Diseños Estadisticos HUANUCO

Universidad Nacional Hermilio Valdizan
XVI CONEIA - Hunuco 2015
Anlisis y Diseos Experimentales

para la Ciencia y
Procesos Agroindustriales
Curso Taller XVI CONEIA

Ing. Oscar Crisstomo Gordillo
ocrisostomog@unmsm.edu.pe
Principios Bsicos en el
Diseo Experimental
Qu es un Diseo de
Investigacin?
Diseo
Se refiere al plan o estrategia que se desarrolla
para obtener la informacin que se requiere en
una investigacin.
Qu es un experimento?
Experimento:
Es una situacin de control en la cual se
manipula , de manera intencional, una o ms
variables independientes (causas) para analizar
las consecuencias de tal manipulacin sobre una
o ms variable dependientes (efectos).
Diseo Experimental
Este trmino se utiliza para planear un
experimento de manera que se pueda obtener la
informacin
pertinente
a
un
determinado
problema que se investiga y as tomar decisiones
correctas.
Un experimento diseado es una prueba o serie
de pruebas en las cuales se inducen cambios
de entrada de un proceso o
deliberados en las variables de entrada de un
sistema, de manera que sea
posible observar e identificar
las causas de los cambios en
la respuesta de salida.
Diseo y Anlisis de Experimentos
los experimentos dan la mejor justificacin

para conclusiones causales (Cook, 2002)
Sin embargo, los experimentos son utilizados con
poca frecuencia.
Diseo de Experimentos
Ciclo de Deming
Etapas de un Experimento
dentificacin del problema

Objetivo (Hiptesis/Pregunta).
Escoger variables de respuesta.
Identificar variables explicativas.
Vnculo entre VE y VR (modelo)
Anlisis de resultados
(respuesta a la pregunta)
Diseo del experimento

(dnde medir?)
Recoleccin de la muestra
(medicin)
El diseo del experimento est influenciado por el modelo para analizar los datos
Principios Bsicos
Error Experimental
Debido al
mismo
material
Variabilidad existente
entre los resultados de
unidades
experimentales
tratadas en forma
similar
Falta de
uniformidad
REPETICIN
PRINCIOS BSICOS
DEL DISEO
EXPERIMENTAL
ALEATORIZACIN
ANLISIS POR BLOQUES
l
n
i
ria
te
ac
riz l marden
to
e o
ea n d el las se
y n s
Al
i
ac tal liza ale
ign en ea u r
as im e r ivid aza
La per e s ind al
ex qu as an
en ueb min
pr ter
de
O
Re
es bte
pe
n
t
e
C xp ima er u tici
e c
n
esalcu rim in na
de tim lar en de
un ac un tal l er
ro
fa in a
r
ct d
or el
ef
ec
to
Principios Bsicos
Principios
Bsicos
en el
Diseo de
Experime
ntos
Anlisis por Bloques

Un bloque es una porcin
de material experimental
que sea ms homogneo
que el total del material
Planeacin y Diseo de
Experimentos
Variables No
Controlables o
Factores de
Ruido
Variables
Controlables o
Factor Seal
Producto /
Proceso
Variables
Independientes
o Factores de
Control
Variables
Dependientes o
Respuesta
Conceptos Generales
Factor
Variable Independiente que afecta

los resultados del experimento:
controlables o no controlables
Factor en estudio
En un experimento se puede
evaluar uno o ms factores
Susceptible a la manipulacin.
Sus valores son controlados.
Sus efectos son evaluados en los
resultados del experimento
(variable dependiente).
Conceptos Generales
TRATAMIENTOS
Es un conjunto de procedimientos
cuyo efecto sobre la respuesta nos
interesa estudiar, cuyo efecto se
mide y se compara con otros
tratamientos.
Un tratamiento corresponde a los
niveles de un Factor o a la
combinacin de los niveles de
dos o ms Factores.
Variable
Respuesta
Unidad
Experimental
Es la variable en la cual se evaluarn

los efectos de los tratamientos.
Es la unidad (sujeto u objeto) sobre el
cual se le aplica un tratamiento.
Conceptos Generales
HIPTESIS DE
INVESTIGACIN
Alguna de las
temperaturas de
lixiviacin obtendr
mayor rendimiento
Factor en
estudio
Temperatura de
lixiviacin
Tratamiento
M1, M2 , y Mn
Variable
Respuesta
Rendimiento
Unidad
Experimental
1 Kg de Sacha Inchi
MODELAMIENTO
MATEMTICO
Modelos Matemticos
Un modelo matemtico es una descripcin, en
lenguaje matemtico, de un objeto que existe en un
universo no-matemtico.
Un modelo es una representacin cualitativa y/o
cuantitativa de un sistema, en el cual se muestran
las relaciones predominantes entre sus elementos.
Por esta razn, un modelo no puede incluir todos los
aspectos de un sistema real, sino solamente los mas
importantes. Es decir, los objetivos y procesos
fsicos y los smbolos y sus relaciones constituyen el
modelo, de manera que la representacin se hace
generalmente, con medios de sustancia distinta la
los del sistema original.
Un modelo debe ser bastante detallado si se desea
representar vlidamente el problema real.
Modelos Matemticos
Un modelo contiene los siguientes elementos:
1.PARMETROS. En el modelo son objetos o
smbolos que representan a entidades o
atribuciones del sistema que permanecen
constantes durante el estudio.
2.VARIABLES. Son objetos o smbolos en el modelo,
que representan a entidades o atributos del
sistema que cambian en el tiempo durante el
estudio.
3.RELACIONES FUNCIONALES. Son los procesos
fsicos o las relaciones entre los smbolos de un
modelo, que representan a las actividades y a las
relaciones entre los elementos de un sistema.
Describen la forma en que cambian las variables y
como las afectan los parmetros.
Determinacin de Orden de
Reaccin
Ecuacin Bsica
Donde:
A
K
n
dA/d
= Factor de calidad que se est

cuantificando.
= Tiempo
= Constante que depende de la
temperatura y de la actividad de agua del
alimento.
= Factor de potencia, u orden de la
reaccin
= Velocidad de cambio de A con respecto
al tiempo .
Orden Cero
Donde:
A0
Valor de la calidad inicial
Cantidad remanente despus de un tiempo
Ae
Valor de A al final de la vida en anaquel (puede ser cero o cualquier otro valor definido)
Vida en anaquel en das, meses, aos, etc.
Constante de Velocidad, en unidades inversa del tiempo (das -1).
Orden Cero Aplicaciones
a) Calidad Global de alimentos congelados.

b) Degradacin enzimtica (frutas y verduras frescas, algunos alimentos
congelados y pastas refrigeradas).
c) Pardeamiento no enzimtico (por ejemplo, cereales secos, productos
lcteos deshidratados, alimentos secos para mascotas, prdida del
valor nutricional protenico).
d) Oxidacin de lpidos (desarrollo parcial de rancidez, alimentos secos,
alimentos para mascotas, alimentos congelados).
Orden Cero
100
90
80
% DE CALIDAD USABLE
70
60
50
40
30
20
10
0
0
50
100
150
DIAS
200
250
Orden Cero
Orden Cero
Primer Orden
Donde:
A
=
Cantidad remanente en el tiempo
Ae
=
Cantidad remanente al final de la vida en anaquel (s es diferente
de cero).
K
=
Constante de la velocidad, en unidades inversa del tiempo (das1
).
=
Vida Media.
Primer Orden - Aplicaciones
1) Rancidez (como en grasas saladas o verduras deshidratadas).

