Diseño Experimental

SESION IX
La optimizacin por diseos experimentales de acuerdo a un esquema del mbito del diseo
experimental, es posible distinguir dos grandes rutas excluyentes entre s.
1. Los DISEOS DINAMICOS, que son factoriales secuenciales, entre ellos el EVOP, SSEVOP
y que son pequeas variaciones en el rango de las variables para lograr mejorar resultados
sucesivamente iniciando de un simplejo o prueba con variables codificadas en un tringulo
Descarta en una vez la peor respuesta siguiendo la ruta contrapuesta conformando
nuevamente otro simplejo y as avanzando hasta una respuesta mejorada paulatinamente
(normalmente la secuencia termina en una figura poligonal cerrada) Para lograr resultados
favorables es necesario que la materia prima sea constante, equivalente en mineral a que la
ley de cabeza sea constante y ello es difcil de lograr generalmente.
2. Los DISEOS ESTATICOS que se usan en laboratorio o en escala de pilotaje, en este
esquema del Diseo esttico se distinguen dos grandes etapas recomendablemente
secuenciales y ambas tambin complementarias:
La PRIMERA o de SELECCION DE VARIABLES que es el primer intento de estudiar y
determinar la significancia de cada una de la mayor parte de variables. Si son hasta 3
variables se utiliza diseo factorial 2k, para 4 y 5 variables existe el diseo fraccionado
"mitad" y "un cuarto" respectivamente; ambos de 6 pruebas. Se trata de determinar a
Influencia de las variables sobre la respuesta elegida usando como estadstico de discrecin
el t-student.
La SEGUNDA ETAPA o de OPTIMIZACION, donde con el uso de modelos cuadrticos se
ajusta un modelo en dos variables siendo las ms conocidas el Hexagonal (cuando se quiere
investigar soplo dentro del rango elegido), el Octagonal (si se desea ampliar el rango) o en
tres variables usando el DCC o diseo Compuesto Central. Se estiman finalmente los
mejores valores de las variables para lograr un valor mximo o mnimo en Ia respuesta
elegida, usando como estadstico de discrecin el F de la regresin y F de la falta de Ajuste.
Entonces, la primera etapa descarta variable, qua no son influyentes e identifica dos o tres
sobre las cuales se debe trabajar para modelos de optimizacin generalmente cuadrticos.
PRIMERA ETAPA:
SELECCIN DE VARIABLE
Para esta etapa se cuenta con los DISEOS FACTORIALES 2k si las variables son 2 y 3, al
incrementar el nmero de variables entre 4 y 5 se usan los FACTORIALES
FRACCIONADOS MITAD Y UN CUARTO (son diseos factoriales recortados en bloques y
que evitan hacer un mayor nmero de pruebas como lo indicara un factorial 2k).
Si el nmero de variables crece ms, ser necesario usar plantillas de diseo tipo
PLANCKETT-BURMANN que permiten estudiar hasta 20 variables con un mnimo de 2 2
pruebas, pero el criterio de las plantillas es el mismo: evitar un gran nmero de pruebas de
factorial 2k por bloqueo de columnas codificadas que tienen la misma distribucin de signos
(en el lenguaje tcnico se conoce como aliases). Las plantillas normalmente aparecen en
variable codificada siendo 1 el rango real inferior elegido y +1 el rango superior, 0 expresa
el punto central y la relacin entre variable real y codificada es la siguiente:
Donde:
Vcod = es el valor codificado
Vreal = valor de la variable en unidades reales elegidas
Valor Central = el centro del rango real elegido
Radio = distancia en el rango del centro a un extremo en valor real.
Se reconoce una plantilla porque cada columna correspondiente a cada variable suma
siempre CERO. El anexo II muestra plantillas de diseos a los que nos estamos refiriendo.
PLANTILLAS MAS CONOCIDAS EN LA SELECCIN DE VARIABLES
En el caso de un diseo factorial 2n, es econmico usarlo solo hasta 3 variables con un mximo de 8
pruebas, constituyndose una plantilla en variable codificada del siguiente modo
Para 2 variables.
Variable
X1
X2
Rango
< 6 - 12 >
<3-7>
Central
9
5
Los rangos reales elegidos al ser codificados serian -1, 0, +1 para el rango mnimo, valor central y valor
mximo respectivamente en cada una de las variables. Despus, un juego de experimentos 22 tendra 4
pruebas, cuya secuencia y orden seria:
Prueba
X1
X2
Se confecciona intercalando en la primera columna valores -1 y +1; para la otra columna se hace el doble
de la anterior y as sucesivamente hasta, completar el nmero de, pruebas indique el diseo 2 en n.
Para 3 variables: 23 = 8 pruebas.

La plantilla a considerar seria la siguiente
Prueba
X1
X2
X3
Si:
X1 = A
X2 = B
X3 = C
Existe una manera de representar estas plantillas con solo letras minsculas figurando la
correspondiente en la prueba en que la variable participa con signo +. En caso contrario se entiende que
participa con el valor mnimo del rango
Por lo tanto:
1
(1)
ab
ab
Ac
bc
abc
El termino (1) indica que todas las variables participan con el rango mnimo.
Cuando son ms de cuatro variables se usan diseos factoriales fraccionados para evitar hacer un
mayor nmero de pruebas:
Prueba
X1
X2
X3
X4
Para 5 variables.
El factorial 25 = 32 pruebas se fracciona en un diseo fraccionado (1/4 (2) 5) = 8 pruebas, cuya plantilla es
la-que sigue:
Prueba
X1
X2
X3
X4
X5
8
MS DE SEIS VARIABLES se aplica el diseo Planckett Burmann
PLANTILLA CON 8 PRUEBAS
Anlisis por regresin hasta 6 variables:
Prueba
X1
X2
X3
X4
X5
X6
X7
+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

Prueba
X1
X2
X3
X4
X5
X6
X7
X8
X9
+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
-1
+1
+1
-1
+1
+1
-1
+1
-1
+1
+1
-1
+1
+1
+1
10
+1
-1
+1
+1
-1
+1
+1
+1
-1
11
-1
+1
+1
-1
+1
+1
+1
-1
-1
12
-1
-1
-1
-1
-1
-1
-1
-1
-1

Prueba
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X11
+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
-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
10
+1
-1
+1
+1
-1
+1
+1
+1
-1
-1
-1
11
-1
+1
+1
-1
+1
+1
+1
-1
-1
-1
+1
12
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
DISEO FACTORIAL 2k
Los diseos factoriales son ampliamente utilizados en experimentos en los que intervienen varios
factores para estudiar el efecto conjunto de estos sobre una respuesta. Sin embargo, existen
varios casos especiales del diseo factorial general que resultan importantes porque se usan
ampliamente en el trabajo de investigacin, y porque constituyen la base para otros diseos
de gran valor practico.
El ms importante de estos casos especiales ocurre cuando se tienen k factores, cada uno con
dos niveles. Estos niveles pueden ser cuantitativos como sera el caso de dos valores de
temperatura, presin o tiempo. Tambin pueden ser cualitativos como sera el caso de dos
mquinas, dos operadores, los niveles "superior a "inferior" de un factor o, quizs, la ausencia o
presencia de un factor. Una rplica completa de tal diseo requiere que se recopilen 2 x 2
x..... x 2 = 2k observaciones y se conoce como diseo factorial 2k. El segundo caso especial es el
de k factores con tres niveles cada uno, conocido como diseo factorial 3 k.
En este captulo se presentan mtodos especiales para el anlisis de estas dos tiles series de
diseos Se supone. 1) que los factores son fijos. 2) que los diseos son completamente aleatorizados, y 3) que se satisface la suposicin usual de normalidad.
El diseo 2k es particularmente til en las primeras fases del trabajo experimental, cuando es
probable que haya muchos factores por investigar. Conlleva el menor nmero de corridas con los
cuales pueden estudiarse k factores en un diseo factorial completo. Debido a que solo hay
dos niveles para cada factor, debe suponerse que la respuesta es aproximadamente lineal en
el intervalo de los niveles elegidos de los factores.
Como Diseo Factorial se entiende a todas las posibles combinaciones: de los niveles de los factores en
cada prueba completa o replica investigada. Los niveles son los diferentes valores que pueden tomar las
variables. Si se considera dos niveles, el diseo se denomina Diseo Factorial a dos niveles, o diseo
factorial 2n, el cual se emplea en el presente trabajo, por lo que detallaremos este modelo.
El nmero necesario de pruebas a realizar viene definido por la relacin:
N = 2n ..2
Donde:
n = Numero de variables.
N = Nmero de experimentos.
DISEO FACTORIAL 22 SIMPLE

