Beruflich Dokumente
Kultur Dokumente
Factor
Temperatura, oC
Tiempo, seg.
Nivel (-)
16
Nivel (+)
32
12
Adicionalmente, por experiencias y conocimiento del proceso, se espera que ocurra una fuerte interaccin
entre estas dos variables; esto es, que las variaciones ocurridas en una de las variables influyan en la otra y estos
efectos interactuados se reflejen en el espesor del nquel.
16
16
32
32
4
12
4
12
-1
-1
+1
+1
-1
+1
-1
+1
La seccin de la Tabla con valores actuales sirve de gua para conducir los experimentos, y la seccin con los
valores codificados para los propsitos de clculos y evaluacin de datos.
En general, los experimentos deben ejecutarse lo ms aleatoriamente posible, sin seguir necesariamente el
orden en el que la Tabla de diseo dicta. En este caso particular, la temperatura es una variable que no facilita la
aleatorizacin, pues es difcil modificarla rpidamente a los valores en que se necesita experimentar. En este
caso, debe tomarse medidas para evitar inducir variabilidad diferente a cada prueba.
Con los recursos que se dispone, se decide efectuar 5 pruebas con cada una de las 4 combinaciones,
midiendo el espesor de la capa de nquel como la variable respuesta. En lo posible, estas repeticiones se efectan
aleatoriamente; es decir, no repitiendo la misma combinacin 5 veces continuadas. Los resultados obtenidos por
la experimentacin se resumen en la Tabla 2.
Tabla 2: Datos de evaluacin del proceso de niquelado.
Prueba
#
1
2
3
4
16
16
32
32
(-1)
(-1)
(+1)
(+1)
Espesor,
micropulg.
B Tiempo
Seg.
A Temp.
oC
4
12
4
12
(-1)
(+1)
(-1)
(+1)
116.1
116.5
106.7
123.2
116.9
115.5
107.5
125.1
112.6
119.2
105.2
124.5
118.7
114.7
107.1
124.0
Promedio
114.9
118.3
106.5
124.7
115.8
116.8
106.7
124.3
De la observaciones de los resultados resulta evidente que la mejor combinacin de variables corresponde a
32 oC y 12 seg. la que proporciona el mejor espesor de nquel. Sin embargo, una "eleccin a ganador" por simple
inspeccin de los resultados es una actitud altamente negativa. Ello no permite evaluar cual de las variables tiene
mayor efecto y trunca, tanto posibles sub-optimizaciones, como predecir la respuesta de valores no
experimentados con las variables.
El procedimiento de evaluacin se continua determinando el promedio de los valores altos y el promedio de
los valores bajos para cada variable. Luego se calcula el efecto , que representa la diferencia entre los valores
altos y bajos:
Promedio
A Temp.
oC
116.3
115.5
-0.8
Promedio general = 115.93
(-)
(+)
B Tiempo
Seg.
111.3
120.6
+9.3
De esos clculos se observa el efecto del factor temperatura equivalente a -0.8 micropulgadas. Esto
significa que el aumento la temperatura de 16 a 32 oC ocasiona una disminucin en el espesor en 0.8
micropulgadas. Similarmente, el factor efecto tiempo es de +9.3; es decir, el aumento de tiempo de residencia
dentro del bao de 4 a 12 seg. ocasiona un aumento en el espesor en 9.3 micropulgadas. Comparando efectos, el
factor tiempo resulta ser aproximadamente 12 veces ms importante que el factor temperatura en el espesor de la
capa de nquel.
3
A continuacin se elabora grficos con los valores promedios obtenidos, como se observa en las Figuras 1.
En estas se debe destacar el hecho de la interaccin que existe entre los dos factores en estudio. Esto se evidencia
por el hecho que en ambos grficos no existe paralelismo entre las rectas trazadas.
Espesor, pulg.
125
T=32oC
t = 12 seg
120
T=16 oC
115
t = 4 seg.
110
105
16
32
Temp. oC
12
Tiempo, seg
AB
+1
-1
-1
+1
Promedio
115.8
116.8
106.7
124.3
Se puede determinar matemticamente el efecto de interaccin entre los dos factores, utilizando la columna
AB y la respuesta obtenida para cada combinacin:
Valores
(-)
(+)
Interaccin AB
116.8 + 106.7
= 11175
.
2
1158
. + 124.3
= 120.05
2
El alto valor del efecto para la interaccin AB, indica la fuerte interaccin que existe entre esas dos
factores.El siguiente paso es calcular los "medios efectos" para cada columna. Estos "medios efectos" sern
usados en la ecuacin de prediccin a definirse posteriormente.
/2
A (Temp.)
-0.8/2 = -0.4
B (tiempo)
9.3/2 = 4.65
AB
8.3/2 = 4.15
Espesor, pulg.
125
120
AB
115
110
105
16
32
Temp. oC
4
12
Tiempo, seg
-1
+1
Interaccin
Valor absoulto /2
AB
A
0
A
A + B B + AB AB + ...
2
2
2
Y = Y +
donde:
Ntese que los valores actuales de las variables son reemplazados en la ecuacin de prediccin con los valores
codificados.
