matemticos de la forma de la ecuacin (4) , requiere utilizar una herramienta poderosa, como son los diseos experimentales. Por ello, los diseos experimentales constituyen la estrategia ms adecuada para obtener modelos matemticos empricos con un mnimo de pruebas experimentales

DISEOS EXPERIMENTALES DE PRIMER ORDEN

Se denomina as a ciertos experimentales que permiten adecuadamente los coeficientes ecuacin o modelo matemtico de siguiente modo:

diseos estimar j de la general,

^ (6) y = o + 1X1 + 2X2 + + k X k + Zr

Los diseos experimentales que permiten estimar modelos de primer orden son: -Diseos factoriales -Diseos factoriales fraccionados -Diseos Placckett y Burman

Al estimar los parmetros o, 1, k, es necesario considerar dos niveles, o, lo que es lo mismo, dos valores para cada variable controlable. Estos dos niveles estn codificados como bajo y alto o tambin - y +, como se puede observar en la figura:

Figura N 1 de diseo de primer orden:

Para el caso ms simple, una sola variable controlable:

K= 1

Y = bo + b 1 X 1 Para K = 2 Y = bo + b1X1 + b2X2 + b12X1X2

b1,b2 son las pendientes de las variables X1 y X 2. b12 es el parmetro de interaccin.

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

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

MODELO ADITIVO

Figura N2

MODELO INTERACTIVO fig.N3

La utilizacin de diseos experimentales de primer orden son de gran importancia en la etapa inicial de optimizacin, donde al inicio de la investigacin se tiene un gran nmero de variables inciales. El objetivo es estudiar el efecto de cada una de estas variables en la respuesta del proceso, eliminando aquellas variables que resulten poco significativas o de pendientes cercanos a cero, como se estudiar ms adelante.

DISEO EXPERIMENTALES DE SEGUNDO ORDEN

Son aquellos diseos que nos permiten estimar los parmetros j, uj y jj, de la ecuacin general : K K K Y = o + jXj + ujXu Xj + jjXj2 + J=1 UJ=1 J=1 .Zr uj

Los diseos experimentales ms comunes que permiten estimar modelos de segundo orden son: a) diseos rotables -Diseo hexagonal -Diseo ortogonal -etc.

b) Diseos compuestos -Diseo compuesto central -Diseo compuestos para ms 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 parmetro Bjj . Este tercer nivel, normalmente, es el punto central entre el nivel bajo - y el nivel +, codificado como nivel medio o sencillamente o. Si consideramos el caso de una sola variable controlable, el modelo de segundo orden toma la forma de :

Y = bo + b1X1 + b11X21
donde: b11 es denominado trmino curvatura y el punto mximo esta localizado a b1/2b11 ( igualando la primera derivada de esta ecuacin a cero). Si consideramos el caso de dos variables, 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 parmetros curvatura y b12 es el parmetro interaccin.

Modelo de segundo orden fig N 4

El uso de diseos experimentales de segundo orden son indispensables en la etapa final de optimizacin, donde un modelo se segundo orden puede describir apropiadamente la regin ptima.

DISEOS DE EXPERIMENTOS SECUENCIALES

Se llama as, a aquellos diseos experimentales, que despus de un diseo de primer orden (factorial por ejemplo), los experimentos sucesivos se van realizando en funcin de los resultados de los experimentos anteriores, de etapa en etapa. Estos pueden ser: directos e indirectos

ELEMENTOS BSICOS DEL DISEO EXPERIMENTAL

1. 2.

3.

Definicin adecuada de uno o mas criterios de optimizacin. Una lista completa de todas las variables independientes que puedan influir en la experiencia Seleccin de un modelo apropiado, segn la etapa de optimizacin en que se encuentre el estudio.

ETAPAS DE OPTIMIZACION
La optimizacin de un proceso por medio de diseos experimentales requiere del uso de una metodologa o estrategia adecuada, que nos lleve por el camino seguro y rpido para encontrar los valores ptimos de un proceso bajo estudio. Este proceso de optimizacin se compone de tres etapas que son las siguientes: Screening, Escalamiento y la Optimizacin final.