Se estudian dos factores a dos niveles (22 = 4), con sus combinaciones respectivas:
COMBINACIN
PUNTO
X1
X2
Se quiere evaluar de
cul de los factores
Prueba
significancia
proceso y si estos 1
depende
Factores
2
otro)
A: Concentracin (%)
B: Temperatura (C)
3
Ejemplo
estudian dos factores
temperatura) a dos
35
10
35
5
35
70
10
70
Figura 1. Grfico de puntos del

Diseo Factorial 2 n
Y
39.3
Niveles
40.9
40.0
41.5
una manera directa

tiene
mayor
(influencia) en un
interactan
(uno
del
entre s.
10
70
1
(concentracin
niveles
se
y
Establecido la cantidad de pruebas se desarrolla experimento por experimento, obtenindose al

vector respuesta para cada prueba, el anlisis que se desee efectuar depender si se desea
maximizar o minimizar, edemas si el vector respuesta es cualitativo o cuantitativo (calidad,
rendimiento, eficiencia).
Una vez desarrollado prueba por prueba se obtiene el vector respuesta, el cual se adjunta al
cuadro:
Para evaluar cualquier proceso de una manera directa deber desarrollarse los siguientes pasos.
Primero: visualizamos los valores numricos de los niveles y establecemos si existe interaccin
entre los valores de los diferentes factores,

A
5 10
B
35
70
Vemos que no existe interseccin con los valores numricos, sin importar la magnitud de cada
uno de ellos, por lo tanto en el anlisis resultara que no existe interaccin.
Nota: Con este anlisis preliminar no establecemos la direccin de la mxima, ni tampoco la
orientacin de cada variable.
Segundo: Analizamos los efectos de los factores principales a fin de direccionar la orientacin de
la ptima y la influencia de estos en el proceso, se desarrolla el clculo de los efectos con la
siguiente relacin:
Calculo de efectos:
Interpretacin de los efectos

Si visualizamos los signos de los efectos A y B, notamos que ambos son positivos, por lo tanto
estn en su nivel mnimo, por lo cual debern ser maximizado, es decir que ambos factores son
variables, y debern ser optimizados y establecidos sus rangos de trabajo ptimo
Grficamente podemos visualizar que el efecto medio del vector respuesta nos indica que en el
orden de mayor significancia est el factor de concentracin, seguido de la temperatura (por la
pendiente ms pronunciada).
En este caso solamente estamos evaluando y no as optimizando, para desarrollar la
optimizacin deber seguirse otro camino, el cual ser desarrollado en el prximo acpite.
Nota: Anlisis de signos de los coeficientes de los efectos, segn el caso:
a)
(+)
Caso Maximizacin:
Indica que la variable se encuentra al nivel mnimo y (+) debe ser maximizado hasta el
ptimo y establecer su rango de trabajo.
(-)
Indica, que el factor ya no es una variable, por lo tanto viene a ser una constante en el
proceso, por lo que se encuentra en el nivel mximo y debe mantenerse como tal.
b)
Caso Minimizacin
Indica que el factor ya no es una variable, por lo tanto viene a ser una constante en el
proceso por lo que se encuentra en el nivel mximo y debe mantenerse como tal.
(+)
(-)
Indica que la variable se encuentra al nivel mnimo y debe ser maximizado hasta el ptimo
y establecer, su rango de trabajo.
Tercero: a fin de ver la influencia de los factores, se analiza la interaccin de los factores, quiere
decir si, existe cruce de informacin entre los factores y a la vez estos puedan controlarse de
una manera independiente a fin de manipular el proceso.
Interpretacin de la interaccin:
Notamos que el signo de la interaccin AB es negativo, esto nos indica que no existe
interaccin, lo cual lo hemos deducido al visualizar que no existe interseccin entre los valores
numricos, por lo tanto no existe significancia entre los factores en estudio.
Nota: Anlisis de signos de los coeficientes de las interacciones, segn el caso:
a)
(+)
(-)
Caso Maximizacin:
Indica que si existe interaccin entre las variables, uno depende del otro.
Indica que no existe interaccin entre las variables.
b)
(+)
(-)
Caso Minimizacin:
Indica que no existe interaccin entre las variables.
Indica que si existe interaccin entre las variables, uno depende del otro.
Como notara en este tipo de diseo no se han corrido pruebas centrales, en este caso se asume
que la interaccin representa el error acumulativo del proceso desarrollado, siempre y cuando
no exista interaccin o que el valor de significancia sea muy pequeo.
Para corroborar los anlisis desarrollados es que aplicamos el Anlisis de Varianza del proceso
(ANAVA, ANOVA, ANVA).
Para desarrollar la Suma de Cuadrados de los factores e Interacciones se deber desarrollar la
siguiente relacin:
Obtenindose los valores, los cuales estn incluidos en la tabla.
Del Cuadro de Analysis of Variance for Y

El que tiene mayor significancia es la concentracin, seguido de la temperatura para un
coeficiente de correlacin del 100%.
En el mismo cuadro notamos el valor del Mean Square del Error (0.0025), el cual viene a ser la
varianza del error, dicho valor es menor que uno por lo cual la variabilidad de los datos es
adecuado para el trabajo realizado.
El clculo de la Suma de Cuadrados del Total se desarrolla mediante la siguiente relacin:
La suma de cuadrados del total nos sirve para comprobar que los valores: suma de cuadrados
de los factores e interacciones, ms el error deben ser igual a dicho valor numrico.
Tal como se visualiza en el presente ejemplo, en donde se asume que el error experimental es
la interaccin por no ser significativo dentro del proceso.
El valor de F de tabla para un 95% de significancia es 161, vemos que el F-Ratio de los factores
principales son mayores por lo tanto ambos factores son significativos, por lo que corroboramos
que los efectos principales estn en su mnimo debiendo ser maximizados y a la vez son
variables en el proceso.
Siendo el modelo matemtico para el presente anlisis:
Del Cuadro Regression coeffs for Y

La constante del modelo matemtico, viene a ser el promedio de los valores del vector respuesta,
as mismo es el valor inicial del proceso en estudio, el signo positivo de la constante nos indica
que est en el mnimo y puede ser maximizado, para llegar hasta el valor ptimo depende del
factor concentracin ya que el valor de la pendiente es mayor que el de la temperatura.
Nota: Anlisis de signos de la constante del modelo matemtico, segn el caso:
a)
(+)
(-)
b)
(+)
(-)
Caso Maximizacin:
Indica que dicho valor es el inicio del proceso y se encuentra en su mnimo y debe ser
maximizado hasta el ptimo.
Indica que es el mximo valor del vector respuesta, no se puede subir sobre dicho valor,
ms al contrario se puede bajar.
Caso Minimizacin
Indica que es el mximo valor del vector respuesta, no se puede subir sobre dicho valor,
ms al contrario se puede bajar.
Indica que dicho valor es el inicio del proceso y se encuentra en su mnimo y debe ser
maximizado hasta el ptimo.
En el modelo matemtico tambin podemos visualizar que la interaccin es negativa, o sea que no
tiene influencia en el proceso. Adems podemos visualizar que los factores principales son
positivos tal como se visualiz en el anlisis de los factores principales.
Interpretacin del modelo matemtico:
Si la concentracin y la temperatura son iguales a cero, entonces el modelo ser igual a la
constante, si visualizamos el signo de dicha constante notamos que es positivo, lo cual nos indica
que est en su mnimo y puede maximizarse. Notamos que la pendiente de la concentracin es
mayor que el de la temperatura, por lo tanto la concentracin es ms significativa que la
temperatura.
El punto ptimo del presente proceso viene establecido por la tendencia de la hiptesis planteada
en un principio, siendo estos que estn en el mnimo debiendo maximizarse, sea que son
variables y su tendencia es subir de nivel y avanzar al mximo, obtenindose un valor ptimo de
41,5 en l vector respuesta.
En el grfico podemos visualizar que no existe interaccin de los factores en el proceso por lo que
cada variable es independiente.