Se observa que la ecuacin de prediccin responde correctamente a combinaciones de valores ya
experimentados. Esto da seguridad para que el modelo pueda ser utilizado para predecir combinaciones no
probadas y/o predecir un valor objetivo.
Supngase ahora que se fija como objetivo el tener una capa de nquel de 120 micropulgadas. Ya que se
dispone de 2 variables y se decide tcnicamente que la temperatura debe fijarse a 32 oC, la ecuacin puede usarse
segn:
120 = 115.93 - 0.4 (+1)+ 4.65 (B) + 4.15 (+1)(B)
B = 0.508
Ya que este valor de B es un valor codificado del tiempo, para obtener el valor real se procede segn lo siguiente:
0.54 seg
-1
4 seg
0
8 seg
+1
12 seg
El tiempo real se obtendr de un simple clculo de interpolacin. Para este valor codificado de B = 0.508
se obtiene un tiempo de 10.04 seg. Por lo tanto, con 10.04 seg. y 32 oC, el niquelado deber tener una capa de
120 micropulgadas de espesor.
Se debe proceder ahora con las pruebas confirmativas para determinar la validez total del modelo obtenido.
Las pruebas de confirmacin se llevarn a cabo con 32 oC de temperatura del bao y 10 seg. de tiempo de
inmersin de la pieza en el bao de nquel.
Con esos valores fijados de los factores, se realizan 5 pruebas de verificacin y se obtienen los siguientes
resultados de micropulgadas de espesor de la capa de nquel:
120.5; 122.7; 117.4; 125.3; 117.0.
p p
115
120
Espesor en micropulgadas
125
Ya que hay una distribucin razonable alrededor de 120, se concluye que el modelo obtenido es vlido.
3 Anlisis de la varianza
El anlisis grfico, no-estadstico, se complementa con el estudio de anlisis de la varianza, lo cual aporta el
criterio objetivo para completar la evaluacin. Este anlisis se desarrolla con un ejemplo.
Se realiza una investigacin sobre el efecto de dos factores en la velocidad de reaccin de un proceso, sean
estas la concentracin de un reactivo (Z1) y la cantidad de un catalizador, (Z2). Los niveles de los factores son
los siguientes:
Factores
Z1: Reactivo (%)
Z2: Catalizador (sacos)
Nivel (-)
15
Nivel (+)
20
Con estos valores se ejecuta un diseo experimental con 22 = 4 experimentos y tres replicas en cada prueba.
La Tabla 9.4 seal el diseo a utilizar.
Tabla 4: Matriz de diseo experimental para 2 factores
N
1
2
3
4
Factores actuales
Z1
Z2
15
20
15
20
1
1
2
2
X1
-1
+1
-1
+1
Factores codificados
X2
X1X2
-1
+1
-1
-1
+1
-1
+1
+1
6
Se realizan los experimentos aleatoriamente con rplicas tambin aleatorizadas, y los resultados se muestran
en la siguiente Tabla.
Tabla 5: Matriz de diseo experimental para 2 factores con 3 rplicas.
N
1
2
3
4
Factores
X1
-1
+1
-1
+1
X2
-1
-1
+1
+1
Respuestas
X1X2
+1
-1
-1
+1
II
II
28
36
18
31
25
32
19
30
27
32
23
29
Total
respuestas
Yr
80
100
60
90
26.67
33.33
20.00
30.00
X1
23.335
31.665
8.33
(-)
(+)
Efecto
X2
30
25
-5
X1X2
26.665
28.335
1.67
El anlisis de la varianza se inicia planteando la siguiente ecuacin que representa a la variabilidad total de
los datos en sus partes componentes:
SSTotal = SS Efectos + SS Error
donde
SSTotal = Suma total de cuadrados.
SSEfectos = Suma de cuadrados debida a los tratamientos.
SSError = Suma de cuadrados debida al error.
Para el anlisis de la varianza de un diseo factorial donde con varias rplicas en los puntos del diseo,
la suma total de cuadrados viene definido por:
2
SSTotal = Yijk2
i =1 j =1 k =1
Y2
Nr
donde:
N = nmero de pruebas experimentales;
r = nmero de rplicas en el diseo.
O sea, SSTotal es igual a la suma de cada una de las respuestas elevadas al cuadrado, menos la suma de todas las
respuestas elevada al cuadrado dividida el nmero total de experimentos por el nmero de rplicas efectuadas
En el ejemplo:
2
28 + 25 + 27 + ...+ 30 + 29 )
(
2
2
2
2
2
SSTotal = (28 + 25 + 27 + ...+ 30 + 29 )
4 *3
= 9398
(330)2
12
= 323
La suma de cuadrados de los efectos e interacciones se da por la siguiente relacin:
SS Efecto
X ij Yj
i =1
=
Nr
En el ejemplo:
SS X 1
SS X 2
= 208.33
4 *3
4 *3
= 75.00
SS X 1 X 2
4 *3
= 8.33
A travs del clculo del efecto se observa que la variable X1, (concentracin del reactivo) tiene incidencia
importante en el proceso. La manera precisa y estadstica de medir la importancia de esa variable es por el
Teorema de Cochran, que se resume en la siguiente expresin:
Fo =
MS Efectos
MS Error
donde:
MSEfectos = SSEfectos/glT
MSErrror = SSError/glE
de aqu:
glT = grados de libertad de los efectos e interacciones. Igual a 1 en los diseos factoriales a dos niveles (2-1=1)
glE = grados de libertad de la suma de cuadrados del error. Igual a:
nr
n
i =1
ri
208.33/1 = 208.33
MSEfectos(X2) =
75/1 = 75
g.l.