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

En la primera etapa de optimizacin el numero de variables iniciales (supongamos n variables iniciales), queda reducido a pocas variables significativas. Esto es conveniente para la economa de una investigacin. Para el estudio de esta etapa se utiliza, generalmente, diseos experimentales de primer orden, como son: a)Diseo factorial, b)Diseo factorial fraccionado c)Diseo Plackett y Burman.

GRFICA DE LAS ETAPAS DE LA OPTIMIZACIN

X2

Etapa de Optimizacin final Etapa de Escalamiento

Etapa de Screening X1

ESCALAMIENTO

Cuando la regin ptima se encuentra lejos de los experimentos iniciales (Screening), se inicia una segunda etapa de optimizacin denominada de Escalamiento, que consiste en escalar sucesivamente hacia la regin optima hasta llegar a ubicarla. Para este proceso se utiliza los diseos secuenciales siguiente: a) directos: Bsqueda simple, Bsqueda mltiple.

b)indirectos: Mtodo de pendientes ascendentes o descendentes. Cuando se dispone de suficiente informacin, acerca de un proceso, y se conoce aproximadamente la regin donde se encuentra el ptimo (en base a la experiencia del investigador), la etapa de escalamiento se puede obviar, para pasar directamente a la etapa de optimizacin final.

OPTIMIZACION FINAL
Una vez ubicada la regin experimental que encierra el optimo , en sta regin los efectos de segundo orden son mayores en valor absoluto a los efectos de primer orden, lo que indica, que esta regin puede ser descrito apropiadamente, mediante modelo matemticos de segundo orden de la forma:
k k Y = b o+ bJXJ + buj XuXj
j=1 u=j= 1

k + bjjXjj2
j=1

uj

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

ETAPA I : SCREENING
Cuando todava no se tiene un buen conocimiento del comportamiento del proceso, generalmente la lista de factores o variables que puedan influir en el proceso son muchas. En esta etapa el OBJETIVO ES
IDENTIFICAR LAS VARIABLES QUE AUMENTAN LA EFICIENCIA DEL PROCESO. Los diseos de

primer orden son los ms recomendados. Siendo el diseo factorial el ms utilizado , especialmente los diseos factorial 2 k y factorial fraccionado. Otro tipo de diseo, tambin ampliamente utilizado , es el Plackett y Burman.

INTRODUCCION AL DISEO FACTORIAL 2K

Por diseo factorial se entiende a aquel donde se investigan todas las posibles combinaciones de los niveles de los factores en cada ensayo completo o rplica. Entendindose por niveles a los diferentes valores que puede tomar los factores o variables .

Si se considera dos niveles, el diseo se denomina Diseo Factorial a dos niveles, o ms apropiadamente diseo factorial 2k. Por lo tanto, el nmero total de experimentos a llevarse a cabo viene definido por la relacin:
N = 2k

Donde: k: Nmero de variables. N: Nmero de experimentos.

EJEMPLO: En una prueba experimental de flotacin de sulfuros de zinc se evala el efecto de dos variables controlables, la dosificacin de reactivo de flotacin denominado Z11 y la de pH de la muestra, regulable mediante la adicin de xido de calcio. Siendo la variable respuesta, o el criterio de optimizacin, la recuperacin metlica del cinc. Los niveles de las variables a investigar se muestran en la siguiente tabla:

El nmero 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 12

En el sistema de coordenadas dimensionales o codificado

X2

Yx2
(12) +1

Yx1x2

Niveles para un diseo factorial para K=2

pH

(10) -1

Y1

Yx1

-1
(0.1) Z11

+1 (0.2)

X1

Niveles para un diseo K = 2

N Natural
Z1 1 2 3 4 0.1 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

Diseo para tres y cuatro variables: Para K = 3 y K = 4

El nmero de pruebas experimentales (N) a dos niveles y tres factores es: N = 2k = 23 = 8 El nmero de pruebas experimentales (N) a dos niveles y cuatro factores es: N = 2k = 24 = 16