2) Crecimiento (carne y pescado fresco) y mortalidad microbiana
(tratamiento trmico).
3) Produccin microbiana de sabores indeseables y limo, tal como en
carne, pescado y aves.
4) Prdidas de vitaminas (alimentos envasados y deshidratados).
5) Prdida de calidad proteica (alimentos deshidratados).
6) Prdida de color por oxidacin.
7) Prdida de textura en tratamientos trmicos.
Primer Orden
100
90
80
% DE CALIDAD RESIDUAL
70
60
50
40
30
20
10
0
0
50
100
150
DIAS
200
250
300
Primer Orden
100
% DE CALIDAD RESIDUAL
10
1
0
50
100
150
DIAS
200
250
300
Primer Orden
Primer Orden
Fig. 3.1 (a) L-ascorbic acid loss during refrigerated storage of thermally pasteurized orange
juice at four temperatures; (b) Arrhenius plot of the temperature dependence of L-ascorbic
acid oxidation.
Segundo Orden
Donde:
A
=
Ae
=
de cero).
K
=
).
=
Vida Media.
Segundo Orden - Aplicaciones
1) Degradacin de la vitamina C (depende de la concentracin de esta

sustancia y de la concentracin de oxgeno en el alimento).
Segundo Orden
FIGURE 4.14 Lysine loss in milk heated at 160C plotted as 1/[lysine] versus time
according to a second-order model (drawn line). Dataset in Appendix 4.1, Table A.4.4.
Orden n
Donde:
A
=
Ae
=
de cero).
K
=
).
=
Vida Media.
Orden n - Aplicaciones
1) Para reacciones en cadena.

2) Reacciones de radicales que se producen en la oxidacin de
grasas.
3) Coagulacin trmica de ciertas molculas de protena.
4) Desnaturalizacin trmica y coagulacin resultante de las protenas
de suero de leche -lactoalbmina y -lactoglobulina se pueden
describir con frecuencia por una orden de aproximadamente 1,5.
Orden n
Modelos Matemticos
Modelos Matemticos
Variable dependiente: Col_1
Variable independiente: Col_2
Lineal: Y = a + b*X
Coeficientes
Mnimos
Parmetr
Cuadrados
o
Estimado
Error
Estadstico
Estndar T
Valor-P
Intercepto
134.652
12.0105
11.2112
0.0000
Pendiente
-19.4661
2.18915
-8.89205
0.0000
Modelos Matemticos
Anlisis de Varianza
Fuente
Suma de
Cuadrados
Gl
Cuadrado
Medio
RaznValor-P
F
Modelo
8020.8
8020.8
79.07
0.0000
Residuo
710.088
101.441
Total (Corr.) 8730.89
Modelos Matemticos
Coeficiente de Correlacin = -0.958472
R-cuadrada = 91.8669 porciento
R-cuadrado (ajustado para g.l.) = 90.7051 porciento
Error estndar del est. = 10.0718
Error absoluto medio = 7.71237
Estadstico Durbin-Watson = 1.52519 (P=0.1067)
Autocorrelacin de residuos en retraso 1 =
0.0910916
Modelos Matemticos
Modelo
Correlacin RCuadrada
Inversa de X
0.9849
97.01%
Logaritmo de X
-0.9824
96.52%
Raz Cuadrada deX
-0.9727
94.62%
Cuadrado-Y Inversa de X
0.9669
93.50%
Raz Cuadrada de Y
-0.9630
92.73%
Lineal
-0.9585
91.87%
Raz Cuadrada-X Cuadrado-X
-0.9576
91.69%
Raz Cuadrada-Y Log-X
-0.9518
90.59%
Cuadrado-Y Log-X
-0.9233
85.24%
Cuadrado de X
-0.9208
84.78%
Raz Cuadrada-Y Inversa de X 0.9204
84.71%
Cuadrado-Y Raz Cuadrada-X
-0.8943
79.98%
Cuadrado de Y
-0.8625
74.38%
Cuadrado Doble
-0.7959
63.35%
Exponencial
<sin ajuste>
Inversa de Y
<sin ajuste>
Raz Cuadrada Doble
<sin ajuste>
Logartmico-Y Raz Cuadrada-X <sin ajuste>
Inversa-Y Raz Cuadrada-X
<sin ajuste>
Multiplicativa
<sin ajuste>
Inversa-Y Log-X
<sin ajuste>
Curva S
<sin ajuste>
Doble Inverso
<sin ajuste>
Log-Y Cuadrado-X
<sin ajuste>
Inversa-Y Cuadrado-X
<sin ajuste>
Logstico
<sin ajuste>
Log probit
<sin ajuste>
Modelos Matemticos
Grfico del Modelo Aj ustado
Col_1 = 134.652 - 19.4661*Col_2
100
Col_1
80
60
40
20
0
2.5
3.5
4.5
5.5
Col_2
6.5
7.5
Clasificacin de Diseos
Experimentales
Diseos para comparar 2 o ms

tratamientos
Diseo
Diseo
Completamen
te Aleatorios
(DCA)
Diseos en
Bloques
Completamen
te Aleatorios
(DBCA)
Cuadrado
Latino (CL)
Cuadrado
Grecolatino
(CGL)
Ecuacin
Lineal
Caractersticas
yij = + i + eij
Un Factor
Distinto nmero
Distinto nmero
yij = + i + j +
eij
yijk = + i + j +
k + eijk
yijkl = + i + j
+ k + l + eijkl
de Niveles
de Repeticiones
Un Factor
Un Bloque
Distinto nmero de Niveles
Pueden existir repeticiones
Un Factor
Dos Bloques
El Factor y los
Bloques tienen el
mismo nmero de niveles
Un Factor
Tres Bloques
El Factor y los
Bloques tienen el
mismo nmero de niveles
El que Lee, entienda
El Ing. Chanducas desea incrementar

el rendimiento de extraccin de
antocianina en el proceso de lixiviacin
de maz morado.
El que Lee, entienda
BLOQUES
FACTORES
VARIABLES
RESPUESTAS
Lugar de
Procedencia
Variedad
Antocianinas
Monomricas
Da de Anlisis
Mtodo
Porcentaje de Color
Polimrico
Equipo
Tamao Partcula
Color CIELAB
Analista
Dimetro
Temperatura
Presin
Tiempo
Posibilidad A: DCA
Repeticin
Temperatura de Extraccin (C)

60
70
80
90
267
362
562
735
289
406
503
727
271
349
574
768
Procedencia: Caete
Equipo: Marmita
Mtodo de Extraccin: En Agua
Tiempo: 30 min
Dimetro: 2 cm
Posibilidad B: DCA - VNSC
Repeticin
Tiempo de Extraccin (min)

5
10
20
30
207
461
625
537
264
493
608
581
239
427
634
509
Procedencia: Caete
Equipo: Marmita
Temperatura: 80C
Dimetro: 2 cm
Posibilidad C: DBCA
Temperatura de Extraccin (C)
Da de
Anlisis
60
70
80
90
307
484
526
745
254
461
509
772
236
458
567
703
Procedencia: Caete
Equipo: Marmita
Tiempo. 30 min
Dimetro: 2 cm
Posibilidad D: DBCA
Tiempo de Extraccin (min)