MS
208.33
208.33
Fo
53.15
75.00
75.00
19.13
X1X2
8.33
1
8.33
2.13
Error
31.34
8
3.92
Total
323.00
Para un nivel de significacin = 0.01; glT = 1; glE = 8 entonces F(0.01; 1, 8) = 11.26
8
La condicin Fo > F(; glT , glE ) se cumple para X1 y X2. Por lo tanto, solo las variables X1 y X2 tienen
incidencia significativa en el proceso. Con esto se formula el modelo matemtico y es como sigue:
Y = 27.50 +
8.33
5
X1 X 2
2
2
YY
y que se resumen en la Tabla 7.
Tabla 7: Anlisis de residuos para el ejemplo.
Yr
N
X1
-1
+1
-1
+1
1
2
3
4
X2
-1
-1
+1
+1
Y1
28
36
18
31
Y2
25
32
19
30
R = (Yr - Y )
Y3
27
32
23
29
26.67
33.33
20.00
30.00
25.835
34.165
20.835
29.165
RY1
+2.165
+1.835
-2.835
+1.835
Ry2
-0.835
-2.165
-1.835
+0.835
RY3
+1.165
-2.165
+2.165
-0.165
Con estos datos se calcula la suma de cuadrados residual del modelo, SSMR
Nr Y Y
SSM R =
Nr
I
i =1
donde:
SSM R =
2
. ) 39.67
(2.165)2 + ( 0.835) 2 + ... + ( 0165
=
= 4.41
( 4) (3) (3)
Para determinar estadsticamente si el modelo matemtico hallado representa adecuadamente a los datos
experimentales, se realiza la prueba F:
Fo =
SSM R 4.41
=
= 1124
.
MS Error 3.92
9
Entonces el modelo matemtico es adecuado.
3.2 Decodificacin del modelo a escala natural
En el ejemplo, el modelo codificado obtenido fue:
Z Xo 2 =
( 2 + 1)
= 15
.
2
Z X 2 =
EX2 =
(2 1)
= 0.5
2
Z Xo 2 15
.
=
=3
Z X 2 0.5
15
20
17.5
X2
1
2
1.5
2.5
7
0.5
3
Y D = ao + a1 X 1 + a2 X 2
y se obtiene:
ao = Y X 1 E X 1 X 2 E X 2
2
2
= 27.5 - (4.165)(7) - (-2.5)(3) = 5.845
X1
2 4.165
a1 =
=
= 1666
.
Z X 1
2.5
X2
2 2.5
a2 =
=
= 5.0
0.5
Z X 2
Con lo que el modelo decodificado se expresa:
Y D = 5845
.
+ 1666
.
Z1 5.0 Z2
En trminos generales:
10
k
k
ao = Y j E j ij Eij ; i j
j =1 2
ij = 1 2
j
ij
k 1
2
2
aj =
Z j ij =1 Z j
ij
2
a ij =
Zi Z j
i j
A
-1
-1
-1
-1
+1
+1
+1
+1
B
-1
-1
+1
+1
-1
-1
+1
+1
C
-1
+1
-1
+1
-1
+1
-1
+1
AB
+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
Tabla 9: Diseo factorial fraccionado con tres factores a dos niveles, en 4 pruebas.
N
A
B
C= A*B
AB
AC
BC
1
-1
-1
+1
+1
-1
-1
2
-1
+1
-1
-1
+1
-1
3
+1
-1
-1
-1
-1
+1
4
+1
+1
+1
+1
+1
+1
ABC
+1
+1
+1
+1
Consideremos ahora por ejemplo que se tiene cuatro factores A, B, C, y D; a evaluar un diseo
factorial fraccionado con 8 pruebas. Un diseo completo incluira N
= 24 = 16 pruebas. Para elaborar la matriz codificada de diseo, obsrvese la Tabla 9.8 con 23 = 8. Es obvio en
esta Tabla que la columna de interaccin ABC es poco probable de producirse con un efecto significativo; de
modo que para 4 factores la Tabla 9.8 puede reescribirse como se observa en la Tabla 9.10, considerando las
respectivas interacciones.
11
Tabla 10: Diseo factorial fraccionado con cuatro factores a dos niveles, 8 pruebas.
N
A
B
C
D= ABC
AB=CD
AC=BD
1
-1
-1
-1
-1
+1
+1
2
-1
-1
+1
+1
+1
-1
3
-1
+1
-1
+1
-1
+1
4
-1
+1
+1
-1
-1
-1
5
+1
-1
-1
+1
-1
-1
6
+1
-1
+1
-1
-1
+1
7
+1
+1
-1
-1
+1
-1
8
+1
+1
+1
+1
+1
+1
BC=AD
+1
-1
-1
+1
+1
-1
-1
+1
Y1
Y2
-1
+1
Variable A
Figura 4: Modelo lineal fijado a nivel bajo y alto, con probable curvatura en el centro.
