Академический Документы
Профессиональный Документы
Культура Документы
Donde:
F :Criterio de optimizacin
x, u, h, z : Variables independientes
EE = (VCAB/ VCAB)*100
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:
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 :
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)
(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
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
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.
k k k
Y = b o+ bJXJ + buj XuXj + bjjXjj2 uj
N = 2k
Donde:
k: Nmero de variables.
N: Nmero de experimentos.
EJEMPLO:
pH
(10) -1 Y1 1 Yx1
2
-1 X1
+1
Z11
(0.1) (0.2)
Niveles para un diseo K = 2
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
Z1 : Reactivo cc.(%) 15 20
Z2 : Catalizador (sacos) 1 2
MATRIZ DE DISEO PARA K = 2
2k = 22 = 4 experimentos con tres rplicas
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
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
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)
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,
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
F o > F , f 1 ,f 2
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
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
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) )
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
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
TOTAL 3.0022 8
Modelo matemtico