Lugar de
Procedenci
a
10
20
30
R1
R2
R3
R1
R2
R3
R1
R2
R3
R1
R2
R3
16
5
94
24
7
44
8
41
2
43
7
73
3
72
9
76
1
67
9
62
4
69
1
12 11 39
Cuzco
94
6
0
3
Equipo: Marmita
Mtodo de Extraccin:
20 26 En
23Agua
46
Caete
Temperatura: 80C
7
4
9
1
Dimetro: 2 cm
35
6
34
5
61
1
67
2
63
8
43
0
41
8
42
6
49
3
42
7
62
5
60
8
63
4
53
7
58
1
50
9
Ica
Posibilidad E: CL
Lugar de Procedencia
Da de Anlisis
Ica
Cuzco
Caete
70C
639
80C
672
90
C
627
80C
624
90C
597
70
C
417
90C
705
70C
517
80
C
421
Equipo: Marmita
Tiempo: 30min
Dimetro: 2 cm
Proceso de Anlisis
Evaluar Normalidad Evaluar si sigue
Distribucin Normal: Pruebas Paramtricas.
Realizar el Anlisis de Varianza.
Efectuar Pruebas de Comparacin de
Medias si fuera necesario.
Evaluacin de la Normalidad
Curtosis.
Skewness.
Muchos otros ms.
Deformaciones o desviaciones de la
distribucin normal
CURTOSIS
g2= 0
g2> 0
g2< 0
distribucin normal
Coeficiente de curtosis
n
g 2 (curtosis )
4
(
X
X
)
i
i 1
(n 1) s
s= desviacin estndar
Error estndar de la curtosis
Si Curtosis 2
EEC
no es normal.
24
EEC
n
, entonces la distribucin
distribucin normal
COEFICIENTE DE ASIMETRIA:
g1 = 0
g1 < 0
g1 > 0
distribucin normal
Skewness o Asimetra
n
g1 (asimetra )
3
(
X
X
)
i
i 1
(n 1) s 3
Coeficiente de asimetra:
Error estndar del coeficiente de asimetra:
EECA
6
n
Si Coef. asimetra 2 , la distribucin no es normal.

EECA
Anlisis de Varianza DCA
Fuente de
Variacin
g. l.
Tratamiento
K1
s
Error
Nk
Total
N1
Suma de
Cuadrados
Cuadrad
o Media
F0
FTab
F0 > Ftab
Anlisis de Varianza DBCA

Fuente de
Variacin
g. l.
Suma de
Cuadrados
Cuadrad
o Media
Tratamiento
s
K1
F0 > Ftab
Bloques
b1
F0 > Ftab
Error
(k
1) (b
1)
Total
N1
F0
FTab
Anlisis de Varianza DCL

Fuente
de
Variacin
g. l.
Tratamient
os
K1
F0 > Ftab
Filas
K1
F0 > Ftab
Columnas
K1
F0 > Ftab
Error
(K
1) (K
2)
Total
K2 1
Suma de
Cuadrados
Cuadrado
Media
F0
FTab
Prueba de Comparacin de Medias

Efectuar Pruebas de Comparacin de Medias
si fuera necesario.
Ho : i = j
Ha : i j
Mtodo LSD (Diferencia Mnima Significativa)
Prueba de Comparacin de Medias
Mtodo Tukey (Diferencia Mxima

Significativa)
Diseos para evaluar el efecto de

varios factores
Diseo
Diseos Factoriales
Generales
Diseo Factorial 2k
Diseo Factorial 2k -
Caractersticas
Varios Factores
Cada Factor puede
tener diferentes
niveles
Varios Factores
Todos los factores tienen 2 Niveles
Varios Factores
Todos los factores
tienen 2 Niveles
Pueden
Diseo Factorial 3k
Diseo Factorial 3k -
existir repeticiones
Varios Factores
Todos los factores tienen 3 Niveles
Varios Factores
Todos los factores
tienen 3 Niveles
Pueden
existir repeticiones
Diseos Factoriales
Modelo Estadstico
yijk = + i + j + ( )ij + eijk
Diseos factoriales
k
2
ab
(1)
-1
Llamaremos A y B a las
variables explicativas,
as como a sus efectos.
La interaccin entre
ambos factores y el
efecto correspondiente
la denotaremos AB.
Las condiciones
experimentales pueden
ubicarse en un cuadro.
Diseo Factorial 2k: 22
-1
1
A
Diseo Factorial 2k
Diseo Factorial 2k
El espacio de condiciones experimentales
puede representarse mediante un cubo
(para k = 3) o pares de cubos (para k >
3).
k=3
k=4
D
C
B
A
B
A
B
A
Diseo Factorial 22. Ejemplo
Tratamiento
Bisulfito (%)
pH
5,1
8,5
0,06
5,1
0,06
8,5

pH
Slidos
Solubles
(Brix)
L*
a*
b*
Color
(L2+a2+b
2 0,5
)
5,1
26,6
50,02
-1,05
6,49
50,45
8,5
23,4
38,63
-0,56
7,21
39,30
0,06
5,1
20,3
49,54
-2,98
15,13
51,88
0,06
8,5
20,7
52,17
-2,19
8,94
52,98
5,1
27,0
50,27
-0,90
6,87
50,75
8,5
23,8
38,87
-0,31
7,46
39,58
0,06
5,1
20,6
49,79
-2,74
15,62
52,25
0,06
8,5
21,0
52,44
-2,00
9,40
53,31
5,1
27,4
50,48
-0,68
7,28
51,01
8,5
24,2
39,21
-0,07
7,91
40,00
0,06
5,1
21,1
50,01
-2,47
16,21
52,63
0,06
8,5
21,6
52,65
-1,59
9,78
53,57
Tratamie
nto
Repet.
Bisulfito
(%)

Valor P de Slidos Solubles, Luminosidad y
Color
Fuente
Slidos Solubles
Luminosidad
Color
A:Bisulfito
0,0000
0,0000
0,0000
B:pH
0,0000
0,0000
0,0000
AB
0,0000
0,0000
0,0000
Bloques
0,0000
0,0000
0,0000
Total error
Total (corr.)
Standardized Pareto Chart for Color
Standardized Pareto Chart for L
Standardized Pareto Chart for Slidos Solubles
+
-
B:pH
+
-
AB
AB
B:pH
AB
A:Bisulfito
A:Bisulfito
A:Bisulfito
40
80
Standardized effect
120
160
100
200
Standardized effect
300
400
+
-
B:pH
50
100
150
200
Standardized effect
250
300

Interaccin del pH y la Concentracin de Bisulfito sobre los Slidos
Solubles
Main Effects Plot for Slidos Solubles
Interaction Plot for Slidos Solubles
26
28
pH=5.1
25
Slidos Solubles
Slidos Solubles
26
24
23
22
24
pH=5.1
22
21
pH=8.5
pH=8.5
20
20
0
0.06
5.1
8.5
Bisulfito
pH
Estimated Response Surface
Contours of Estimated Response Surface
pH
8,1
7,1
6,1
5,1
0,01
0,02
0,03
Bisulfito
0,04
0,05
0,06
Slidos Solubles
19,0
19,8
20,6
21,4
22,2
23,0
23,8
24,6
25,4
26,2
27,0
27,8
27
Slidos Solubles
9,1
0.06
Bisulfito
25
23
21
19
0,01
0,02 0,03 0,04

0,05 0,06
Bisulfito
5,1
6,1
7,1
8,1
9,1
pH

Interaccin del pH y la Concentracin de Bisulfito sobre la Luminosidad
Main Effects Plot for L
Interaction Plot for L
52
53
pH=8.5
pH=5.1
50
50
pH=8.5
48
47
44
46
41
44
pH=5.1
38
0
0.06
5.1
8.5
Bisulfito
pH
0.06
Bisulfito

L
pH
8,1
7,1
6,1
5,1
0
0,01
0,02
0,03
Bisulfito
0,04
0,05
0,06
38,0
39,8
41,6
43,4
45,2
47,0
48,8
50,6
52,4
54,2
56,0
57,8
56
53
50
L
9,1
47
44
41
38
0,01 0,02 0,03