5.1 Ejemplo de aplicacin
Un ingeniero qumico se encuentra estudiando el rendimiento de un proceso. Existen dos variables de
inters: tiempo y temperatura de reaccin. Debido a que el ingeniero duda de la suposicin de linealidad, decide
utilizar un diseo 22 , con una sola prueba en cada punto externo del diseo y 5 rplicas en el punto central.
El diseo y los resultados se muestran en la Figura 5.
Temperatura, X2
160; +1
40.0
155;
41.5
40.3
40.5
40.7
40.2
40.6
150; -1
39.3
-1
30
40.9
0
35
+1
40
Tiempo de
reaccion, X1
12
Z1
1
2
3
4
Tiempo
30
40
30
40
5
5
5
5
5
35
35
35
35
35
Z2
Temper.
150
150
160
160
X1
X2
X 1X 2
Respuesta
Y
-1
+1
-1
+1
-1
-1
+1
+1
+1
-1
-1
+1
39.3
40.9
40.0
41.5
155
0
0
40.3
155
0
0
40.5
155
0
0
40.7
155
0
0
40.2
155
0
0
40.6
Promedio general (excepta los puntos en el centro) = 40.425
Los promedios de bajo y alto nivel para los factores e interaccin y el efecto se muestran a
continuacin:
Promedio
X1
39.65
41.2
1.55
(-)
(+)
Efecto
X2
40.1
40.75
0.65
X1X2
40.45
40.40
-0.05
Obsrvese que los puntos replicados en el centro no son considerados en el clculo de los efectos; mas bien
sern utilizados para hallar la suma de cuadrados del error.
5.1 Anlisis de la varianza
El anlisis de la varianza difiere algo del efectuado cuando se efectan rplicas en cada punto del diseo.
Implica el clculo de:
SSEfectos
SSError
SS Efecto
X ij Yj
= i =1
Nr
SS Error = Yi o Y
i =1
o 2
donde:
Yi o = rplicas en el punto central del diseo.
SSCurvatura =
N no Y Y
N + no
donde:
Y = promedio de puntos exteriores del diseo.
13
En el ejemplo, la suma de cuadrados debida a los tratamientos es:
SS X 1
SS X 2 =
= 2.4025
( 4) (1)
SS X 1 X 2
= 0.4225
( 4)(1)
= 0.0025
Y = 40.46
SSCurvatura =
MS
X1
X2
2.4025
2.4025
Fo
55.87
0.4225
0.4225
9.83
X1X2
Curvatura
Error
Total
0.0025
0.0025
0.058
0.00272
0.172
3.00222
1
4
8
0.00272
0.043
0.0063
155
.
0.65
Y = 40.425 +
X1 +
X2
2
2
X1
X2
Yr
1
2
3
4
-1
+1
-1
+1
-1
-1
+1
+1
39.3
40.9
40.0
41.5
Y Y
SSM R =
Nr
I
i =1
39.325
40.875
39.975
41.525
Nr
SSM R =
R = (Yr - Y )
-0.025
0.025
0.025
0.025
14
SSM R 0.0025
=
= 0.06
MS Error 0.043
El modelo es adecuado si:
Fo < F(; glR , glE ). En el ejemplo: = 0.05; gl R = 1; , glE = 4
F(0.05; 1, 4 ) = 7.71. Entonces el modelo matemtico ajusta adecuadamente los datos experimentales.
Fo =
Nivel (-)
0.02
Nivel (+)
0.06
10
11
27.5
33.5
El investigador decide realizar un diseo 23 = 8 experimentos con tres rplicas en el centro. La Tabla 9.13
muestra el diseo y sus resultados.
Tabla 9.13: Matriz del diseo factorial con rplicas en el centro y respuestas.
N
Z1
Z2.
Z3
X1
X2
X3 X 1X 2 X1X3 X2X 3
1
2
3
4
5
6
7
8
0.02
0.06
0.02
0.06
0.02
0.06
0.02
0.06
10
10
11
11
10
10
11
11
27.5
27.5
27.5
27.5
33.5
33.5
33.5
33.5
-1
+1
-1
+1
-1
+1
-1
+1
-1
-1
+1
+1
-1
-1
+1
+1
-1
-1
-1
-1
+1
+1
+1
+1
9
9
9
0.04
0.04
0.04
10.5
10.5
10.5
30.5
30.5
30.5
0
0
0
0
0
0
0
0
0
+1
-1
-1
+1
+1
-1
-1
+1
+1
-1
+1
-1
-1
+1
-1
+1
+1
+1
-1
-1
-1
-1
+1
+1
X 1X 2X3
-1
+1
+1
-1
+1
-1
-1
+1
Respuesta
Y
94.0
94.0
94.6
92.2
92.5
92.5
93.2
92.1
92.5
92.4
92.4
-0.87
-0.22
-1.12
-0.87
MS
0.32
0.37
.0325
Fo
Colector
X1
1.5313
1.5313
459.375
X2
0.1013
0.1013
30.375
X3
2.5313
2.5313
759.375
% slidos
X1 X2
1.5313
1.5313
459.375
Colector-pH
X1 X3
0.2112
0.2112
63.375
Colector-%sl.