DISEO FACTORIAL PARA K = 3 Y MATRIZ DE DISEO 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

1 2 3 4 5 6 7 8

-1 Y1 -1 YX1 -1 YX2 -1 YX1X2 +1 YX3 +1 YX1X3 +1 YX2X3 +1 YX1X2X3

PROPIEDADES DE LA TABLA DE INDICADORES DE NIVEL

Propiedad de ortogonalidad: El producto escalar de todas las columnas (vectores) es igual a cero. Xu,i * Xj,i = 0 u,j = 0,1,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

PROPIEDADES DE LA TABLA DE INDICADORES DE NIVEL

La sumatoria de todas las columnas es igual a cero. N X j,i = 0 j = 1,2,k i=1 X2 X3 -1 -1 -1 -1 +1 -1 +1 -1 -1 +1 -1 +1 +1 +1 +1 +1 X2=X3 = 0

PROPIEDADES DE LA TABLA DE INDICADORES DE NIVEL

La suma de los cuadrados de todas las columnas es igual al nmero de experimentos (N) del diseo. N X ji 2 = N j = 0,1,2,k i=1 X2 X3 -1 -1 -1 -1 +1 -1 +1 -1 -1 +1 -1 +1 +1 +1 +1 +1 X2=X3 = 8

DISEO FACTORIAL 2K CON REPLICA EN TODOS LOS PUNTOS DE DISEO

Cuando se busca una alta precisin y bajo costo por prueba experimental. Si el objetivo es una alta precisin y el costo de llevar a cabo las pruebas experimentales es bajo, se recomienda replicar las veces necesarias todos los puntos de diseo, es decir repetir cada prueba experimental varias veces.

EJEMPLO

En una investigacin sobre el estudio del efecto de dos variables (K=2), la concentracin de un reactivo (Z1) y la presencia de un catalizador (Z2), sobre la velocidad de reaccin de un proceso qumico. 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 DISEO PARA K = 2 2k = 22 = 4 experimentos con tres rplicas

N 1 2 3 4 Variables Z1 Z2 15 1 20 1 15 2 20 2 Rplicas 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

CLCULO DE EFECTOS
E Xi = ( Y+ - Y-)/(N/2*r)

Donde: Y+ : sumatoria de las respuestas correspondientes al nivel superior de la variable en cuestin

Y- : sumatoria de las respuestas correspondientes al nivel inferior de la variable en cuestin.

N
r

: Nmero de pruebas experimentales

: Nmero de rplicas en el diseo.

Aplicamos la frmula correspondiente, procedemos a calcular los efectos para las dos variables y la interaccin

X1 = (90+100-60-80)/(4/2*3) = 8.33 X2 = (90+60-100-80)/(4/2*3) = -5.00 X1X2 = (90+80-100-60)/(4/2*3) = 1.67 El significado fsico del clculo de los efectos es ver cmo vara la respuesta al variar una variable o factor de su nivel inferior al superior.

ALGUNAS OBSERVACIONES
- El hecho de aumentar la concentracin del reactivo del 15 al 20%, incrementa la velocidad de reaccin 8.33. - El hecho de aumentar la cantidad de catalizado de 1 a 2 sacos, disminuye el rendimiento del proceso. - El efecto de la interaccin es pequeo, por lo cual no tiene importancia.

MATRICIALMENTE SE PUEDEN CALCULAR LOS EFECTOS

Ej=

X ijYi/(N/2)(r)

j = 1,2,N

i=1 X ij : es la matriz de variables independientes.

Tambin podemos usar:

E Xi = [XT] [Y]/(N/2)(r)

ANLISIS DE VARIANCIA El procedimiento apropiado para probar la significancia de los efectos es mediante el anlisis de varianza, probablemente sea la herramienta mas til en la inferencia estadstica.