0,04 0,05 0,06
Bisulfito
5,1
6,1
7,1
8,1
9,1
pH

Interaccin del pH y la Concentracin de Bisulfito sobre el Color
Main Effects Plot for Color
Interaction Plot f or Color
53
54
pH=8.5
pH=8.5
51
51
pH=5.1
Color
Color
48
49
47
45
42
45
pH=5.1
39
0
0.06
5.1
8.5
Bisulfito
pH
pH
8,1
7,1
6,1
5,1
0,01
0,02
0,03
Bisulfito
0,04
0,05
0,06
Color
39,0
40,8
42,6
44,4
46,2
48,0
49,8
51,6
53,4
55,2
57,0
58,8
57
54
51
Color
9,1
0.06
Bisulfito
48
45
42
39
0,01 0,02 0,03

0,04 0,05 0,06
Bisulfito
5,1
6,1
7,1
8,1
9,1
pH
Diseos 2k p
Gracias a su ortogonalidad, un diseo 2k en
el cul n factores (n < k) son no
significativos corresponde a 2n rplicas de
un diseo en el cul participan solo k - n
factores.
bc
abc
ac
C no significativo
ab
abc
ab
B
(1)
b
bc
(1)
c
a
ac
Diseos 2k p
Diseos 2k p
Diseo
Rplicas recomendadas
Nmero de
corridas
22
34
12, 16
23
16
24
12
16, 32
25
Fraccin 25 1 1
16, 32
26
Fraccin 26 2 Fraccin 26 1
16, 32
27
Fraccin 27 3 Fraccin 27 2
16, 32
Diseos 2k p
Diseos 2k p
Resolucin III: Efectos principales no son alias entre ellos; pero pueden ser
alias de interacciones dobles (ID).
Resolucin IV: Efectos principales no son alias entre ellos ni con ID; pero
algunas ID son alias entre ellas.
Resolucin V: Efectos principales e ID estn alias con interacciones triples o
de mayor orden.
Diseos 2k p
Tratamie
nto
Yate
s
AB
AC
BC
ABC
(1)
+1
-1
-1
-1
+1
+1
+1
-1
+1
+1
-1
-1
-1
-1
+1
+1
+1
-1
+1
-1
-1
+1
-1
+1
ab
+1
+1
+1
-1
+1
-1
-1
-1
+1
-1
-1
+1
+1
-1
-1
+1
ac
+1
+1
-1
+1
-1
+1
-1
-1
bc
+1
-1
+1
+1
-1
-1
+1
-1
abc
+1
+1
+1
+1
+1
+1
+1
+1
Diseos 2k p
Tratamie
nto
Yate
s
AB
AC
BC
D=
ABC
(1)
+1
-1
-1
-1
+1
+1
+1
-1
+1
+1
-1
-1
-1
-1
+1
+1
+1
-1
+1
-1
-1
+1
-1
+1
ab
+1
+1
+1
-1
+1
-1
-1
-1
+1
-1
-1
+1
+1
-1
-1
+1
ac
+1
+1
-1
+1
-1
+1
-1
-1
bc
+1
-1
+1
+1
-1
-1
+1
-1
abc
+1
+1
+1
+1
+1
+1
+1
+1
Diseos 2k p
Puntos (diseo
original)
AB=E
BC=F
CD=G
(1)
-1
-1
-1
-1
+1
+1
+1
+1
-1
-1
-1
-1
+1
+1
-1
+1
-1
-1
-1
-1
+1
ab
+1
+1
-1
-1
+1
-1
+1
-1
-1
+1
-1
+1
-1
-1
ac
+1
-1
+1
-1
-1
-1
-1
bc
-1
+1
+1
-1
-1
+1
-1
abc
+1
+1
+1
-1
+1
+1
-1
-1
-1
-1
+1
+1
+1
-1
ad
+1
-1
-1
+1
-1
+1
-1
bd
-1
+1
-1
+1
-1
-1
-1
abd
+1
+1
-1
+1
+1
-1
-1
cd
-1
-1
+1
+1
+1
-1
+1
acd
+1
-1
+1
+1
-1
-1
+1
bcd
-1
+1
+1
+1
-1
+1
+1
abcd
+1
+1
+1
+1
+1
+1
+1
Diseos 2k p
Puntos (diseo
original)
Puntos (diseo
fraccionado)
AB=E
BC=F
CD=G
(1)
efg
-1
-1
-1
-1
+1
+1
+1
afg
+1
-1
-1
-1
-1
+1
+1
bg
-1
+1
-1
-1
-1
-1
+1
ab
abeg
+1
+1
-1
-1
+1
-1
+1
ce
-1
-1
+1
-1
+1
-1
-1
ac
ac
+1
-1
+1
-1
-1
-1
-1
bc
bcf
-1
+1
+1
-1
-1
+1
-1
abc
abcef
+1
+1
+1
-1
+1
+1
-1
def
-1
-1
-1
+1
+1
+1
-1
ad
adf
+1
-1
-1
+1
-1
+1
-1
bd
bd
-1
+1
-1
+1
-1
-1
-1
abd
abde
+1
+1
-1
+1
+1
-1
-1
cd
cdeg
-1
-1
+1
+1
+1
-1
+1
acd
acdg
+1
-1
+1
+1
-1
-1
+1
bcd
bcdfg
-1
+1
+1
+1
-1
+1
+1
abcd
abcdefg
+1
+1
+1
+1
+1
+1
+1
Diseos de Plackett Burman

A
acghijk
+1
-1
+1
-1
-1
-1
+1
+1
+1
-1
+1
abdhij
+1
+1
-1
+1
-1
-1
-1
+1
+1
+1
-1
bceijk
-1
+1
+1
-1
+1
-1
-1
-1
+1
+1
+1
acdfjk
+1
-1
+1
+1
-1
+1
-1
-1
-1
+1
+1
abdegk
+1
+1
-1
+1
+1
-1
+1
-1
-1
-1
+1
abcefh
+1
+1
+1
-1
+1
+1
-1
+1
-1
-1
-1
bcdfgi
-1
+1
+1
+1
-1
+1
+1
-1
+1
-1
-1
-1
-1
+1
+1
+1
-1
+1
+1
-1
+1
-1
-1
-1
-1
+1
+1
+1
-1
+1
+1
-1
+1
+1
-1
-1
-1
+1
+1
+1
-1
+1
+1
-1
-1
+1
-1
-1
-1
+1
+1
+1
-1
+1
+1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
Diseos de Plackett Burman
Main Effects Plot for Acidez Titulable

47
Acidez Titulable
43
39
35
31
27
23
A
Etapas de la Optimizacin
Factores de
screening
Seleccin de la
regin ptima
(Escalamiento)
Modelacin y
Optimizacin
de la respuesta
SI TIENEN
MUCHOS
FACTORES
SELECCIONAR LA
RESOLUCIN
DISEO
FACTORIAL
ALTAMENTE
FRACCIONADO
HACER LAS
CORRIDAS DEL
EXPERIMENTO EN
ORDEN
ALEATORIO
ANALIZAR LOS
DATOS
DETERMINAR LOS
EFECTOS ACTIVOS
Esquema de la Optimizacin con

MSR FORMULAR
MODELO
TENTAIVO DE
PRIMER ORDEN
DISEO
FACTORIAL 2kk O 2kk
p
p CON
REPETICIONES AL
CENTRO
MODELO DE
SEGUNDO ORDEN
DISEO CENTRAL
COMPUESTO,
DISEO DE BOX
BEHNKEN
CORRER LOS
EXPERIMENTOS
REALIZAR LOS
EXPERIMENTOS
ESTIMAR EL
MODELO Y
PROBAR FALTA DE
AJUSTE
ES LINEAL
LA
SUPERFICIE
?
SI
MOVERSE
EXPERIMENTAND
O EN LA
DIRECCIN
PTIMA, HASTA
DETECTAR
CAMBIO DE
TENDENCIA
DETERMINAR EL
MEJOR MODELO
JERRQUICO
N
O
ENCONTRAR EL
PUNTO
ESTACIONARIO
(CANDIDATO A
PTIMO)
CARACTERIZAR LA
SUPERFICIE
ES EL
MODELO
PTIMO QUE
BUSCAMOS?
SI
CONDICIONES
PTIMAS DEL
PROCESO
N
O
ANLISIS DE
CORDILLERA
Diagrama de Flujo del Screening