X2 X3
0.2813
0.2813
84.375
pH-%Slid.
X1 X2 X3
0.2112
0.2112
63.375
Colector-pH-% sl.
Curvatura
Error
Total
1.0819
0.0067
7.4873
1
2
10
1.0819
0.0033
324.556
pH
15
0 .87
1 .12
0 .87
X 1
X 3
X1X 2
2
2
2
Y =93 .1375
X1
X3
X1 X 2
Yr
1
2
3
4
5
6
7
8
-1
+1
-1
+1
-1
+1
-1
+1
-1
-1
-1
-1
+1
+1
+1
+1
+1
-1
-1
+1
+1
-1
-1
+1
94.0
94.0
94.6
92.2
92.5
92.5
93.2
92.1
Y Y
SSM R =
i = 1 Nr I
93.7
93.7
94.575
92.825
92.575
92.575
93.45
91.70
R = (Yr - Y )
0.3
0.3
0.025
-0.625
-0.075
-0.075
-0.25
-0.4
Nr
SSM R =
Fo =
0.20125
= 0.20125
84
SSM R 0.20125
=
= 60.985
MS Error 0.0033
El modelo es adecuado si: Fo < F(; gl R , glE ). En el ejemplo: = 0.01; glR = 4; , glE = 2
F(0.05; 4, 2 ) = 99.25. Entonces el modelo matemtico ajusta adecuadamente los datos experimentales.
6 Ejemplo de diseo factorial fraccionado
En la investigacin para optimizar un proceso de flotacin de un mineral sulfurado de cobre, se investiga la
influencia de cuatro factores: tiempo de molienda, pH, dosificacin del colector y dosificacin del espumante. En
el siguiente cuadro se muestran los valores a considerar durante el experimento:
Factor
Z1: Tiempo de molienda, min
Z2: pH
Z3: Colector, lb/Ton (Z-200)
Z4: Espumante, lb/ton (Dowfroth 200)
Nivel (-)
5.0
Nivel (0)
6.5
Nivel (+)
8.0
8.5
9.5
10.5
0.1
0.15
0.20
0.2
0.30
0.40
Para las 4 variables (k=4), se puede utilizar un diseo 24-1 = 8 experimentos. El diseo se lleva a cabo con
tres rplicas en el centro. La variable codificada X4 se reemplaza por los valores codificados correspondientes a la
interaccin X1X2X3 ya que esta interaccin tiene muy pocas probabilidades de ser importante.
16
Tabla 14: Matriz del diseo factorial fraccionado con rplicas en el centro y respuestas.
Z4
N
X1 X2 X3 X 4 X1X2 X 1X 3 X1X4
Z1
Z2
Z3
t, min.
pH
Colect, Espum.
lb/ton
lb/ton
1
-1
-1
-1
-1
+1
+1
+1
5
8.5
0.1
0.2
2
+1
-1
-1
+1
-1
-1
+1
8
8.5
0.1
0.4
3
-1
+1
-1
+1
-1
+1
-1
5
10.5
0.1
0.4
4
+1 +1
-1
-1
+1
-1
-1
8
10.5
0.1
0.2
5
-1
-1
+1 +1
+1
-1
-1
5
8.5
0.2
0.4
6
+1
-1
+1
-1
-1
+1
-1
8
8.5
0.2
0.2
7
-1
+1 +1
-1
-1
-1
+1
5
10.5
0.2
0.2
8
+1 +1 +1 +1
+1
+1
+1
8
10.5
0.2
0.4
9
9
9
0
0
0
0
0
0
0
0
0
0
0
0
6.5
6.5
6.5
9.5
9.5
9.5
87.7
90.4
87.5
92.0
84.0
86.4
85.0
88.2
0.15
0.15
0.15
0.3
88.9
0.3
88.7
0.3
88.5
Promedio general (excepta puntos en el centro) Y = 87.65
o
X2
1.05
X3
-3.5
X4
-0.25
X1 X2
X 1X 3
X1 X4
0.65
-0.1
0.35
SS Efecto
X ij Yj
i =1
=
Nr
no
SS Error = Yi o Y
i =1
SSCurvatura =
N no Y Y
o 2
N + no
se construye la Tabla del anlisis de la varianza.