La siguiente ecuacin 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 anlisis de variancia de un diseo factorial donde se realizan varias rplicas en los puntos de diseo, la SUMA TOTAL DE CUADRADOS viene definido por: SS Total que es igual a la suma de todas las respuestas, cada uno de ellas elevadas al cuadrado, menos la suma de todas las respuestas (Y..) simples elevadas al final al cuadrado y divididas entre el producto del nmero total de experimentos por el nmero de replicas efectuadas.

Expresado en frmula:

SST =

Y2ijk (Y i+)2/N r
i=1 j=1 k=1

SST = (28)2+(25)2+ (27)2+.+(30)2+(29)2 (28+25+27+.+30+29)2/(4*3) SST = 9398 9075 = 323

LA SUMA DE CUADRADOS DE LOS EFECTOS viene definido por la siguiente relacin:

N SS Efecto = ( 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 est dado por la suma : SS efectos = 208.33 +75.00 + 8.33 = 291.66

Segn Ec. Referida anteriormente, se tiene que,

SS Error = SS Total - SS Efectos SS Error = 323.00-291.66 = 31.34

Con el clculo de los efectos, se pude aproximadamente saber a priori qu variables o factores pueden ser significativos. Pero la manera precisa y estadsticamente de medir se hace mediante el Teorema de Cochran, el cual puede resumirse en la siguiente ecuacin. 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 diseos factoriales a dos niveles. cuadrados del error; lo cual est 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 nmero de pruebas experimentales realizadas (incluyendo las rplicas) menos 1
definido por la relacin (N . r - 1)

Ahora bien, un efecto o interaccin es significativa si se cumple la siguiente relacin:

F o > F , f 1 ,f 2
Donde F , f 1 ,f 2 es lo que se denomina F de tablas , siendo el nivel de confiabilidad o significancia (generalmente igual a 0.01 o 0.05) El valor de F para = 0.01, f1=1 y f2=8 es11.3; como podemos observar X1 y X2 SON SIGNIFICATIVOS, mientras que la interaccin X1X2 NO ES SIGNIFICATIVA.

TABLA DE ANLISIS DE VARIANCIA

Fuente de variacin Suma de cuadrados SS Grados de libertad f (1,2,3) Media de Cuadrados MS Fo F = 0.01 f (1,2)

X1 X2 X1X2 Error Total

208.33 75.00 8.33 31.34 323.00

1 1 1 8 11

208.33 75.00 8.33 3.92

53.15 19.13 2.13

11.3

Modelo matemtico

El siguiente paso es obtener un modelo matemtico, que represente al proceso investigado, con el diseo factorial a dos niveles. nicamente podemos estimar modelos matemticos lineales de la siguiente forma:

Y = b o + b jX j + b ujX uX j j=1 u=j=1 Donde u j

Clculo bj, buj

Se hace uso de la frmula matricial utilizada para la estimacin 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 estimacin de los coeficientes del modelo matemtico anterior porque el producto (X)T(X) es igual a una matiz cuyos elementos de la diagonal es igual al nmero de experimentos (N). As, los elementos de la diagonal de la matriz inversa ((X)T(X))-1 son:

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

SXoiYi SX1iYi
= . . .

SXkiYi

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

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

Con esta informacin, procedemos a calcular los coeficientes de modelo lineal bo = (90+100+60+80)/(4*3) = 27.5 b1 = 8.33/2 = 4.165 b2 = - 5.00/2 = -2.5 b12 = 1.67/2 = 0.835

Por lo tanto, el modelo matemtico en escala codificada sin considerar la interaccin X1X2 que result no significativa, es : Y = 27.5 + 4.165X1 2.5X2

VALIDACIN DEL MODELO MATEMTICO

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

[X] +1 -1 -1 +1 +1 -1 +1 -1 +1 +1 +1 +1

[B] 27.5 4.16 -2.50

[Y est.] 25.83 34.17 20.83 29.17

Yest.