INICIO
DEFINICIN DE
FUNCIN, OBJETIVOS
Y VARIABLES
DISEO FACTORIAL O
PLACKETT BURMAN
ESTIMACIN DE
EFECTOS Y ANLISIS
DE VARIANZA
VARIABLE
SIGNIFICATI
VA?
MODELO
MATEMTICO LINEAL
ETAPA DE
ESCALAMIENTO U
OPTIMIZACIN FINAL
ELIMINACIN DE
VARIABLES NO
SIGNIFICATIVAS
Escalamiento
Text, page 430

A procedure for moving
sequentially from an
initial guess towards
to region of the
optimum
Based on the fitted
first-order model
y 0 1 x1 2 x2
Steepest ascent is a
gradient procedure
89
Diseo Factorial 2k
Diseo Factorial Central Compuesto
Diseo 2k Central Compuesto
Diseos 2k con puntos centrales y puntos estrellas
Diseo Factorial 22 con puntos centrales.

Ejemplo
Tratamiento
Bisulfito (%)
pH
5,1
8,5
0,03
6,8
0,03
6,8
0,03
6,8
0,06
5,1
0,06
8,5

Ejemplo
Tratamien
to
Bisulfito
(%)
pH
Slidos
Solubles
(Brix)
L*
a*
b*
Color
(L2+a2+b2
)0,5
5,1
27,0
50,27
-0,90
6,87
50,75
8,5
23,8
38,87
-0,31
7,46
39,58
0,03
6,8
22,0
49,52
-0,37
5,41
49,82
0,03
6,8
22,0
51,66
-1,28
6,94
52,14
0,03
6,8
22,0
37,16
-0,01
0,84
37,17
0,06
5,1
20,6
49,79
-2,74
15,62
52,25
0,06
8,5
21,0
52,44
-2,00
9,40
53,31

Ejemplo
Valor P de Slidos Solubles, Luminosidad y
Color
Fuente
Slidos Solubles
Luminosidad
Color
A:Bisulfito
0,1908
0,5504
0,5149
B:pH
0,0116
0,3896
0,3483
AB
0,1190
0,3604
0,4387
Total error
Total (corr.)
Standardized Pareto Chart for L
+
-
B:pH
Standardized Pareto Chart for Color
+
-
AB
AB
B:pH
AB
A:Bisulfito
A:Bisulfito
A:Bisulfito
Standardized effect
2
Standardized effect
+
-
B:pH
2
Standardized effect

Ejemplo
Interaccin del pH y la Concentracin de Bisulfito sobre los Slidos
Solubles
Interaction Plot for Slidos Solubles
25
28
24
26
Slidos Solubles
Slidos Solubles
Main Effects Plot for Slidos Solubles
23
22
pH=5.1
24
pH=5.1
22
21
20
pH=8.5
pH=8.5
0
20
0
0.06
5.1
Bisulfito
0.06
Bisulfito
8.5
pH

pH
8,1
7,1
6,1
5,1
0
0,01
0,02
0,03
Bisulfito
0,04
0,05
0,06
Slidos Solubles
18,0
19,0
20,0
21,0
22,0
23,0
24,0
25,0
26,0
27,0
28,0
29,0
28
Slidos Solubles
9,1
26
24
22
20
18
0,01
0,02 0,03 0,04

Bisulfito
0,05 0,06
5,1
6,1
7,1
8,1
9,1
pH

Ejemplo
Interaccin del pH y la Concentracin de Bisulfito sobre la Luminosidad
51
53
pH=8.5
50
49
pH=5.1
pH=8.5
47
47
44
45
41
0.06
5.1
Bisulfito
8.5
Bisulfito
pH

L
8,1
7,1
6,1
5,1
0
0,01
0,02
0,03
Bisulfito
0,04
0,05
0,06
38,0
39,8
41,6
43,4
45,2
47,0
48,8
50,6
52,4
54,2
56,0
57,8
56
53
50
L
9,1
pH
pH=5.1
0.06
38
43
47
44
41
38
0,01
0,02 0,03 0,04

0,05 0,06
Bisulfito
5,1
6,1
7,1
8,1
9,1
pH

Ejemplo
Interaccin del pH y la Concentracin de Bisulfito sobre el Color
Interaction Plot for Color
Main Effects Plot for Color

53
52
pH=8.5
pH=8.5
50
50
pH=5.1
Color
Color
47
48
44
46
41
44
38
0.06
5.1
Bisulfito
8.5
pH
8,1
7,1
6,1
5,1
0,02
0,03
Bisulfito
0,04
0,05
0,06
Color
38,0
39,8
41,6
43,4
45,2
47,0
48,8
50,6
52,4
54,2
56,0
57,8
56
53
50
Color
9,1
0,01
0.06
Bisulfito
pH
pH=5.1
0
47
44
41
38
0,01 0,02 0,03

0,04
Bisulfito
0,05 0,06
5,1
6,1
7,1
8,1
9,1
pH
Diseo Factorial 23con puntos centrales y estrellas.

Ejemplo
pH
Slidos
Solubles
(Brix)
L*
a*
b*
Color
(L2+a2+b
2 0,5
)
6,8
22,0
45,80
-0,16
2,77
45,88
0,06
6,8
20,5
53,01
-0,83
4,38
53,20
0,00
6,8
18,5
51,23
-3,51
16,37
53,90
0,06
6,8
22,2
52,71
-0,57
4,22
52,88
0,00
5,1
27,0
50,27
-0,90
6,87
50,75
0,06
5,1
23,8
38,87
-0,31
7,46
39,58
0,00
8,5
20,6
49,79
-2,74
15,62
52,25
0,06
8,5
21,0
52,44
-2,00
9,40
53,31
0,03
5,1
23,1
48,91
-0,32
5,46
49,21
0,03
5,1
24,0
50,57
-0,94
5,40
50,87
0,03
8,5
17,5
50,08
-2,18
10,22
51,16
0,03
8,5
20,2
48,04
-3,43
18,69
51,66
0,03
6,8
22,0
49,52
-0,37
5,41
49,82
0,03
6,8
22,0
51,66
-1,28
6,94
52,14
0,03
6,8
22,0
37,16
-0,01
0,84
37,17
Tratamie
nto
Bisulfit
o (%)
Tiempo
(min)
0,00

Ejemplo
Source
A:Bisulfito
B:Tiempo
C:pH
AA
AB
AC
BB
BC
CC
Slidos
Solubles
Luminosidad
Color
0,8626
0,6081
0,0024
0,5885
0,0758
0,1827
0,0507
0,4744
0,2707
0,9974
0,7964
0,5314
0,6584
0,6620
0,3066
0,3836
0,7764
0,9478
0,8343
0,5932
0,3463
0,6225
0,5254
0,3631
0,3314
0,9281
0,7822
Total error
Total (corr.)
C:pH
+
-
BB
AB
AC
CC
BC
AA
B:Tiempo
A:Bisulfito
0
Standardized effect