MS
Fo
X1
20.48
20.48
512.0
Tiempo
X2
2.205
2.205
55.125
pH
X3
24.50
24.50
612.5
Colector
X4
0.125
0.125
3.125
Espumante
X1 X2
0.845
0.845
21.125
X1 X3
0.32
0.32
8.0
X1 X4
0.245
0.245
6.125
Curvatura
Error
Total
2.405
0.08
51.205
1
2
10
2.405
0.04
61.125
17
Y = 87.65 +
3.2
3.5
X1
X3
2
2
Y = 87.65 + 165
. X 1 175
. X3
Anlisis de residuos
X1
X3
Yr
R = (Yr - Y )
1
2
3
4
5
6
7
8
-1
+1
-1
+1
-1
+1
-1
+1
-1
-1
-1
-1
+1
+1
+1
+1
87.7
90.4
87.5
92.0
84.0
86.4
85.0
88.2
87.8
91.0
87.8
91.0
84.3
87.5
84.3
87.5
-0.1
-0.6
-0.3
1.0
-0.3
-1.1
0.7
0.7
Y Y
SSM R =
i = 1 Nr I
Nr
SSM R =
Fo =
3.74
= 0.748
8 3
SSM R 0.0748
=
= 18.70
MS Error
0.04
El modelo es adecuado si: Fo < F(; glR , glE ).; F(0.05; 5, 2 ) = 19.30. Entonces el modelo matemtico ajusta
adecuadamente los datos experimentales.
7. Diseos de Plackett - Burman
Este diseo desarrollado por Plackett y Burman en 1946 permite estudiar un gran nmero de variables,
reducindolas luego a un grupo pequeo para posterior experimentacin. Es un tipo especial de diseo factorial
fraccionado, donde se puede estudiar k variables en N pruebas experimentales, donde N > k y otorga la
posibilidad de experimentar con N-1 variables. El modelo contempla el uso de las denominadas variables
ficticias (no representan a ninguna variable experimental) y se utilizan para determinar la varianza del error
experimental. Por esta ltima razn, es conveniente introducir en el diseo por lo menos 2 variables ficticias.
Para construir un diseo de P-B, se toma un vector de tamao n determinado y con el se generan los
restantes vectores. Por ejemplo, si n = 8 combinaciones, el vector generador consiste de n-1 = 7 valores que son :
(+ + + - + - -). La matriz de diseo se completa como sigue:
a) Utilizar el vector generador como la primera fila, n1
b) La segunda fila, n2, se llena tomando el primer valor de n1 y colocndolo en el ltimo lugar de la fina n2 y
deslizando luego los dems valores de n1 delante de ese primer valor.
c) La tercera fila, n3, se construye utilizando el ltimo valor de la fila n2 y colocndolo en el ltimo lugar de la
fila n3 y deslizando a partir de ese los restantes valores de n2 .
d) Continuar hasta que todas las (n-1) filas se completen.
e) Completar la fila n con valores negativos (-1)
Los vectores generadores para los diversos diseos P-B son como sigue:
n=8 + + + - + - n = 12 + + - + + + - - - + n =16 + + + + - + - + + - - + - - n = 20 + + - - + + + + - + - + - - - - + + n = 24 + + + + + - + - + + - - + + - - + - + 1
10 11 12 13 14 15 16 17 18 19 20 21 22 23
Obsrvese que los valores de n son mltiplos de 4 y el total de variables a experimentar (inclusive las
variables ficticias) es igual a n-1.
18
Supngase que se quiere experimentar con 4 variables (k=4), el nmero de pruebas es n = 8 y el total de
variables a considerar es n-1 = 7, segn la Tabla 16. Obsrvese que si son 4 variables reales y 7 el total de
variables a considerar, entonces 3 variables sern ficticias.
Tabla 16: Diseo P-B con 4 variables reales, 3 variables ficticias y 8 pruebas
N
X1
X2
X3
X4
F1
F2
F3
1
2
3
4
5
6
7
8
+
+
+
+
-
+
+
+
+
-
+
+
+
+
-
+
+
+
+
-
+
+
+
+
-
+
+
+
+
-
+
+
+
+
-
Ahora supngase que se desea experimentar con 8 variables. Se escoge un diseo P-B con 12 pruebas y 11
variables. La matriz codificada se da en la Tabla 9.17.
Tabla 17: Diseo P-B con 8 variables reales, 3 variables ficticias y 12 pruebas
N
X1
X2
X3
X4
X5
X6
X7
X8
F1
F2
F3
1
2
3
4
5
6
7
8
9
+
+
+
+
+
+
-
+
+
+
+
+
+
-
+
+
+
+
+
+
-
+
+
+
+
+
+
-
+
+
+
+
+
+
-
+
+
+
+
+
+
-
+
+
+
+
+
+
+
+
+
+
+
+
-
+
+
+
+
+
+
-
+
+
+
+
+
+
-
+
+
+
+
+
+
-
10
11
12
19
Factor
Z1: Potencial redox, mV.
Z2: Carbn activado, lb/ton
Nivel (-)
- 400
Z3:Gas
Z4: Tiempo de acondicionamiento, min.
Nivel (+)
-200
Nitrgeno
Oxgeno
10
X1
X2
+
F1
+
X3
-
X4
X5
F2
-
Z1
-200
Z2
2
-200
-200
-400
-200
-400
-400
-400
Z3
N2
O2
Z4
5
Z5
5
Y1.
19.00
Y2.
1.48
Y3.