Nota: Es importante que no exista interaccin, y de esa manera podamos trabajar con los factores
principales.
La superficie respuesta nos indica que las pendientes son negativas por lo que visualizando el
grfico (isolineas), podemos interpretar lo siguiente: el valor ptimo de 41,5 est a una
concentracin de 10 y una Temperatura de 70.
La superficie respuesta a nivel espacial nos muestra la forma en que estn ubicados los puntos
experimentales, as mismo la direccin en la cual se orienta el proceso.
Notamos que la zona de mayor recuperacin se ubica a la mxima concentracin y temperatura.
DISEO FACTORIAL 2K CON REPLICA EN TODOS LOS PUNTOS DE DISEO

A modo de ejemplo considere una investigacin llevada a cabo para estudiar el efecto que tienen
la concentracin de un reactivo y la presencia de un catalizador sobre el tiempo de reaccin de un
proceso qumico. Sea la concentracin del reactivo el factor A con dos niveles de inters, 15 y 20
%. El catalizador constituye al factor B; el nivel alto (o superior denota el uso de dos sacos de
catalizador y el nivel bajo (o inferior) denota el uso de solo un saco. El experimento se realiza
(replica o repite) tres veces, y los datos son como sigue:
Otra manera de presentar los datos de este diseo es:
Diseo factorial con variables codificada:
En la Figura 6-1 se presentan grficamente las combinaciones de tratamientos para este diseo.
Por convencin, el efecto de un factor se denota por la letra latina mayscula. De este modo, "A"
se refiere al efecto del factor A, "B" se refiere al efecto del factor B, y "AB" se refiere a la
interaccin AB. En el diseo 22, los niveles bajo y alto de A y B se denotan por -" y "+ ", respectivamente, en los ejes A y B. As, (-) en el eje A representa el nivel bajo de concentracin
(15%), mientras que (+) representa el nivel alto (25%), y (-) en el eje B representa el nivel bajo de
catalizador mientras que (+) denota el nivel alto.
Las cuatro combinaciones de tratamientos en el diseo suelen representarse por letras

minsculas, como se muestra en la Fig. 6-1. En esta figura se aprecia que el nivel superior de
cualquier factor de una combinacin de tratamientos est representado por la presencia de la letra
minscula correspondiente, mientras que la ausencia de esta ltima representa el nivel inferior del
factor. As a representa la combinacin de tratamientos, en la que A se encuentra en el nivel
superior y B en el inferior; b representa aquella en la que A se halla en el nivel inferior y B en el
superior, y ab representa a ambos factores en el nivel superior. Por convencin (1) se usa para
representar a ambos factores en el nivel inferior. Esta notacin se usara a lo largo de toda la serie
2k.
El efecto promedio de un factor se define como el cambio en la respuesta producida por un
cambio en el nivel de ese factor, promediado sobre los niveles del otro factor. Como se ilustra en la
Figura 6-1, las letras minsculos (1), a, b y ab tambin se usan para representar los totales de las
n rplicas de las combinaciones de tratamientos correspondientes. Ahora bien,
El efecto de A en el nivel inferior de B es [a -(1) ]/n, mientras que en el nivel superior de B es [ab
-b]/n.
Tomando el promedio de estas dos cantidades se obtiene
6-1
El efecto promedio de B se determina a partir de su efecto en el nivel inferior de A (esto es [b (1)]/n, y de su efecto en el nivel superior de A (que es igual a [ab a]/n) obtenindose
6-2
El efecto de interaccin AB se define como la diferencia promedio entre el efecto de A en el nivel
superior de B y su efecto en el nivel inferior de B. As,
6-3
Por otro lado se puede definir AB como la diferencia promedio entre el efecto de B en el nivel
superior de A y el efecto de B en el nivel inferior de A. Esto conduce a la misma Ecuacin 6-3.
Las frmulas para los efectos de A, B y AB pueden deducirse por otro mtodo. El efecto de A
puede hallarse como la diferencia en la respuesta promedio de las dos combinaciones de tratamientos en la mitad derecha de la Fig. 6-1 (que llamaremos A+, puesto que es la respuesta promedio para, las combinaciones de tratamientos a las que A se encuentra en el nivel alto) y las dos
combinaciones de tratamientos en la mitad izquierda (o A-). Esto es,
Este es exactamente el mismo resultado que en la Ecuacin 6-1. El efecto de B (Ecuacin 6-2) se
encuentra como la diferencia mire el promedio de las dos combinaciones de tratamientos en la
parte superior del cuadrado ( B+) y el promedio de las dos combinaciones de tratamiento en la
parte inferior ( B-), 0
Finalmente, el efecto de interaccin AB es el promedio de las combinaciones de tratamientos en la

diagonal de derecha a izquierda del cuadrado [ab y (1)] menos el promedio de las combinaciones
de tratamientos en la diagonal de izquierda a derecha (a y b), o
que es una expresin idntica a la Ecuacin 6-3.

Con los datos que aparecen en la Fig. 9-1, las estimaciones de los efectos promedio son
El efecto de A (concentracin de reactivo) es positivo esto sugiere que elevar A del nivel bajo
(15%) al nivel alto (25%) incrementara el rendimiento. El efecto de B (catalizador) es negativo;
esto sugiere que elevarla cantidad de catalizador agregada al proceso reducir el rendimiento. Al
parecer, el efecto de interaccin AB es pequeo comparado con los dos efectos principales.
En muchos experimentos que implican diseos 2 k se examina la magnitud y la direccin de los
efectos de los factores para determinar cules variables es probable que sean importantes. Por lo
general puede emplearse el anlisis de variancia para confirmar esta interpretacin. En el diseo
2k existen algunos mtodos rpidos especiales para realizar los clculos del anlisis de variancia.
Consideremos la suma de cuadrados para A, B y AB. Obsrvese a partir de la Ecuacin 6-1 que
se utiliza un contraste para estimar A; esto es,
6-4
Este contraste suele llamarse efecto total de A. A partir de las ecuaciones 6-2 y 6-3, puede apreciarse que tambin se usan contrastes para estimar B y AB. Adems, estos tres contrastes son
ortogonales. La suma de cuadrados de cualquiera de ellos puede calcularse usando la Ecuacin
3-29. Esta ecuacin establece que la suma de cuadrados de un contraste es igual al contraste elevado al cuadrado entre el producto del nmero de las observaciones de cada total del contraste
por la suma de los cuadrados de los coeficientes del mismo. En consecuencia, se obtiene que las
sumas de cuadrados de A, B y AB son
6-5
6-6
6-7
Con los datos de la Fig. 9-1, las sumas de cuadrados se pueden calcular aplicando las Ecuaciones 6-5, 6-6 y 6-7, obtenindose
6-8
La suma total de cuadrados se determina de la manera usual mediante

6-9
En general SST tiene 4n - 1 grados de libertad. La suma de cuadrados del error, con 4(n - 1)
grados de libertad, se puede calcular en la forma usual, por diferencia mediante
610
Con los datos de la Fig. 6-1 y los resultados de la Ecuacin 6-8 se obtiene
al utilizar SSA, SSB y SSAB de la ecuacin 6-8. En la tabla 6-1 se resume el anlisis de varianza
completo. Con base en los valores P, se concluye que los efectos principales son
estadsticamente significativos al 1% y que no hay interaccin entre estos factores. Esto confirma
la interpretacin de los datos que se hizo originalmente con base en las magnitudes de los efectos
de los factores.
Con frecuencia resulta conveniente escribir las combinaciones de los tratamientos en el orden (1),
a, b, ab. Se hace referencia a esto como el orden estndar (u orden de Yates, por el Dr. Frank
yates). Al utilizar este orden estndar, se observa que los coeficientes de los contrastes usados
para estimar los efectos son
Observe que los coeficientes de los contrastes par estimar el efecto de la interaccin son solo el
producto de los coeficientes correspondientes de los dos efectos principales. El coeficiente de un
contraste es siempre +1 o -1, y puede usarse una tabla de signos positivos y negativos como la
tabla 6-2 para determinar el signo correcto para cada combinacin de tratamientos. Los
encabezados de las columnas de la tabla 6-2 son los efectos principales (A y B), la interaccin AB
e I, que representa el total o promedio del experimento completo. Obsrvese que la columna que
corresponde a I incluye nicamente signos positivos. Las etiquetas de los reglones son las
combinaciones de los tratamientos. Para encontrar el contraste para estimar cualquier efecto,
simplemente se multiplican los signos de la columna apropiada de la tabla por la combinacin de
tratamientos correspondientes y se hace la suma. Por ejemplo, para estima A, el contraste es (1)
+ a b + ab, que concuerda con la ecuacin 6-1.
El modelo de regresin
En el diseo factorial 2k es sencillo expresar los resultados del experimento en trminos de un
modelo de regresin. Puesto que 2k es tan slo un diseo factorial, podra usarse un modelo de
los efectos o del as medias, pero el enfoque del modelo de regresin es mucho ms natural e
intuitivo.
Para el experimento del proceso qumico de la figura 6-1, el modelo de regresin es
Donde x1 es una variable codificada que representa la concentracin del reactivo y x 2 es una
variable codificada que representa la cantidad del catalizador y las son los coeficientes de
regresin. La relacin entre las variables naturales la concentracin del reactivo y la cantidad de
catalizador y las variables codificadas es
Cuando las variables naturales slo tienen dos niveles, esta codificacin producir la familiar
notacin para los niveles de las variables codificadas. Para ilustras esto en el ejemplo, observe
que
Por tanto, si la concentracin est en el nivel alto (Concentracin = 25%), entonces x 1 = +1; si la
concentracin est en el nivel bajo (Concentracin = 15%), entonces x1 = -1. Adems,
Por tanto, si el catalizador estas en el nivel alto (Catalizador = 2 libras), entonces x 2 = +1; si el
catalizador est en el nivel bajo (Catalizador = 1 libra), entonces x2 = -1.
El modelo de regresin ajustado es
DEL ANLISIS DE VARIANCIA