Ejemplo
50
54
49
50
47
48
52
46
+
-
48
46
45
44
44
0
0.06
Bisulfito
5.1
Tiempo
42
8.5
pH
0.06
AB
0.06
AC
6
BC

pH=6,8
pH=6,8
L
Tiempo
2
0
0,01
0,02
0,03
Bisulfito
0,04
0,05
0,06
46,0
46,8
47,6
48,4
49,2
50,0
50,8
51,6
52,4
53,2
54,0
54,8
54
52
L
50
48
46
0,01 0,02 0,03

0,04 0,05 0,06
Bisulfito
Tiempo
Genichi Taguchi (1924 2012)
El Dr. Genichi Taguchi naci en Japn el 1 de enero de 1924. Se gradu

como ingeniero mecnico en la Universidad de Kiryu. En 1962 obtuvo el
doctorado en Ciencias (estadstica y matemtica) en la Universidad de
Kyushu. Taguchi falleci el 2 de Junio del 2012 a los 88 aos.
Genichi Taguchi
Trabaj en Electrical Comunication Laboratory despus de la segunda guerra mundial,

implement en esa empresa un mtodo de mejoramiento en los sistemas de
comunicacin.
Fue investigador asociado de la
Universidad de Princeton; profesor
honorario de Nanjing Institute of
Technology en China. En Japn fue
profesor de la Universidad de Aoyama
Gakuin.
El Dr. Taguchi trabaj para la compaa
Nippon Telegraph and Telephone. Si
bien sus ideas son controvertidas,
muchas compaas las han utilizado
para sacar ventaja en la planificacin de
experimentos y para reducir las
variaciones en el proceso y el producto.
Fue miembro de la Japn Association

for Quality Control y la Japanesse
Standard Association
Genichi Taguchi ha sido ganador en
cuatro oportunidades del Premio
Deming en Japn. Tres de ellas por sus
contribuciones a la literatura de la
Calidad, y la otra por su aplicacin a la
calidad con su famosa Funcin de
Prdida.
Es conocido como el creador de una
metodologa denominada Ingeniera de
Calidad
Filosofa de Calidad Taguchi
Costo
Como
los
clientes desean
comprar
productos que atraigan su atencin y
que realicen la funcin para la cual se
disearon.
CALIDAD
Las organizaciones deben ofrecer

productos que superen los de la
competencia en cuanto a diseo y
precio, que sean atractivos para
el cliente.
Debe ser resistente al deterioro y a

factores externos a su operacin.
Tales conceptos se reflejan en los puntos

siguientes:

1. Funcin de perdidas. la calidad debe definirse
en forma monetaria mediante la funcin de
perdida, en cuanto mayor sea la variacin de
una especificacin respecto al valor nominal ser
la perdida monetaria trasferida al consumidor.
2.Mejora continua. dice la mejora continua
del proceso productivo y la reduccin de la
variabilidad
son
indispensables
para subsistir en la actualidad. estos factores
se relacionan.
3.
Variabilidad. puede cuantificarse en trminos monetarios
la
variabilidad es el funcionamiento del producto este provoca una
perdida al usuario, la cual puede medirse como un cuadro de la
diferencia entre el funcionamiento real y el valor objetivo.
4. Diseo del producto. en esta etapa se genera la calidad y se

determina el costo final del producto.
5. Optimizacin del diseo del producto. se puede
disear un producto con base en la parte no lineal de su
respuesta a fin de disminuir su variabilidad.
6. Optimizacin del proceso. Se puede reducir la variabilidad
por medio del diseo del experimento, al seleccionar los
niveles ptimos de la variables involucradas en la manufactura del
producto.
7. Ingeniera de la Calidad. Taguchi desarroll tambin una
metodologa que denomin "Ingeniera de la Calidad", la cual
se divide en linea y fuera de linea, y se describe a
continuacin:
Diseo Robusto
Diseo Robusto
Diseo Robusto
Diseo Robusto
Los Factores Pueden Afectar...
1. La Variacin del Resultado
Banda ancha
3. La Variacin y el Promedio
Con
Entren.
Sin
entren.
Banda
angosta
Tiempo del servicio
2. El Resultado Promedio
Pocos ejecutivos
Tiempo del servicio
Suficientes
ejectuvos
4. Ni la Variacin ni el Promedio
Ambos sexos
Toman el mismo
tiempo
Diseo Robusto
Funcin de Prdida
1. El Valor Nominal es el Mejor
Lograr un
valor meta con
variacin mnima
Tiempo de atencin
Tiempo de conexin
Meta
2. El Valor Mnimo es el Mejor

Tendencia de
salida hacia cero
Tiempo de Ciclo
Tiempo de
conexin
0
3. El Valor Mximo es el Mejor Tendencia de salida
hacia arriba
Confiabilidad
Satisfaccin
Funcin de Prdida
Funcin de Prdida
Funcin de Prdida
Funcin de Prdida
Diseos de Taguchi
Dar prioridad a los factores principales, ya que las
interacciones son difciles de manejar y por eso deben
de considerarse como factores de ruido.
Las interacciones a probar deben de ser conocidas
altamente probables. Si las interacciones altamente
significativas no son incluidas, se generar una
confusin
Se deben de analizar los datos mediante la razn
seal a ruido, detectando con ello las combinaciones
de los factores de control que generan un proceso
robusto.
Diseos Robustos de Taguchi

Es una herramienta ingenieril que simplifica y en
algunos casos elimina gran parte de los esfuerzos de
diseo estadstico.
Es una forma de examinar simultneamente
muchos factores a bajo costo.
Los arreglos ortogonales son herramientas que
permiten al ingeniero evaluar qu tan robustos son
los diseos del proceso y del producto con respecto a
los factores de ruido.
Los Ingenieros NO necesitan convertirse en
especialistas en estadstica para aplicar los
diseos de experimentos.
Diseos Robustos de Taguchi

Los diseos de Taguchi son de resolucin III (los efectos
principales se confunden con interacciones dobles).
Los diseos L de Taguchi se recomiendan cuando se
tienen >4 factores o se desea filtrarlos.
La L significa nmero de tratamientos a realizar (ms
rplicas).
Ejemplo: Un diseo L8 significa que es un diseo con 8
tratamientos.
Diseos de Taguchi
Diseos de Taguchi
Diseos 2k p
Resolucin III: Efectos principales no son alias entre ellos; pero pueden ser
alias de interacciones dobles (ID).
Resolucin IV: Efectos principales no son alias entre ellos ni con ID; pero
algunas ID son alias entre ellas.
Resolucin V: Efectos principales e ID estn alias con interacciones triples o
de mayor orden.
Diseos de Taguchi
Diseos de Taguchi
El objetivo del DP de un
proceso es que el producto
sea Funcional, exhiba
unAlto Nivel de
Performance y sea
Sensitivo al mnimo a los
Ruidos.
El diseo de parmetros
examina las interacciones
entre factores de control y
factores de ruido con el
objeto de lograr la robustez.
S/N PERFORMANCE PERDIDA
Diseos de Taguchi
Diseos de Taguchi
FACTORES
ACEPTABILIDAD
R1
R2
R3
5,3
5,4
5,5
7,5
7,5
7,8
4,8
5,1
5,1
5,6
5,5
5,7
7,0
6,7
7,0
7,2
7,0
7,4
5,6
4,9
5,4
5,0
4,2
4,7
A
B
C
D
E
F
G
=
=
=
=
=
=
=
Proporcin Oligofructosa / Inulina