2.90
2.30
0.15
6.50
N2
N2
10
10.00
0.65
3.30
10
84.00
22.97
5.80
O2
O2
10
15.10
1.77
7.80
39.80
4.98
15.40
O2
N2
10
74.60
16.53
14.90
45.90
5.13
7.00
X1
X2
F1
X3
X4
X5
F2
-49.48
17.48
-0.96
-6.70
6.20
19.10
-4.62
Segn este cuadro, el factor ms importante es el potencial redox, (X1 ). El paso de -200 mV. a -400 mV
mejora 49.48 % la recuperacin.
Siguiendo el proceso de clculo se determina:
SS Efecto
X ij Yj
i =1
=
Nr
no
SS Error = ( EF )
i =1
donde:
EF = efecto de las variables ficticias.
SS Error
nF
donde:
nF = nmero de variables ficticias.
MS Error =
22.27
= 1114
.
2
Con todos esos clculos que se construye la Tabla del anlisis de la varianza.
20
4895.55
4895.55
X2
596.85
596.85
53.58
F1
X3
1.90
1.90
0.17
91.80
91.80
8.26
Gas
X4
78.75
78.75
7.07
Tiempo acondic
X5
735.36
735.36
66.01
42.78
3.84
F2
42.78
1
Error
22.27
2
Total
6435.34
9
F(; glT , glE ) = F(0.05; 1, 2) =18.51
439.45
Potencial redox,
Carbn activado
Tiempo flotac.
11.14
Anlisis de residuos
X1
X2
X5
Yr
R = (Yr - Y )
1
2
3
4
5
6
7
8
+
+
+
+
-
+
+
+
+
-
+
+
+
+
-
19.00
2.30
10.00
84.00
15.10
39.80
74.60
45.90
10.65
10.65
12.55
79.31
12.55
42.85
79.31
42.05
8.35
-8.35
-2.55
4.70
2.55
-3.05
-4.70
3.06
Y Y
SSM R =
i = 1 Nr I
Nr
215.24
= 53.81
84
.
SSM R 5381
=
= 4.82
Fo =
.
MS Error 1114
SSM R =
El modelo es adecuado si: Fo < F(; glR , glE ).; F(0.05; 4, 2 ) = 19.25. Entonces el modelo matemtico ajusta
adecuadamente los datos experimentales.
8.1.2. Evaluacin para eficiencia de concentracin del molibdeno, Y2
Tabla 20: Diseo P-B con para flotacin de Molibdeno.
N
X1
F1
+
X3
-
X4
X5
X2
+
1
2
3
4
F2
-
Z1
-200
Z2
2
Z3
N2
Z4
5
Z5
5
Y2.
1.48
-200
0.15
-200
O2
N2
10
0.65
-400
10
22.97
-200
10
1.77
-400
-400
-400
N2
O2
O2
O2
N2
4.98
10
16.53
5.13
21
Con los datos obtenidos se calcula el efecto para cada una de las variables para eficiencia de
concentracin del molibdeno, Y2
X1
X2
F1
X3
X4
X5
F2
-11.54
7.30
-1.44
-1.85
2.04
7.40
1.11
SS Error = ( 144
. ) 2 + ( 111
. ) 2 = 3.32
MS Error =
3.32
= 1.66
2
Con todos esos clculos que se construye la Tabla del anlisis de la varianza.
Tabla 21: Anlisis de la Varianza para el ejemplo de flotacin de Molibdeno.
Fuente
SS
g.l.
MS
Fo
X1
266.34
266.34
160.44
Potencial redox,
X2
106.58
106.58
106.58
Carbn activado
F1
X3
4.18
4.18
2.52
6.84
6.84
4.12
Gas
X4
8.28
8.28
4.99
Tiempo acondic
X5
109.37
109.37
65.88
Tiempo flotac.
2.46
3.32
507.38
2
9
F2
Error
Total
2.46
1.48
1.66
Anlisis de residuos
X1
X2
X5
Yr
R = (Yr - Y )
1
2
3
4
5
6
7
8
+
+
+
+
-
+
+
+
+
-
+
+
+
+
-
1.48
0.15
0.65
22.97
1.77
4.98
16.53
5.13
0.81
0.81
0.91
19.75
0.91
5.05
19.75
5.05
0.67
-0.66
-0.26
3.32
0.26
-0.07
-3.32
0.08
SSM R =
Fo =
2177
.
= 5.44
84
SSM R 5.44
=
= 3.28
MSError 166
.
El modelo es adecuado si: Fo < F(; glR , glE ).; F(0.05; 4, 2 ) = 19.25. Entonces el modelo matemtico ajusta
adecuadamente los datos experimentales.
22
X1
F1
+
X3
-
X4
X5
X2
+
1
2
3
4
F2
-
Z1
-200
Z2
2
Z3
N2
Z4
5
Z5
5
Y3.
2.90
-200
6.50
-200
O2
N2
10
3.30
-400
10
5.80
-200
10
7.80
-400
-400
-400
N2
O2
O2
O2
N2
15.40
10
14.90
7.00
Con los datos obtenidos se calcula el efecto para cada una de las variables para consumo de NaHS, Y3
X1
X2
F1
X3
X4
X5
F2
5.65
-0.85
2.35
6.40
0.05
0.00
-0.40
5.68
= 2.84
2
Con todos esos clculos que se construye la Tabla del anlisis de la varianza.