Ahora bien, un efecto o interaccin es significativa si se cumple la siguiente relacin
Donde F,f1,f2, es lo que denomina F de tablas, siendo a el nivel de confiabilidad o significancia
(generalmente al 0.01 0.05). El anlisis de variancia para el ejemplo se muestra en la tabla 6-1
Ahora bien, el valor de F para = 0.01, f 1 =1 y f2=8 es 11.3; cmo podemos observar X 1 y X2 son
significativos, mientras que la interaccin X1X2 no es significativa.
Modelo matemtico
Una vez determinados los efectos, por lo tanto, las influencias que resultan significativas. El siguiente
paso es obtener un modelo matemtico, que represente al proceso investigado, con el diseo factorial a
dos niveles. nicamente podemos estimar modelos matem6ticos lineales de la siguiente forma:
6-12
Para estimar los coeficientes bj, buj, se hace uso de la formula matricial utilizada para la estimacin de
los coeficientes del modelo.
6-13
La propiedad de ortogonalidad de la tabla de indicadores de nivel reduce la dificultad en la estimacin de
los coeficientes del modelo matemtico 13 porque el producto [X]T[X] es igual a una matriz 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:
6-14
Como consecuencia, los coeficientes del modelo matemtico son definidos como el producto escalar de
la columna Y por la respectiva columna X1, dividida entre el nmero de experimentos (N) del diseo:
6-15
Otra relacin importante, resulta de comparar las ecuaciones 5.5 con 15 de lo cual resulta:
6-16
Utilizando la ltima relacin procedemos a calcular los coeficientes de modelo lineal
Por lo tanto, el modelo matemtico en escala codificada sin considerar la interaccin X1X2, que
result no significativa, es:
Como se recuerda, definimos un modelo como una representacin matemtica de un proceso o de
algn fenmeno que se investiga. Por lo tanto, el objetivo de hallar un modelo matemtico es predecir
satisfactoriamente el fenmeno estudiado. Es decir, que reemplazando valores de X 1 y X2 en el rango
investigado (-1 a +1), prediga valores similares a los datos observados, lo que puede ser calculado
matricialmente:
6-17
Siendo la matriz [X], la matriz de variables independientes menos la columna X 1X2 que resulto no
significativa y el vector [B] son los coeficientes del modelo matemtico. Siendo Y los valores predichos
por el modelo, llamado tambin Yestimado, o simplemente Yest.
Podemos hacer en este punto un anlisis de residuos, es decir, saber cuan distanciados estn las
predicciones de los valores iniciales mediante la diferencia (Y- Yest.) denotado comnmente como ei.
Con estos elementos podemos calcular la suma de cuadrados de residual del modelo, mediante la
siguiente ecuacin:
18
Donde:
Y = Yest.
Y = Yobservado
Nr = Nmero total de experimentos
I = Numero de parmetros del modelo matemtico.
La diferencia (Nr- I) se denomina grados de libertad del residual, el cual denotaremos como f4.
Aplicando la ecuacin 18 a los datos de la ltima tabla:
Ahora bien, para saber estadsticamente si el modelo matemtico hallado representa adecuadamente a
los datos experimentales mediante el test F.
20
Donde:
= es el nivel de confianza, generalmente del 95% (0.05).
De la tabla de Anlisis de Variancia, SCME = 3.92; por lo tanto Fo ser: Fo= 4.40/3.92 = 1.12
Para un nivel de confianza del 95% (0.05), para 9 y 8 grados de libertad F de tabla es 3.39. Por lo tanto,
el modelo matemtico representa adecuadamente al fenmeno investigado.
Descodificacin del modelo matemtico a escala natural
Es importante decodificar el modelo matemtico hallado a escala natural, especialmente cuando se
desea graficar a travs de un grficador o para aplicar la etapa siguiente de optimizacin (escalamiento).
Se he deducido frmulas para la decodificacin que son las siguientes:
- Para el trmino independiente
- Para el trmino lineal:
- Para el trmino interaccin:
Donde:
Zj
Zj
: Centro del diseo para la variable j (Zmax + Zmin)/2

: Radio del diseo para la variable j (Zmax - Zmin)/2
: Resultado de la divisin de Zj entre Zj
EI modelo matemtico a escala codificado es:

Reemplazando los datos a las formulas anteriores, tenemos
ao = 27.5 - 4.165* (7) -(- 2.5)*(3) = 5.846
a1 = (4.165/2.5) = 1.666
a2 = (-2.510.5) = -5
El modelo matemtico a escala natural es:
Representacin grfica de un modelo lineal

La representacin grfica del modelo matemtico lineal, se puede observar en la matriz de diseo. La
Matriz sealada es un plano en el espacio con pendiente positiva, los mejores resultados se encuentran
cuando el consumo de catalizador es bajo y el consumo de reactivo es alto.
EL DISEO 23
Suponga que se encuentran en estudio tres factores A, B y C, cada uno con dos niveles. Este diseo se
conoce como diseo factorial 23, y las ocho combinaciones de tratamientos pueden representarse
grficamente mediante un cubo, tal como se muestra en la Fig 6-4a. El orden estndar de las
combinaciones de tratamientos seria (1), a, b, ab, c, ac, bc y abc. Se debe recordar que las letras
minsculas tambin representan los totales de la n observaciones recopiladas bajo la combinacin
particular de tratamientos.
Existen en realidad tres notaciones distintas que se usan ampliamente para las corridas o ejecuciones en
el diseo 2k. La primera es la notacin "+, -", a menudo llamada "notacin geomtrica". La segunda
consiste en el uso de letras minsculas para identificar las combinaciones de tratamientos. En la tercera
notacin se utilizan los dgitos 1 y 0 para denotar los niveles alto y bajo del factor, respectivamente, en %
es de los signos + y -. Estas distintas notaciones se ilustran enseguida para el diseo 23
Existen siete grados de libertad entre las ocho combinaciones de tratamientos en el diseo 2 3. Tres de
esos grados de libertad se asocian con los principales efectos de A, B y C. Cuatro se asocian con
interacciones (AB, AC, BC y ABC), uno para cada una.
Consideremos que se estiman los efectos principales, primeramente el de A. El efecto de A cuando B y C
estn en el nivel bajo es [a - (1)]/n. De modo similar, el efecto de A cuando B est en el nivel alto y C en el
bajo es [ab - b]/n. El efecto de A cuando C est en el nivel alto
y B en el bajo es [ac - c]/n. Por ltimo, el efecto de A cuando B y C estn ambos en el nivel alto es [abcbc]/n. De este modo, el efecto promedio de A es simplemente el promedio de estos cuatro efectos, o sea.
Esta ecuacin tambin puede deducirse como un contraste entre las cuatro combinaciones de
tratamientos en la cara derecha del cubo de la Fig. 9-4a (donde A se halla en el nivel alto) y las cuatro de
la izquierda (donde A se encuentra en el nivel bajo). Es decir, el efecto de A es simplemente el promedio
de las cuatro corridas en que A se encuentra en el nivel alto A+ menos el promedio de las cuatro corridas
en que A esta en el nivel bajo A- , o
Esta ecuacin puede agruparse como sigue
que es idntica a la ecuacin 1