Proporcin Sabor naranja / cido Ctrico
Sucralosa
Carragenina
Leche Descremada
Lamequick (espumante)
Colorante Naranja
Diseos de Taguchi
N
Eta
14,64688
17,61478
13,97588
14,96284
16,77514
17,14441
14,47185
13,29545
Diseos de Taguchi
A v e r a g e E t a b y F a c t o r L e v e ls
M e a n = 1 5 ,3 6 0 9
S ig m a = 1 , 5 6 2 9 6
M S E r r o r = ,1 5 4 5 7 0
df=16
( D a s h e d lin e in d ic a t e s 2 * S t a n d a r d E r r o r )
1 7 ,0
ETA = -10*log10(1/N*Sum(1/y))
1 6 ,5
1 6 ,0
1 5 ,5
1 5 ,0
1 4 ,5
1 4 ,0
1 3 ,5
1
O L IG O F R IN U N A R C IT R S U C R A L O S A C A R R A G E N IN A
L E C H E D E S C L A M E Q U IC K
N A R A N JA
Diseos de Taguchi
Analysis of Variance (Spreadsheet1) Mean = 15,3609 Sigma =
1,56296
FACTORES
SS
df
MS
F
p
{1}OLIGOFRUCTOSA
0,574 0,45962710000
0,08875 1 0,08875
INULINA
2
00
33,6673
217,8 0,00000000009
{2}NARANJA CITRICO
1 33,66730
0
12
74
19,42 0,00044088370
{3}SUCRALOSA
3,00186 1 3,00186
07
00
24,03 0,00015927240
{4}CARRAGENINA
3,71558 1 3,71558
81
00
55,01 0,00000145848
{5}LECHE DESCREMADA 8,50370 1 8,50370
52
20
30,17 0,00004912067
{6}LAMEQUICK
4,66389 1 4,66389
33
00
0,459 0,50748760000
{7}NARANJA
0,07104 1 0,07104
6
00
Residual
2,47312 16 0,15457
Diseos de Taguchi
Expected S/N Ratio under Optimum Conditions (Spreadsheet1)

Mean = 15,3609 Sigma = 1,56296
FACTORES
Level
Effect
Standard
{1}OLIGOFRUCTOSA
2
0,06081
0,196577
INULINA
{2}NARANJA CITRICO
1
1,18440
0,196577
{3}SUCRALOSA
2
0,35366
0,196577
{4}CARRAGENINA
2
0,39347
0,196577
{5}LECHE
2
0,59525
0,196577
DESCREMADA
{6}LAMEQUICK
2
0,44083
0,196577
{7}NARANJA
2
0,05441
0,196577
Expected S/N
18,44373
DISEO DE
MEZCLAS
Diseos de Mezclas
Los factores independientes son proporciones

de diferentes componentes de una mezcla.
Un Diseo de Mezclas contiene q
componentes donde xi es la proporcin del
ith componente (i=1,2,, q)
Existen 2 restricciones:
0 xi 1
xi = 1
Cuando las proporciones tienen la restriccin
de sumar la unidad se pueden utilizar
modelos de estructura Simplex o Simplex con
centroide.
Cuando adems algunos componentes tienen
la restriccin adicional de tener un valor
Diseos de Mezclas
x2
0
0
x1
x1 + x2 = 1
x1 + x2 + x3= 1
Sistema de Coordenada Simplex

x2
1
1
x3
x 1 + x2 + x3 = 1
x1
Sistema de Coordenadas Trilinear

(1,0,0)
x1
1,0
0,8
(1/2, 1/2,0)
(1/3,1/3,1/3)
0,6
0,4
(0,1,0)
(0,0,1)
0,2
0,0
x2
x3
Diseo Simplex Lattice

{p,m} Diseo Simplex Lattice
p = nmero de factores
m+1 = nmero de niveles de factores
xi = 0, 1/m, 2/m, ..., 1 (i = 1, ..., p)

Nmero total de puntos de diseo:
p m 1
Ejemplos:
{3,2} lattice
{3,3} lattice
136
Diseos Simplex Lattice

X1 = 1
3 componentes
2 niveles
X2 = 1
X3 = 1
X1 = 1
4 componentes
2 niveles
X2 = 1
X4 = 1
X3 = 1

aumentado
A
(100%,0%,0%)
Utilizados cuando se quiere alta

resolucin en la superficie de
respuesta, cuando ya se tiene la
regin optima
B
(0%,100%,0%)
C
(0%,0%,100%)
140

aumentado
A
(100%,0%,0%)
B
(0%,100%,0%)
C
(0%,0%,100%)
Diseo Simplex Centroide

p componentes:
p permutaciones de (1,0,...,0)
p

2
p

3
permutaciones de (1/2,1/2,0,....,0)
permutaciones de
(1/3,1/3,1/3,0,....,0)
x1 = 1
....
total 2p-1 puntos de diseo
x2 = x23 = 1/2
x1 = x2 = 1/2
Ejemplo: 3 componentes
x1 = x2 = x3= 1/3
x2 = 1
x2 = x3 = 1/2
x3 = 1

X1 = 1
3 componentes
3 niveles
X2 = 1
X3 = 1
X1 = 1
4 componentes
3 niveles
X2 = 1
X4 = 1
X3 = 1
Diseos Simplex-Lattice Vs. Simplex Centroid
Simplex -Lattice permite una malla fina en la

regin experimental.
{p, m} Simplex -Lattice no puede detectar
sinergias de orden superior al de m.
Simplex Centroide se puede ejecutar de
forma secuencial (primero mezcla pura, a
continuacin las mezclas binarias, ...).
Ambos diseos tienen la mayora de sus
puntos en la frontera. Al menos un factor
igual a 0.
Diseos Simplex Lattice vs Simplex

Centroid
Modelos Experimentales de Mezclas

Debido a que el nivel del componente final puede
escribirse como:
xq = 1 (x1 + x2 + + xq-1)
Cualquier modelo de superficie de respuesta utilizado
para factores independientes puede ser reducido a un
modelo Scheff. Los ejemplos incluyen:
Polinomios cannicos Scheff

148
Con el fin de tener interpretaciones significativas de los
coeficientes, se aplica formas cannicas de los polinomios de
datos de mezcla. Scheff introdujo los polinomios siguientes (por
ejemplo para p =b3):
x +bx +bx
1 1
2 2
3 3
Linear:
Cuadrtico
b1x1 + b2x2 + b3x3 + b12x1x2 + b13x1x3 + b23x2x3
Cbico Especialb1x1 + b2x2 + b3x3 + b12x1x2 + b13x1x3 + b23x2x3 + b123x1x2x3

Cbico
b1x1 + b2x2 + b3x3 + b12x1x2 + b13x1x3 + b23x2x3 +

g12x1x2(x1 - x2) + g13x1x3(x1 - x3) + g23x2x3(x2 - x3) + b123x1x2x3
Existen otros tipos de polinomios cannicos:

Polinomios de Cox
Polinomios homogneos (Tipo Kronecker)
Recomendaciones Generales para Diseos de Mezclas
Permitir grados suficientes de libertad (# puntos de

diseo - # trminos del modelo) para permitir la
estimacin precisa de la varianza:
Aadir puntos adicionales de especial inters.
Replicar el diseo.
Aadir puntos en el interior:
Para aumentar la cobertura de la regin
experimental.
para aumentar los grados de libertad para la
estimacin de varianza.
Realizar la prueba de la falta de ajuste si no hay
repeticiones.
Uso del modelo lineal para el Screening. Utilizar
modelos de orden superior para la Optimizacin.
Realizar el bloqueo si es necesario.
Comentarios sobre Diseos de Mezclas
Los Diseos de Mezcla pueden combinarse

con los Diseos Factoriales, cuando algunas
variables no estn relacionadas con la mezcla
(Variables de Proceso").
Los pseudocomponentes se pueden utilizar
cuando hay mayores restricciones a la mezcla
de ingredientes como 0 xi 0,3.
Limitaciones de Diseos Factoriales y Diseos MRS
La regin experimental no puede ser hipercubo:

Imposibilidad de llegar a la esquina de la regin
experimental.
Contrastes especficos.
Factores de Proceso son ingredientes de la
mezcla.
Modelo Asimtrico de los postulados de los
conocimientos qumicos:
La interaccin no es posible.
Adicionales para mayor plazo para uno de los
factores.
En estas circunstancias no se puede utilizar Diseos
Factoriales y Diseos Clsicos de Superficie de
Algunas propiedades deseables del Diseo
1.Requiere un nmero mnimo de corridas

experimentales.
2.Permite una estimacin precisa de los
coeficientes de regresin.
3.Permite predicciones precisas de las
respuestas.
4.Permite experimentos que se realizan en
bloques.
5.Permiten detectar la falta de ajuste
Nota: 2. y 3. pueden ser similares, pero no
son necesariamente iguales.
min
max
Gran efecto en pendiente
min
Pequeo efecto en pendiente
max
Diseo de Mezclas de 3 componentes
Los tres componentes puros se ubican en los vrtices, las tres

mezclas binarias en los bordes y la mezcla ternaria en el centro
se utilizan para calcular los coeficientes del modelo. Las tres
mezcla adicionales proporcionan puntos de control para
permitir una evaluacin de falta de ajuste.
Anlisis de Diseo de Mezclas de 3 componentes
Cox Response Trace Plot

17
A
B
C
Fitted Elongaci
16
15
14
13
12
11
10
9
-0.5
0.0
0.5
deviation from reference blend in proportion
Anlisis de Diseo de Mezclas
Anlisis de Diseo de Mezclas
Mixture Contour Plot of Elongaci

A
10.0
1.0
16.0
17.2
0.0
0.0
1.0
11.2
12.4
13.6
14.8
0.0
1.0
C
159
Cox Response Trace Plot
Fitted Ymillas/
25
A
B
C
24
23
-0.5
0.0
0.5
deviation from reference blend in proportion
Mixture Contour Plot of Ymillas/

A
23.40
23.65
23.90
24.15
24.40
24.65
24.90
1.0
0.0
0.0
1.0
0.0
1.0
C
161
Regiones restringidas
Diseo de Mezclas de 4 componentes con restricciones
Respuesta: Brillo
x1
Restriccin
Restriccin
x3
x2
Se usan cuando hay restricciones por

componentes adicionales a la de la
mezcla (100%)
A veces se pueden transformar los
valores de la regin factible a sus
equivalentes (Pseudo-regin) para su
proceso por Simplex y al final
regresar los Pseudo-resultados a
valores originales
A
(100%,0%,0%
)
A
(100%,0%,0%)
R2
R3
Pseudo
Regin
Regin
factible
B
(0%,100%,0%)
B
(0%,100%,0%
)
R1
C
(0%,0%,100%)
C
(0%,0%,100%
)
Ejemplo :
R1: A>22%
R2: B>17%
R3: C>23%
A (60%,17%,23%)
A (100%,0%,0%)
Pseudo
Regin
Ejemplo :
R1: A>22%
R2: B>17%
R3: C>23%
Cuando
existen
mltiples
restricciones para uno o ms
componentes, o bien, existen
restricciones en la relacin de los
componentes, se tienen regiones
factibles asimtricas por lo que
su diseo se hace mediante los
diseos de vrtices extremos y su
anlisis no es Simplex sino DOptimal.
A
(100%,0%,0%)
R1
R1
R2
Ejemplo :
R1: 41%<B<15%
R2: 39%<C<16%
R2
Regin
factible
B
(0%,100%,0%)
C
(0%,0%,100%)
A
R1
(100%,0%,0%)
Ejemplo :
R2
R1: 41%<B<15%
R2: 39%<C<16%
R1
R2
Regin
Factible
B
(0%,100%,0%)
C
(0%,0%,100%)
Ejemplo :
R1: 41%<B<15%
R2: 39%<C<16%
R3: A + 1.5B < 90%
R4: A C > 10
A
(100%,0%,0%)
R1
R2
R1
R2
Re g i n
Factibl
e
R4
B
(0%,100%,0%)
C
(0%,0%,100%)
R3
Ejemplo :
R1: 41%<B<15%
R2: 39%<C<16%
R3: A + 1.5B < 90%
R4: A C > 10
(100%,0%,0%)
R1
Regin
Factibl
e
R1
B
(0%,100%,0%)
R2
R2
R4
C
(0%,0%,100%)
R3
Diseos de mezcla con Factoriales

3 componentes de Mezcla y 1 factor de
proceso :
Z1=-1
Combinacin de diseos
factoriales con diseos de
mezclas
Z1=+1
3 componentes de Mezcla y 2 factores de

proceso :
Z2
3 componentes de Mezcla y 3 factores de

proceso :
Z1
173
Diseos de mezcla con Factoriales

Ejemplo: Refresco
Respuesta : y = Satisfaccin del Cliente
Componentes : A = Jugo de limn
B = Azcar
C = Agua
Restricciones : 5% < Contenido de jugo de limn <
20%
1% < Contenido de Azcar < 10%
Factores de proceso:
Temperatura: Fra (-1), Al tiempo (1)

Diseños Estadisticos HUANUCO

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Diseños Estadisticos HUANUCO

Загружено:

Авторское право:

Доступные форматы

Universidad Nacional Hermilio Valdizan

XVI CONEIA - Hunuco 2015

Anlisis y Diseos Experimentales

Curso Taller XVI CONEIA

Diseo y Anlisis de Experimentos

los experimentos dan la mejor justificacin

dentificacin del problema

Diseo del experimento

ANLISIS POR BLOQUES

Anlisis por Bloques

Variable Independiente que afecta

Es la variable en la cual se evaluarn

= Factor de calidad que se est

Valor de la calidad inicial

Cantidad remanente despus de un tiempo

Vida en anaquel en das, meses, aos, etc.

Constante de Velocidad, en unidades inversa del tiempo (das -1).

Orden Cero Aplicaciones

a) Calidad Global de alimentos congelados.

Primer Orden - Aplicaciones

1) Rancidez (como en grasas saladas o verduras deshidratadas).

Segundo Orden - Aplicaciones

1) Degradacin de la vitamina C (depende de la concentracin de esta

1) Para reacciones en cadena.

Total (Corr.) 8730.89

Diseos para comparar 2 o ms

El que Lee, entienda

El Ing. Chanducas desea incrementar

El que Lee, entienda

Temperatura de Extraccin (C)

Posibilidad B: DCA - VNSC

Tiempo de Extraccin (min)

Temperatura de Extraccin (C)

Tiempo de Extraccin (min)

Error estndar de la curtosis

Si Coef. asimetra 2 , la distribucin no es normal.

Anlisis de Varianza DCA

Anlisis de Varianza DBCA

Anlisis de Varianza DCL

Prueba de Comparacin de Medias

Prueba de Comparacin de Medias

Mtodo Tukey (Diferencia Mxima

Diseos para evaluar el efecto de

Diseo Factorial 2k: 22

Diseo Factorial 22. Ejemplo

Diseo Factorial 22. Ejemplo

Diseo Factorial 22. Ejemplo

Standardized Pareto Chart for L

Standardized Pareto Chart for Slidos Solubles

Diseo Factorial 22. Ejemplo

Interaction Plot for Slidos Solubles

Estimated Response Surface

Contours of Estimated Response Surface

0,02 0,03 0,04

Diseo Factorial 22. Ejemplo

Interaction Plot for L

Estimated Response Surface

0,01 0,02 0,03

Diseo Factorial 22. Ejemplo

Interaction Plot f or Color

Estimated Response Surface

Contours of Estimated Response Surface

0,01 0,02 0,03

Diseos de Plackett Burman