Tabla 23: Anlisis de la Varianza para el ejemplo de flotacin de Molibdeno.
Fuente
SS
g.l.
MS
Fo
X1
63.85
63.85
22.47
Potencial redox,
X2
1.45
1.45
0.51
Carbn activado
F1
X3
11.05
11.05
3.89
81.92
81.92
28.83
X4
0.00
0.00
0.00
Tiempo acondic
X5
0.00
0.00
0.00
Tiempo flotac.
F2
Error
Total
0.32
0.32
0.11
5.68
164.26
2.84
Gas
23
producir, genere informacin sobre como mejorarlo a base de ejecutar diseos factoriales durante la produccin.
Para evitar cambios apreciables en las caractersticas del producto se efectan pequeos cambios en los niveles
de las variables de proceso. Para determinar los efectos de estos cambios, ser pues necesario repetir varias
veces los experimentos elementales y promediar los resultados.
El mtodo EVOP esta ideado para ser llevado a cabo por los operadores del proceso en la planta, mientras
se contina manufacturando producto satisfactorio. Por lo tanto, las circunstancias son muy diferentes a las
laboratorio o planta piloto, donde:
- Hay que dedicar dinero y tiempo para investigar;
- Se puede variar muchos factores simultneamente en experimentos cuidadosamente llevados a cabo por
tcnicos especializados.
- La produccin de material invendible no es problema.
En esta situacin es aconsejable en general estudiar el mximo nmero de factores en cada diseo
manteniendo la relacin (factores estudiados)/(experimentos elementales realizados) tan alta como sea posible.
Si en cierta fase de la investigacin hay que realizar 16 experimentos elementales, en general es mejor
utilizarlos para estudiar cuatro variables en un diseo factorial 24 mejor an, estudiar 5 factores en media
fraccin de un factorial 25 , que estudiar 3 factores en un diseo 23 duplicado.
Como contraste, considerese la situacin en las que se utilizan la operacin evolutiva. En ellas:
a. Como la relacin seal/ruido se debe mantener baja, se necesita generalmente un gran nmero de
experimentos elementales para detectar los efectos de los cambios.
b. Esos experimentos elementales no son mas que operaciones necesarias para la fabricacin, que se hubiesen
hecho de cualquier modo y no representan un aumento de coste apreciable.
c. En la lnea de produccin, las cosas se deben mantener muy simples y normalmente slo es factible variar
dos o tres factores en fase de investigacin.
En estas circunstancias, es razonable utilizar diseos factoriales 22 23 replicados, a menudo aadiendo un
punto central.
A medida que se va disponiendo de los resultados, se van actualizando continuamente las medidas y los
efectos estimados y se presentan en un tabln informativo, que puede ser una pizarra corriente.
En un estudio reportado en la literatura, se plantea como objetivo disminuir el coste por tonelada de cierto
producto de una planta petroqumica. En una fase de la investigacin dos variables consideradas importantes
son:
1. La taza de reflujo de una columna de destilacin;
2. La relacin de flujo de reciclado.
Se esperaba que los cambios de la magnitud planeada introduciran efectos transitorios que desapareceran
en 6 horas. Se dejaron 18 horas ms de operacin en condiciones estacionarias para hacer las mediciones
necesarias.
La respuesta que se evala es el costo medio por tonelada. El diseo empleado fue un factorial de 22 con un
punto central. Los resultados al final de la Fase I se muestran en la Tabla 24 y son medidas obtenidas luego de 5
repeticiones
.
Tabla 24: Experimentacin EVOP de una planta petroqumica. Fase I
Relacin
Reflujo
6.7
6.7
7.1
7.1
6.9
Efectos y
errores tipo
Flujo
Reciclado.
7.5
8.0
7.5
8.0
7.75
Relacin Reflujo
Flujo Reciclado.
Interaccin
4.0 1.5
5.0 1.5
1.0 1.5
En este momento se consider que haba suficientes pruebas para justificar un cambio a menor relacin de
flujo y mayor reciclado. La fase II se abordo con cinco ciclos ms, que confirma que se consiguen costos ms
bajos, como se observa en la Tabla 9.25.
24
Efectos y
errores tipo
Flujo
Reciclado.
8.0
8.5
8.0
8.5
8.25
Relacin Reflujo
Flujo Reciclado.
Interaccin
1.0 1.0
3.0 1.0
0.0 1.0
Con los cambios realizados se ensayaron con valores an ms altos para reciclado, lo cual motiv la fase III,
Tabla 26; esta fase concluy despus de 4 ciclos y condujo a la conclusin de que el costo ms bajo se obtiene
con un valor de reflujo cercano a 6.3 y un reciclado de alrededor de 8.5, con un costo por tonelada de 80 libras.
Tabla 26: Experimentacin EVOP de una planta petroqumica. Fase I
Relacin
Reflujo
5.9
5.9
6.7
6.7
6.3
Efectos y
errores tipo
Flujo
Reciclado.
8.25
8.75
8.25
8.75
8.5
Relacin Reflujo
Flujo Reciclado.
Interaccin
-1.0 1.5
2.0 1.5
0.0 1.5