En forma similar, el efecto de B es un contraste entre las cuatro combinaciones de tratamientos de la
cara anterior del cubo y las de la cara posterior. Esto conduce a
El efecto de C es un contraste entre las cuatro combinaciones de tratamientos en la cara superior del
cubo y las de la cara inferior; esto es
Los efectos de la interaccin de dos factores pueden calcularse fcilmente. Una media de la interaccin
AB es la diferencia entre los efectos promedio de A a los dos niveles de B. Por convencin, la mitad de
esta diferencia se denomina interaccin AB. En trminos matemticos,
Dado que la interaccin AB es la mitad de esta diferencia,
Podramos expresar la Ecuacin 9-14 como sigue:
De esta forma es fcil ver que la interaccin AB es la diferencia de promedios entre corridas en dos
planos diagonales del cubo de la Fig. 9-4. Aplicando un razonamiento similar y haciendo referencia a la
Fig. 9-4b, las interacciones AC y BC son
La interaccin ABC se define como la diferencia promedio entre la interaccin AB para dos niveles
distintos de C. De este modo,
Como antes, la interaccin ABC puede considerarse la diferencia de dos promedios. Si las corridas de
los dos promedios se aslan, definen los vrtices de los dos tetraedros que comprenden el cubo de la Fig.
9-4c.
En las Ecuaciones 1 al 7, las cantidades entre parntesis son contrastes entre las combinaciones de
tratamientos. En la Tabla 9-3 aparece una tabla de signos positivos y negativos desarrollada a partir de
las constantes de los contrastes. Los signos de los efectos principales se determinan asignando un signo
positivo con el nivel superior y uno negativo con el inferior. Una vez que se han establecido estos signos,
los de las columnas restantes pueden obtenerse multiplicando rengln por rengln las columnas
apropiadas que le preceden. Por ejemplo, los signos de la columna AB corresponden al producto de los
signos de las columnas A y B en cada uno de los renglones. Fcilmente se puede determinan el
contraste de cualquier efecto a partir de esta tabla.
La Tabla 9-3 tiene algunas propiedades interesantes.
1) Excepto por la columna cada columna tiene un nmero igual de signos positivos v negativos.
2) La suma de los productos de los signos de cualquier par de columnas siempre es cero.
3) El producto de la columna por cualquier otra columna dela a dicha columna sin cambios. En otras
palabras, es el elemento de identidad.
4) El producto de cualquier par de columnas produce otra columna que pertenece a la tabla. Por
ejemplo, A x B = AB, y
Es posible apreciar que los exponentes de los productos se forman usando aritmtica. mdulo 2
(el exponente solo puede ser cero o uno; si es mayor que uno se reduce mediante mltiplos de
dos hasta que sea cero o uno). Todas estas propiedades son consecuencia de la ortogonalidad
de los contrastes usados para estimar los efectos.
Fcilmente se puede determinar las sumas de cuadrados de los efectos, porque a cada una le
corresponde un contraste de un solo grado de libertad. En el diseo 2 3 con n replicas, la suma de
cuadrados de cualquier efecto es
Ejemplo N 1 23
Un ingeniero est interesado en el efecto que tiene 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 replicas. Los resultados se muestran a continuacin. Analice los
datos de este experimento.
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 en caso (a).
c) Analice el modelo matemtico obtenido.
d) Cules de los niveles de X1, X2 y X3 recomendara el lector?
Solucin.
La matriz de variables independientes se muestra en la siguiente tabla. Como se mencion
anteriormente, la formula matricial ecuacin 7 es muy cmodo para hallar los efectos y ayuda
al anlisis de variancia. La parte inferior de la tabla muestra el producto de la matriz [X] T[Y]
seguidamente el efecto a cada variable correspondiente a la columna indicada. Los efectos de
las variables e interacciones estn divididas entre 12 ((N/2)r =(8/2)*3 = 12).
La suma de cuadrados de los efectos a interacciones est definida por la ecuacin 9.

Observando que el vector del producto [X] T[Y], elevado al cuadrado y dividido
La suma de cuadrados de los efectos e interacciones, o llamado de tratamientos, es
La suma de cuadrados de los efectos e interacciones, o llamado de tratamientos, es:

SSEfectos = 0.667+770.7+280.2+16.67+468.2+48.17+28.17= 1612.8
Por lo tanto, la suma de cuadrados del error ser:
SSError = 2096 - 1612.8 = 483.2
La tabla siguiente resume el anlisis de variancia:
El valor de F es tabulado pare un nivel de significancia del 99% y para f 1=1 y f2=16 tenemos:
Por lo tanto podemos hacer las siguientes conclusiones:
a) La variable X2 (la configuracin) y X 3 (ngulo de corte) resultaron significativas al 1 % por lo
que la variacin del rival inferior al rival superior elevan significativamente en la duracin
de la herramienta, especialmente la configuracin de corte (X 2).
b) La interaccin es X 1X3 tambin resultaron significativas. En esta parte es importante notar
que la variable X1 (rapidez de corte) por s misma no es significativa pero solo es
conjuntamente con X3; esto significa que la rapidez de corte si es significativo y que
depende de ngulo de corte. Como en el problema se analiza la duracin de la herramienta
de corte, aparentemente la rapidez de corte no le afecta individualmente, pero si se cambia
de ngulo de corte la herramienta en mencin podra fallar y disminuir su duracin.
Tabla de anlisis de residuales
Aplicando la ecuacin 18, calculamos la suma de cuadrados de residuales
La suma de cuadrado medio del error es 30.3 con 16 grados de libertad. As el valor de F o es:
Comparando Fo, con el F de tabla a un nivel de significancia de 0.05, 19 y 16 grados de libertad,
respectivamente, (Ftabla = 2.28). Lo que significa que el modelo matemtico hallado ajusta o
representa adecuadamente al fenmeno.
Para poder visualizar el modelo matemtico, procedemos a hacer un corte pare X 2 = 0,
obteniendo
Como puede observarse en la figura 1, el termino interaccin le da cierta curvatura al modelo,

por lo que, un modelo en el cual el trmino interaccin est presente se le puede considerar
como un modelo matemtico de segundo orden,
Fig. 1 Representacin grfica de un modelo lineal con interaccin
SESIN XI
DISEO FACTORIAL 2K CON REPLICA EN EL PUNTO CENTRAL DEL DISEO.
Como sabemos, en el diseo factorial a dos niveles, 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 2 k funcionara bastante bien incluso cuando la
suposicin de linealidad se cumple solo 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 central
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 la seccin 5.1 (diseo
factorial 2k con replica en todos los puntos del diseo, siendo r=1) excepto para el clculo de la suma
de cuadrados del error (SSE), el cual est definido por:
21
Donde:
SSE = Suma de cuadrados del error
Yo = Replicas en el punto central del diseo
no = Numero de rplicas en el centro del diseo.
Y = Promedio de todas las rplicas.
La suma de cuadrados para la curvatura este dada por:
22
Donde:
Yo = Promedio de los puntos exteriores del diseo
Ejemplo 1 2 CON REPLICA EN EL PUNTO CENTRAL DEL DISEO.