Residuales (Y Yest.)
2.167 -0.833 1.167 1.833 -2.167 -2.165 -2.833 -1.833 -2.167 1.833 0.833 -0.167

28 25 27 25.83 36 32 32 34.17 18 19 23 20.83 31 30 29 29.18

con estos elementos podemos calcular LA SUMA DE CUADRADOS DE RESIDUAL DEL MODELO, mediante la siguiente ecuacin: Nr SCMr =

S((Y-Y)2/(N r-I))
i1

donde : Y = Y est. Y = Y observado N r = Nmero total de experimentos I = Nmero de parmetros del modelo matemtico. La diferencia (N r-I) se denomina grados de libertad del residual del modelo, el cual denotaremos como f4

Aplicando la ecuacin del SCMr SCMRr = ((2.167)2+(-0.833)2+.+(1.167)2)/(4*3-3) = 4.40 Ahora aplicamos el test F si el modelo hallado representa adecuadamente a los datos experimentales. Fo = SCMr/MSError Fo < F (,f4,f2)

Donde: = es el nivel de confianza, generalmente del 95% (0.05) de la tabla, vemos que MSError = 3.92, por lo tanto Fo ser: Fo = 4.4/3.92 = 1.12 Para un nivel de confianza del 95% (0.05), para 9 y 8 grados de libertad, F de la tabla es 3.39. Por lo tanto, el modelo matemtico representa adecuadamente el fenmeno investigado.

TABLA DE ANLISIS DE VARIANZA (Fo < F (,f4,f2) )

Fuente de Suma de Grados de Media de variacin cuadrados libertad Cuadrados SS f (4,2) MS
Residuales Error 39.6 31.34 9 8 4.40 3.92

Fo

F = 0.05 f (4,2)
3.39

1.12

DECODIFICACION DEL MODELO MATEMATICO

Para el trmino independiente: k k

a o = bo b jj + b i j 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 interaccin:

ij

ij

a ji Z j Z i = b ji/ ( Z j z i)

Donde Z j : Centro del diseo para la variable j = (Z Max + Z min )/ 2

z
j

: Radio del diseo para la variable j = (Z Max Z min)/ 2 : Resultado de la divisin de Z j / Z j

Z1
Nivel inferior (-) Nivel superior (+) Centro diseo (Z ) Radio diseo (AZ) Relacin 15 20 17.5 2.50 7

Z2
1 2 1.5 0.5 3

el modelo matemtico a escala codificado es Y = 27.5 + 4.165 X1 2.5X2 Reemplazando los datos a las frmulas anteriores, tenemos:

a = 27.5 -4.165*7-(-2.5)*3 = 5.846 a1 = (4.165/2.5)= 1.666 a2 = (-2.5/0.5) = -5

Luego, el modelo matemtico a escala natural es: Y = 5.846 + 1.666Z1 -5Z2
TRABAJO DE CASA: REPRESENTACIN GRFICA DEL MODELO MATEMTICO 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

PROBLEMA
Un ingeniero est interesado en el efecto que tienen la rapidez de corte X1, la configuracin X2 y el ngulo de corte X3 sobre la duracin de una herramienta. Se eligen dos niveles de cada factor y se realiza un diseo 23 con tres rplicas. Los resultados se muestran a continuacin. Analice los datos de este experimento

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

a) Estime los efectos de los factores. Cules de esos efectos resultan ser mayores? b) Utilice el anlisis de variancia a fin de confirmar sus conclusiones para el caso a. c) Analice el modelo matemtico obtenido. d) Cules de los niveles X1, X2 y X3 recomendara el lector? e) Represente grficamente el modelo con interaccin

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

(X)T (Y)

980 4

136

82

-20

-106

-34

-26

EFECTOS

----- 0.33 11.33 6.83 -1.67 -8.83 -2.83 -2.17

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 = 0.667 SCX2 = (136)2 / 24 = 770.7 SCX3 = (82)2 / 24 = 280.2 SCX1X2 = (-20)2 /24 = 16.67 SCX1X3 = (-106)2 / 24 = 468.2 SCX2X3 = (-34)2 /24 = 48.17 SCX1X2X3 = (-26)2 / 24 = 28.17 SSEFECTOS = 1612.8

