Asignatura : INVESTIGACIN II

Docente : Ing. Lus Gonzles Torres

Ciclo : 2017- 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
Para los ingenieros la validacin de la hiptesis,
se realiza mediante va de la experimentacin;
entonces esta hay que planificarla, definiendo lo
siguiente:
1. Variables independientes y dependientes de
inters.
2. Hiptesis a validar( posible relacin entre
variables)
3. Mtodos experimentales a emplear
4. Equipos e instrumentos necesarios
5. Tcnicas para determinar el tamao de la muestra
y para seleccionar sus elementos.
 PLANIFICANDO LA
EXPERIMENTACIN
1. Formatos para el registro de la informacin
experimental
2. Tcnicas para sistematizar la informacin
experimental
3. Nmero de ensayos a realizar
4. Caractersticas de cada uno de los ensayos
5. Modo de determinar el error experimental
6. 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.) = (x, u, h, z) (1)

Donde:
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.
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 : $20
Escalador :Si la ley de plomo es mayor a 60%
se multiplica por 0.95,
Si la ley de plomo es menor de 60% se
le resta 3%
Se desea saber cul de los criterios (tcnico o
econmico) es el ms adecuado para optimizar
el proceso; para ello se calcularon ambos
criterios, tomando como base una muestra de 1
Kg. De mineral para cada una de las 8 pruebas
experimentales como puede apreciarse en la
tabla:
 Tiempo Wcc L Pb R (Pb)
N V CON ($) VCAB EE.(%)
(seg.) (peso) (%) (%)

1 30 0.03284 72.9 37.2 467.06 15.34 34.62

2 60 0.05413 70.5 59.3 444.44 24.06 54.31
3 90 0.07287 65.7 74.4 399.21 29.09 65.67
4 120 0.08724 61.0 82.7 354.91 30.96 69.89
5 240 0.12992 47.3 95.5 219.49 28.52 64.37
6 320 0.16523 37.7 96.8 124.25 20.53 46.34
7 600 0.21329 29.4 97.4 41.91 8.94 20.18
8 840 0.25199 25.0 97.6 -1.74 -0.44 -0.99

Ideal 0.0743 87.7 100

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= (X, U, Z)
Y= (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 (2)
donde :

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 (3)
j=1 uj=1 j=1
++ zr u j
 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 k
Y=b o+ bJXJ + buj XuXj + bjjXjj2 (4)

j=1 u=j= 1 j=1

: son los coeficientes del modelo

bo, bj, buj, bjj
obtenido por regresin mltiple y son un
estimado de los coeficientes tericos o, j,
uj, jj
Los coeficientes de la ecuacin (4) se
obtienen por el mtodo de mnimos
cuadrados de la condicin :
k ----

(5) = ( Yi - Yi )2 = Mnimo
i=1
 Laconstruccin 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 diseos
experimentales que permiten estimar
adecuadamente los coeficientes j de la
ecuacin o modelo matemtico general,
de siguiente modo:
^
(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 + b1X1
Para K = 2
Y = bo + b1X1 + b2X2 + b12X1X2

b1,b2 son las pendientes de las variables X1 y

X2.
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. Definicin adecuada de uno o mas
criterios de optimizacin.
2. Una lista completa de todas las variables
independientes que puedan influir en la
experiencia
3. 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 k
Y = b o+ bJXJ + buj XuXj + bjjXjj2 uj

j=1 u=j= 1 j=1

 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 Nivel bajo (-) Nivel alto (+)

Z1: Z11 0.1 0.2

Z2: pH 10 12
 En el sistema de coordenadas
dimensionales o codificado
X2

Yx2 Niveles para un

(12) +1 3 4 Yx1x2 diseo factorial para
K=2

pH

(10) -1 Y1 1 Yx1
2

-1 X1
+1
Z11
(0.1) (0.2)
 Niveles para un diseo K = 2

N Natural Codificado Respuesta

Z1 Z2 X1 X2 Y
1 0.1 10 -1 -1 Y1
2 0.2 10 +1 -1 Yx1
3 0.1 12 -1 +1 Yx2
4 0.2 12 +1 +1 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 = 2 3 = 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 x1 x2 x3 Respuesta

1 -1 -1 -1 Y1
Yx2 YX1X2
3 4 2 +1 -1 -1 YX1
Yx1x2x3
YX2X3
7 8 3 -1 +1 -1 YX2
Y1 4 YX1X2
1 2 YX1
5 +1 +1 -1
Yx3 5 6 x2 -1 -1 +1 Y X3
YX1X3 6
+1 -1 +1 YX1X3
x1 7
x3
8 -1 +1 +1 YX2X3
+1 +1 +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 (Z 1) 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.(%) 15 20
Z2 : Catalizador (sacos) 1 2
 MATRIZ DE DISEO PARA K = 2
2k = 22 = 4 experimentos con tres rplicas

N Variables Rplicas Total

Z1 Z2 I II III
1 15 1 28 25 27 80
2 20 1 36 32 32 100
3 15 2 18 19 23 60
4 20 2 31 30 29 90
 MATRIZ DE VARIABLES
INDEPENDIENTES PARA K = 2
N X0 X1 X2 X1X2 Total

1 +1 -1 -1 +1 80
2 +1 +1 -1 -1 100
3 +1 -1 +1 -1 60
4 +1 +1 +1 +1 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 : Nmero de pruebas experimentales

r : 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

N
Ej= X Yi/(N/2)(r)
ij 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:

2 2 r

SST = Y 2
ijk (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 DECUADRADOS 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
interacciones, generalmente iguales a 1 en los
diseos factoriales a dos niveles.
f2 = Grados de libertad de la suma de
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 = Grados de libertad de la suma total
3
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 Suma de Grados Media de Fo F

variacin cuadrados de Cuadrados = 0.01
SS libertad MS f (1,2)
f (1,2,3)

X1 208.33 1 208.33 53.15 11.3

X2 75.00 1 75.00 19.13
X1X2 8.33 1 8.33 2.13
Error 31.34 8 3.92
Total 323.00 11
 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:
^ k k
Y = b o + b jX j + b ujX uX j
j=1 u=j=1
Donde u j
 Clculo bj, buj
Sehace 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 1/N 0 SXoiYi
b1 . SX1iYi
B=b1 = ((XT)(X))-1(X)(Y) . = .
. . .
. . .
bk 0 1/N 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
Elobjetivo 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] [B] [Y est.]
+1 -1 -1 27.5 25.83
+1 +1 -1 4.16 34.17
+1 -1 +1 -2.50 20.83
+1 +1 +1 29.17

Y Yest. Residuales (Y Yest.)

28 25 27 25.83 2.167 -0.833 1.167

36 32 32 34.17 1.833 -2.167 -2.165
18 19 23 20.83 -2.833 -1.833 2.167
31 30 29 29.18 1.833 0.833 -0.167
 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 Fo F

variacin cuadrados libertad Cuadrados = 0.05
Residuale f (4,2) MS f (4,2)
s (SS)
Modelo 39.6 9 4.40 1.12 3.39
matemtico
Error 31.34 8 3.92
DECODIFICACION DEL MODELO
MATEMATICO
Para el trmino independiente:
k k
a o = bo b jj + b i j i j ij
j=1 ij=1
Para el termino lineal:
k=1
aj Z j = (b j / Z j) (b i j / z j) ij
j , i=1
Para el termino interaccin:
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 Z2
Nivel inferior (-) 15 1
Nivel superior (+) 20 2
Centro diseo (Z ) 17.5 1.5
Radio diseo (AZ) 2.50 0.5
Relacin 7 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 17 DE JUNIO

 PROBLEMA
Un ingeniero est interesado en el efecto
que tienen la rapidez de corte X 1, 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 X1 X2 X3 Y (I) Y (II) Y (III)

1 -1 -1 -1 22 31 25
2 +1 -1 -1 32 43 29
3 -1 +1 -1 35 34 50
4 +1 +1 -1 55 47 46
5 -1 -1 +1 44 45 38
6 +1 -1 +1 40 37 36
7 -1 +1 +1 60 50 54
8 +1 +1 +1 39 41 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 XO X1 X2 X3 X1X2 X1X3 X2X3 X1X2X3 Y

1 +1 -1 -1 -1 +1 +1 +1 -1 78

2 +1 +1 -1 -1 -1 -1 +1 +1 104

3 +1 -1 +1 -1 -1 +1 -1 +1 119

4 +1 +1 +1 -1 +1 -1 -1 -1 148

5 +1 -1 -1 +1 +1 -1 -1 +1 127

6 +1 +1 -1 +1 -1 +1 -1 -1 113

7 +1 -1 +1 +1 -1 -1 +1 -1 164

8 +1 +1 +1 +1 +1 +1 +1 +1 127
(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 SUMA DE GRADOS DE MEDIA DE FO
VARIACIN CUADRADOS LIBERTAD CUADRADOS
X1 0.667 1 0.667 0.02
X2 770.7 1 770.7 25.52
X3 280.2 1 280.2 9.28
X1X2 16.67 1 16.67 0.55
X1X3 468.2 1 468.2 15.5
X2X3 48.18 1 48.18 1.6
X1X2X3 28.17 1 28.17 0.93
ERROR 483.2 16 30.20
TOTAL 2096 23
 El valor de F es tabulado para un nivel de
significancia del 99% y para f1 = 1 y f2 = 16,
tenemos:
CONCLUYENDO: f (0.01, 1, 16) = 8.53

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 41.5
160 1

T
155 0

39.3 40.9
150 -1

-1 1
30 0 35 40
Tiempo de reaccin
MATRIZ DE VARIABLES
INDEPENDIENTES
N XO X1 X2 X1X2 Y

1 +1 -1 -1 +1 39.3

2 +1 +1 -1 -1 40.9

3 +1 -1 +1 -1 40.0

4 +1 +1 +1 +1 41.5
[x]T[Y] 161.7 3.1 1.3 -0.1
EFECTOS ----- 1.55 0.65 -0.05
 ANLISIS DE VARIANCIA
FUENTE DE SUMA DE GRADOS DE MEDIA DE FO
VARIACIN CUADRADOS LIBERTAD CUADRADOS
X1 2.4025 1 2.4025 55.87

X2 0.4225 1 0.4225 9.83

X1X2 0.0025 1 0.0025 0.06

CURVATURA 0.0027 1 0.0027 0.06

ERROR 0.1720 4 0.0430

TOTAL 3.0022 8
 Modelo matemtico

Y est. = 40.425 + 0.775X 1 + 0.225X2

ANLISIS DE RESIDUALES
Y Y est. (Y Y est.)

39.3 39.325 -0.025

40.9 40.875 0.025

40.0 39.975 0.025

41.5 41.525 -0.025

 MODELO MATEMTICO
DECODIFICADO

Yest. = 28.025 + 0.155Z1 + 0.045Z2