K
Un ingeniero qumico 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 explore, ella decide realizar un diseo 2 2 (con una Sola replica en cada corrida)
aumentada con cinco puntos centrales. El diseo y los datos de rendimiento se muestran en figura 2.
Fig. 2
En la matriz de variables independientes que se muestra en la siguiente tabla, ntese que los puntos
replicados en el centro del diseo no entran en el clculo de los efectos e interacciones, pero si para
hallar la suma de cuadrados del error.
Segn la ecuacin 21, calculamos la suma de cuadrados del error:
Tabla de Anlisis de Variancia.
A un nivel de significancia de 0.05, 1 y 4 grados de libertad, respectivamente, el valor de F=7.71. Por lo

tanto, El tiempo y la temperatura afectan beneficiosamente la recuperacin del proceso qumico;
mientras la interaccin entre las variables es muy poco significativo, como lo es tambin la curvatura,
indicando que la evidencia de curvatura en la respuesta de la regin explorada es nula.
Modelo Matemtico.
A un nivel de significancia de 0.05, (95% de confianza) 1 y 4 grados de libertad, respectivamente, el

valor de F = 7.71. Por lo tanto, el modelo lineal hallado representa o ajusta adecuadamente a los datos
experimentales.
Grfica del modelo matemtico
Utilizando las frmulas de decodificacin del problema anterior, el modelo matemtico decodificado es:
La grfica del modelo puede observarse en la figura 3.
Fig. 3
SESION XII
DISEO FACCTORIAL FRACCIONADO
Los diseos factoriales simples requieren cantidades excesivas de tiempo, material, conviene encontrar
otros diseos que requieran menores pruebas de diseo, pero que no desdear una gran cantidad de
informacin sobre la naturaleza del vector respuesta que se expresa con los experimentos.
Los diseos factoriales fraccionados permiten lograr este objetivo. Si se est dispuesto a conformarse con
una investigacin algo menos completa, incluyendo los efectos principales y las interacciones de dos
factores y excluyendo los efectos de tres factores o interacciones de alto orden.
Los diseos factoriales fraccionadas se usan principalmente para la depuracin o seleccin, es decir, para
identificar la variable ms importante que influye en la respuesta.
En cualquier diseo que utilice menos pruebas de los que requiera uno de tipo factorial completo, se
tendrn los mismos efectos de confusin.
Por ejemplo, un efecto principal se puede confundir con uno o ms efectos de interaccin de alto orden,
esto es, la estadstica que mide un ejemplo principal puede ser igual a la estadstica que determina
algunos de los efectos de las interacciones. Por lo tanto, la estadstica en cuestin puede indicar que
existe algn efecto, pero no sealar si est presente el efecto principal, el de interaccin o alguna
combinacin aditiva de efectos.
Todos los diseos, proporcionan estimaciones confusas. Por ejemplo, si los efectos cuadrticos y cbicos,
se confunden las estimaciones de la media y los efectos principales, respectivamente, siempre que no
emplee un diseo factorial de dos niveles, las tendencias y otros efectos confunden las estimaciones.
Cualquier fenmeno emitido en un modelo ajustado confunde ciertos parmetros estimados en el modelo,
sea cual fuere el tipo de diseo empleado. Los buenos diseos factoriales fraccionadas se arreglan
cuidadosamente de tal manera que la estimacin de los efectos que se piensa es importantes, se
confunden por accin de los efectos que se consideran no importantes.
DISEO FACTORIAL 2 k-P
Este tipo de diseo es uno de los ms tiles desde el punto de vista prctico, pues permite obtener una
informacin de varios factores o variables a la vez, realizando un mnimo de experiencias (fraccionando
un diseo factorial completo). Es particularmente til cuando:
a)
Se tiene poca materia prima para realizar las experiencias o cuando estas son costosas, lo cual
obliga a realizar pocas pruebas experimentales.
b)
Se requiere informacin rpida.
c)
Existe escasez de recursos humanos y materiales.
Un diseo factorial fraccionada est definido por:
2k-P
Donde:
k: Es el nmero de factores a estudiar.
p: Es el nmero de factores a confundir.
De esta manera es posible estudiar por ejemplo el efecto de cuatro o ms factores, realizando un mnimo
de ocho experiencias. Para esto se requiere que algunas de las interacciones de orden superior sean
nulas o despreciables.
MEDIA FRACCIN DEL DISEO 2k-p

Se estudia a partir de k=3 factores en dos niveles cada uno, para lo cual utilizaremos un diseo factorial
fraccionado del tipo (1/2)n2k, donde n es la cantidad que debe disminuirse la fraccin. Mediante esta
ecuacin se puede generar factoriales de , 1/8, 1/16 etc.
Ejemplo 5: se desea evaluar un diseo 2 3=8 pero queremos una media fraccin, por lo tanto tendremos
(1/2)123=4 combinaciones de tratamiento.
Notase que el diseo 23-1 se forma al seleccionar slo las combinaciones de tratamiento que producen la
multiplicacin de signos, donde C=AB.
Es posible construir la combinacin de tratamientos del diseo 2 k-1 completo igualando el factor C por la
interaccin AB, de amplia aplicacin cuando los efectos principales son negativos pero tienen una gran
influencia en el proceso.
Ecuacin Generatriz (I= X1X2X3)

En un diseo 23 = 8 experiencias, existe una interaccin de tercer orden, X 1X2X3 que puede considerarse
nula o despreciable y lo cual puede ser utilizado para examinar otro factor como X 4, igualando X4 a X1X2X3
(lo que puede hacerse como X4 =+/- X1X2X3). Si se tiene conocimiento previo de la no existencia de
interacciones entre los factores X1 X2 se puede suponer, por ejemplo, que la interaccin X 1X2 es nula o
despreciable y puede utilizarse para estimar el efecto de un quinto factor X5, igualando X5 = +/- (X1X2) y
as sucesivamente.
De este modo un diseo factorial fraccional con ocho observaciones puede ser til para:
Estimar los efectos de tres factores y todas las interacciones entre ellos (diseo 23 completo).
Estimar los efectos de cuatro factores y tres interacciones de segundo orden, todas las restantes
se consideran nulas o despreciables.
c)
Estimar los efectos de cinco factores y 2 interacciones de segundo orden, todas las restantes se
consideran nulas o despreciables.
d)
Estimar los efectos de seis factores y una interaccin de segundo orden, todos las restantes se
consideran nulas o despreciables.
e)
Estimar los efectos de los siete factores, todas las interacciones se consideran nulas o
despreciables.
a)
b)
Ley de Multiplicacin de Factores

Para dos efectos principales X1 y X2 la interaccin es denotada por X1X2 , para las interacciones X1X2 X3X4
la interaccin entre ellos se denota por : X1X2X3X4. Pero dos interacciones con un elemento comn, por
ejemplo X1X2X3 Y X3X4X5 su producto es X1X2X32X4X5 = X1X2X4X5, esto deja implcito que el cuadrado de
cualquier efecto es igual a la unidad (tal como X12= X22 = =1).
Sistema para un diseo factorial fraccionado
Supongamos que queremos buscar una aproximacin lineal, para una pequea rea de una superficie
respuesta con cuatro variables independientes.
Un diseo factorial con ocho observaciones puede ser suficiente (por ejemplo un diseo 2 3). Como
mencionamos arriba, podemos asumir que la interaccin de tercer orden X 1X2X3 es aproximadamente
igual a cero o despreciable, e igualando a un cuarto factor o variable obtenemos:
X 4 = X 1 X 2X 3
El cual es conocido como relacin de generacin ver tabla
Matriz para un diseo factorial fraccionado

Aplicando la ley de multiplicacin de factores, multiplicando ambos lados de la relacin de generacin por
X. obtenemos:
La ltima relacin es conocida como contraste de definicin.

Seguidamente, para ver cul es lo que estamos midiendo y que efectos estamos perdiendo, se construye
una tabla denominada Tabla de aliases, esto es, multiplicando la definicin de contraste con la
combinacin de factores del diseo base (23), como puede observarse en la tabla. Por ejemplo:
Los parmetros del modelo matemtico estn definidos como:
En la prctica las interacciones de tercer orden son aproximadamente iguales a cero, ms frecuentes que
las interacciones de segundo orden.
La interpretacin que puede deducirse es la siguiente: si estimamos el coeficiente b1 lo que realmente
vemos es la suma de 1 y 234, es decir que se encuentran confundidos. Pero, como mencionamos
anteriormente, que las interacciones de tercer orden son aproximadamente cero, lo que obtenemos es un
buen estimado de los trminos lineales del modelo matemtico, mas no as de los trminos con
interaccin, que estn confundidos.
Por lo tanto, la relacin de generacin escogida (X 4 = X1X2X3) es apropiada para la estimacin de efectos
principales o trminos lineales del modelo matemtico.
Si seleccionamos ahora una nueva relacin de generacin:
X4 = X1X2
Aplicando la ley de multiplicacin de factores, obtenemos la definicin de contraste:
La tabla muestra la matriz de diseo factorial fraccionada para este caso.