SSERROR = 2096 1612.8 = 483.2

FUENTE DE VARIACIN SUMA DE CUADRADOS GRADOS DE LIBERTAD MEDIA DE CUADRADOS FO

X1 X2 X3 X1X2 X1X3

0.667 770.7 280.2 16.67 468.2

1 1 1 1 1

0.667 770.7 280.2 16.67 468.2

0.02 25.52 9.28 0.55 15.5

X2X3
X1X2X3 ERROR TOTAL

48.18
28.17 483.2 2096

1
1 16 23

48.18
28.17 30.20

1.6
0.93

El valor de F es tabulado para un nivel de significancia del 99% y para f1 = 1 y f2 = 16, tenemos: f (0.01, 1, 16) = 8.53

CONCLUYENDO:

EL MODELO MATEMTICO: Y est. = 40.83 + 0.167X1 + 5.667X2 + 3.417X3 4.417X1X3

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

Por supuesto, es innecesaria la linealidad perfecta y el sistema 2k funcionar bastante bien incluso cuando la suposicin de linealidad se cumpla slo de manera aproximada. De no ser cierta esta hiptesis, es decir que no prediga adecuadamente, especialmente el punto central del diseo, podemos afirmar que el modelo matemtico lineal no es suficiente para explicar las respuestas en dicha regin experimental y podemos asumir una posible existencia de curvatura. Para ello la adicin de pruebas en el punto centra del diseo nos sirve para dar una estimacin promediada del efecto curvatura.

El clculo de los efectos e interacciones es el mismo que en el aplicado en el caso de diseo factorial 2k con rplica en todos lo puntos del diseo, siendo r = 1, excepto para el clculo de la suma de cuadrado del error SSError, el cual sta definido por:

no --SS Error = (Y i Y ) i=1 Donde : SS Error :es la suma de cuadrados del error. Y i : replicas en el punto central del diseo -Y :promedio de todas las rplicas no :nmero de rplicas en el centro del diseo

La suma de cuadrados para la curvatura est dada por: _ _ SS curvatura = N no (Y Y o)/(N +no) Donde : _ Y = es el promedio de los puntos exteriores del diseo. _ YO = promedio de todas las rplicas en el punto central del diseo.

EJEMPLO

Una ingeniera qumica se encuentra estudiando el rendimiento de un proceso. Existen dos variables de inters, tiempo y temperatura de reaccin. Debido a que tiene duda de la suposicin de la linealidad en la regin que explora, ella decide realizar un diseo 2 2 ( con una sola rplica en cada corrida) aumentada con 5 puntos centrales

Diseo factorial con rplica en el centro del diseo

40.0 160 1 41.5

40.3
T 155 0

40.5 40.7 40.2 40.6

39.3 40.9 1 40

150

-1

-1 30

0 35 Tiempo de reaccin

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

39.3
40.9 40.0 41.5

161.7
-----

3.1
1.55

1.3
0.65

-0.1
-0.05

ANLISIS DE VARIANCIA
FUENTE DE VARIACIN SUMA DE GRADOS DE CUADRADOS LIBERTAD MEDIA DE CUADRADOS FO

X1 X2 X1X2 CURVATURA ERROR TOTAL

2.4025 0.4225 0.0025 0.0027 0.1720 3.0022

1 1 1 1 4 8

2.4025 0.4225 0.0025 0.0027 0.0430

55.87 9.83 0.06 0.06

Modelo matemtico

Y est.

40.425 + 0.775X1 + 0.225X2

ANLISIS DE RESIDUALES
Y 39.3 40.9 40.0 41.5 Y est. 39.325 40.875 39.975 41.525 (Y Y est.) -0.025 0.025 0.025 -0.025

MODELO MATEMTICO DECODIFICADO

Yest.

= 28.025 + 0.155Z1 + 0.045Z2