La tabla de aliases se muestra en la tabla siguiente, se obtiene multiplicando la definicin de contraste por
la columna correspondiente al diseo base.
Los parmetros del modelo matemtico estn definidos como:
Interpretacin: Utilizando la relacin de generacin (X4 = X1X2), obtenemos es un buen estimado de los
coeficientes de los trminos de interaccin doble del modelo matemtico, lo que puede utilizarse si el
inters es investigar las interacciones dobles entre las variables.
Existen numerosas alternativas para el fraccionamiento de un diseo. La tabla (*) resume las distintas
posibilidades de investigar ms de 3 variables, tomando diferentes combinaciones de definicin de
contrataste, utilizando la siguiente notacin:
N
de
Observaci
ones
N
de
Factores
Fraccin del
diseo
Factorial
Relacin
Generacin
Completo
--
1/2
Igualar C con
-AB
Completo
--
16
de
D = ABC
1/4
Igualar D=ABC
y E=-BC
Completo
--
Igualar E=ABC
y
F=BCD
Confundido de Efectos principales e Interaccin de

segundo Orden
Todos los efectos principales e interacciones se obtienen
en forma independiente.
Todos los efectos principales estn confundidos con

interacciones de segundo orden, dan efectos principales
cuando todas las interacciones se suponen
despreciables.
Todos los efectos principales se obtienen en forma

independiente de las interacciones de segundo orden.
Las restantes interacciones de segundo orden son
confundidas unas a otras, dan efectos principales y las
interacciones de segundo orden. Las restantes
interacciones se suponen despreciables.
Todos los efectos principales estn confundidos con

interacciones de segundo. Las restantes interacciones
de segundo orden estn confundidas unas con otras;
dan efectos principales y las interacciones de segundo
orden. Las restantes interacciones se suponen
despreciables.

independiente de las interacciones de segundo orden,
pero las interacciones de segundo orden estn
confundidas unas a otras; dan todos los efectos y a lo
ms siete (no siempre siete) interacciones de segundo
orden. Todas las otras interacciones se consideran
despreciables.
1/8
Igualar E= ABC
y F=BCD y
G=ABD

independiente de las interacciones de segundo orden,
pero las interacciones de segundo orden estn
confundidas unas a otras; dan todo los efectos
principales y a lo ms siete (no siempre siete)
interacciones de segundo orden. Todas las otras
interacciones
se
suponen
despreciables
satisfactoriamente si las nicas interacciones de
segundo orden entre cuatro de los factores.
Tabla Fraccionamiento de diseos Factoriales (*)
EJEMPLO 2k-P
En la primera etapa de optimizacin se investiga la influencia de cuatro factores, tiempo de molienda, pH,
dosificacin del colector y espumante en la recuperacin de cobre en un proceso de flotacin de un
mineral sulfurado de cobre. La tabla siguiente muestra, los niveles a considerar durante el experimento,
para cada uno de los factores.
Como colector se us Z-200 y como espumante Dowfroth-200.

Podemos estudiar cuatro variables (k=4) utilizando 8 pruebas experimentales, es decir, que podemos
fraccionar para p=1:
Como mencionamos anteriormente, podemos elegir como relacin de generacin a: X 4=X1X2X3 si nuestro
inters fundamental es investigar el efecto de cada una de las variables independientemente.
La programacin de las pruebas experimentales y las respuestas pare el diseo factorial fraccionado se
muestra en la tabla 1
Tabla 1 Programacin de pruebas para un diseo fraccionado

La matriz de variables independientes se muestra en la tabla 6.7.
Tabla 2. Matriz de variables independientes D.F.F.
Los clculos para hallar los efectos principales e interacciones de las variables son los mismos que se
usan para el anlisis de un diseo factorial completo.
Calculo de Efectos
F de tabla para un nivel de significancia de 0.01 y para 1 y 2 grados de libertad es 98.5. Por lo tanto, las
variables en forma independiente, tempo de molienda y dosificacin de colector son significativas,
mientras que el pH y la adicin de espumante resultaron insignificantes
Modelo Matemtico
Yest. = 87.65 + 1.6 X1 - 1.75 X3
Reemplazando los valores codificadas de X1 y X2 en el modelo matemtico obtenemos valores
estimados (Yest.). Luego podemos hacer un anlisis de residuales
Aplicando la ecuacin, calculamos la suma de cuadrados de residuales:
SCMR= 0.748
La suma del cuadrado medio del error as 0.04 con 2 grados de libertad. As el valor de Fo es:
Fo = 0.748 / 0.04 = 18.7
Comparando Fo con el F de tabla a un nivel de significancia de 0.05 y para 4 y 2 grados de libertad,
respectivamente, (Ftabla = 19.30). Este valor es mayor que F de tabla, por lo tanto el modelo matemtico
hallado ajusta o representa adecuadamente al fenmeno.
Como ya se analiz, las variables principales X1 y X3 son significativas. Ahora analicemos que factores
estn confundidos y que es lo que estamos midiendo:
Como mencionamos anteriormente, en la prctica los trminos de interaccin de tercer orden son iguales
a cero, por lo que tendremos un buen estimado de las variables o factores principales X1 y X3, as decir:
Grafica del modelo matemtico:
Utilizando las frmulas de decodificacin del captulo anterior, el modelo matemtico a escala natural es:
YEST = 85.967 + 1.067 Z1 - 35 Z3
La representacin grfica del modelo matemtico se puede observar en le figura 3
Figura 3 Representacin grafico del ejemplo
Ejemplo diseo Factorial 23

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 replicas. Los resultados se muestran a continuacin. Analice los datos
de este experimento.
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.
c) Analice el modelo matemtico obtenido.
d) Cules de los niveles de X1, X2 y X3 recomendara el lector?
Solucin.
La matriz de variables independientes se muestra en la siguiente tabla. Como se mencion
anteriormente, la formula matricial ecuacin 7 es muy cmodo para hallar los efectos y ayuda al anlisis
de variancia. La parte inferior de la tabla muestra el producto de la matriz [X] T[Y] seguidamente el efecto
a cada variable correspondiente a la columna indicada. Los efectos de las variables e interacciones
estn divididas entre 12 ((N/2)r =(814)*3 = 12).
La suma de cuadrados de los efectos a interacciones est definida por la ecuacin 9. Observando que
el vector del producto [X]T[Y], elevado al cuadrado y dividido
La suma de cuadrados de los efectos e interacciones, o llamado de tratamientos, es
La suma de cuadrados de los efectos e interacciones, o llamado de tratamientos, es:

SSEfectos = 0.667+770.7+280.2+16.67+468.2+48.17+28.17= 1612.8
Por lo tanto, la suma de cuadrados del error ser:
SSError = 2096 - 1612.8 = 483.2
La tabla siguiente resume el anlisis de variancia:
El valor de F es tabulado para un nivel de significancia del 99% y para f 1=1 y f2=16 tenemos:
Por lo tanto podemos hacer las siguientes conclusiones:
a) La variable X2 (la configuracin) y X 3 (ngulo de corte) resultaron significativas al 1 % por lo que la
variacin del rival inferior al rival superior elevan significativamente en la duracin de la
herramienta, especialmente la configuracin de corte (X2).
b) La interaccin es X1X3 tambin resultaron significativas. En esta parte es importante notar que la
variable X1 (rapidez de corte) por si misma no es significativa pero solo es conjuntamente con X 3;
esto significa que la rapidez de corte si es significativo y que depende de ngulo de corte. Como en
el problema se analiza la duracin de la herramienta de corte, aparentemente la rapidez de corte no
le afecta individualmente, pero si se cambia de ngulo de corte la herramienta en mencin podra
fallar y disminuir su duracin.
Tabla de anlisis de residuales
Aplicando la ecuacin 18, calculamos la suma de cuadrados de residuales
La suma de cuadrado medio del error es 30.3 con 16 grados de libertad. As el valor de F o es:
Comparando F, con el F de tabla a un nivel de significanca de 0.05, 19 y 16 grados de libertad,

respectivamente, (Ftabla = 2.28). Lo que significa que el modelo matemtico hallado ajusta o representa
adecuadamente al fenmeno.
Para poder visualizar el modelo matemtico, procedemos a hacer un corte para X2 = 0, obteniendo
Como puede observarse en la figura 1, el termino interaccin le da cierta curvatura al modelo, por lo
que, un modelo en el cual el trmino interaccin esta presente se le puede considerar como un modelo
matemtico de segundo orden,
Fig. 1 Representacin grfica de un modelo lineal con interaccin
SESION 13
DISEO PLACKETT Y BURMAN
Este es un tipo de diseo de experimentos muy importante, desafortunadamente hay solamente pocas
referencias de aplicacin prctica en procesamiento de minerales y en metalurgia. Esto se debe
probablemente a que los Ingenieros no han reconocido todava la verdadera utilidad de este diseo,
especialmente en la etapa de Screening, para la determinacin de las variables ms importantes que
afectan la respuesta o respuestas de un proceso bajo estudio.
El diseo Plackett y Burman es un tipo especial del diseo factorial fraccionado, donde se puede construir
diseos apropiados para el estudio de k variables en N pruebas experimentales, donde N>k. Como
pueden estudiarse con N experimentos hasta N-1 variables, la diferencia se asigna a variables
denominadas ficticias (no representan a ninguna variable experimental), cuya utilidad bsica es la
determinacin de la variancia del error experimental, como veremos ms adelante. Por esta razn es
conveniente que se apliquen o empleen al menos 02 variables ficticias.
Existen modelos para 8, 12, 16, 20, 24,...100 en mltiplos de 4. Las experiencias de estos arreglos se
definen en la primera fila y a partir de estos se construye el conjunto de arreglos experimentales, rotando
en forma cclica cada columna anterior.
Por ejemplo para k=4, el nmero de pruebas es 8, como se muestra en la matriz de diseo de la tabla 6.8
Podemos escoger arbitrariamente que las variables a investigar son X1, X2, X4, X7 y las variables
ficticias pueden ser X3, X5, X6. La ltima fila (8) se completa con (-).
La primera fila de arreglos para otros diseos es:
N=8 :+++-+--
Por ejemplo, supongamos que deseamos investigar 8 variables, segn lo anterior tendramos que elegir 12
pruebas experimentales y designar 3 variables ficticias para evaluar el error experimental, como se
muestra en la tabla.
Matriz de diseo P&B k=4
Matriz de diseo P& B. Para k = 8

De la misma manera que los diseos factoriales, la matriz del diseo cumple las mismas propiedades:
Estimacin de efectos y anlisis de variancia
De igual manera que los diseos factoriales, en los diseos plackett y Burman el clculo de los efectos
viene definido por:
Para la estimacin de la suma de cuadrados del error del sistema se emplean las variables ficticias. Para
ello, se hace una estimacin de sus efectos, los cuales en teora deben ser nulos; de no ser as, es de
suponer que su valor se debe puramente al error experimental. La suma de cuadrados del error est
dado por la siguiente ecuacin:
Donde:
Ef: Son los efectos mostrados por las variables ficticias la suma de cuadrados medios est definida por:
Donde:
nf = Numero de variables ficticias.
Modelo Matemtico
Con un modelo P&B se puede estimar modelos de primer orden, solamente para los trminos lineales,
mas no para evaluar interacciones entre las variables. Como todo diseo de primer orden, la evaluacin
de los coeficientes del modelo sigue el mismo procedimiento. El siguiente modelo podr ser estimado
para un diseo P&B.
La matriz de correlacin (XTX)-1 en este diseo tiene la siguiente forma.
Como consecuencia, los coeficientes bj vienen definidos por:
Cabe sealar que solamente formaran parte del modelo matemtico final los coeficientes que resulten
significativas al proceso bajo estudio. La validez del modelo se prueba siguiendo el mismo mtodo del
diseo factorial.
Ejemplo del diseo Plackett y Burman

En el estudio de la separacin de Cu-Mo por flotacin de un concentrado bulk se parte de las siguientes
premisas:
Investigo el efecto del NaHS como depresor del Cu (CuFeS 2), la influencia de esta variable se
estima en trminos de estabilidad de HS-, por lo cual fue necesario controlar el potencial redox,
segn el diagrama Eh-pH.
Asimismo, se evalu el uso del N 2 como gas de flotacin, no solo porque reduce el consumo de
NaHS sino tambin, para averiguar si tena algn efecto en la eficiencia de separacin.
Adems se evalu otras dos variables tpicas de la flotacin como son el tiempo de
acondicionamiento y el tiempo de flotacin.
Antes de realizar la experimentacin se defini la funcin objetivo o lo que es lo mismo, el criterio o los
criterios de optimizacin; en este caso se consider tres:
a) Eficiencia de separacin.
b) Eficiencia de concentracin.
c) consumo de NaHS.
Los niveles para [as variables consideradas, incorporando dos variables ficticias en el estudio, se
muestran en la tabla siguiente:
Una vez definido, los niveles para cada factor, y considerando dos variables ficticias, se procedi a
efectuar las pruebas; para cada prueba se midi los tres criterios de optimizacin como se muestra en la
tabla siguiente:
Y 1 = Eficiencia de separacin
Y2 = Eficiencia de concentracin de MoS2
Y 3 = Consumo de NAHS.
a)
Caso N 1: Criterio de optimizacin es la eficiencia de separacin (Y1) Calculo de Efectos
Nota: El factor ms importante en la primera evaluacin es el potencial redox, como puede observarse al
pasar de un valor inferior de (-400 v) a un valor superior de (- 200 v), la eficiencia de separacin disminuye
en 49.48%. Esto puede interpretarse de una manera opuesta, o sea que, al pasar de un nivel inferior de
(-200v) a otro superior de (-400 v) la eficiencia de separacin aumenta en 49.48%. Por consiguiente,
podemos afirmar que valores ms negativos del potencial redox mejoran la eficiencia de separacin.
Para un nivel de significancia de 99% y para 1 y 2 grados de libertad, respectivamente, F de tabla es

98.50. Como podemos observar, para el nivel de significancia indicado solamente el potencial redox es
significativo. Considerando ahora un nivel de significancia menor (97.5%) F de tabla, para este caso es
38.51, consiguientemente el potencial redox, adicin de carbn activado y el tiempo de flotacin, resultaron
significativos.
Modelo Matemtico
Yest = 36.34 - 24.74 X1 + 8.64 X2 + 9.59 X5
F = 53.81/11.14=4.82
Para un nivel de significancia del 95% el valor de F de tabla es 18.5, y esta es mayor que 4.82. Por lo
tanto, el modelo matemtico ajusta o representa adecuadamente a los datos experimentales.
Grafica del modelo matemtico
El modelo matemtico obtenido anteriormente es:
Yest = 36.34 - 24.74 X1 + 8.64 X2 + 9.59 X5
Como puede observarse, hay en total 4 variables, para poder visualizar necesitamos hacer cortes en uno
de los ejes
Para X5= 0: Yest = 36.34 - 24.74 X, + 8.64 X 2 (1)
Para X2= 0: Yest = 36.34 - 24.74 X, + 9.59 X 5 (2)

Para X1= 0: Yest = 36.34 - 8.64 X1 + 9.59 X5 (3)
Para (1) el modelo matemtico decodificado es:
YEST = -46.52 -0.247 Z 1 + 8.64 Z2
La representacin grfica puede apreciarse en la figura 6.2.
YEST = -66.65 -0.247 Z1 + 3.836 Z5
La representacin grfica puede apreciarse en la figura 6.3.
YEST = -1.07 + 8.64 Z2 + 3.836 Z5
La representacin grfica puede apreciarse en la figura 6.4
Figura 6.2: Representacin grfica de/ modelo matemtico para X5=0
Figura 6.3: Representacin grfica para el modelo matemtico para X2=0
b)
6.4 Representacin grfica del modelo matemtico para X1=0

CASO N2: Criterio de optimizacin es la eficiencia de concentracin de MoS 2 Clculo de
Efectos
Anlisis de variancia
SSError = (-1.44)2 + (1.11)2 = 3.32
SSM = 3.32/2 = 1.66
A un nivel de significancia de 97.5% y para 1 y 2 grados de libertad el F de tabla es 38.51, por lo cual
el potencial redox, adicin de carbn activado y tiempo de flotaci6n, son significativas.
Modelo matemtico
Yest = 6.63 - 5.77 X, + 3.65 X 2 + 3.70 X 5
SSR = (0.67)2+ + (0.08) 2 = 21.77

MSR=21.77/4=5.44
F= 5.44/1.66=3.28
F de tabla para un nivel del 95% y 4 y 2 grados de libertad, respectivamente es 18.5, por tanto 3.28 es
menor que 18.5 y por lo cual, el modelo matemtico estimado ajusta o representa adecuadamente a los
datos experimentales.
c)
CASO N3: Criterio de optimizacin es el consumo de NaHS Clculo de Efectos
Anlisis de variancia
SSERROR= (2.35) 2 + (-0.40) 2 = 5.68
SSM =5.68 / 2 = 2.84
A un nivel de significancia de 97.5% y Para 1 y 2 grados de libertad el F de tabla es 38.51, por lo cual
ninguna de las variables es significativa. Por lo tanto, no podemos estimar un modelo matemtico que sea
vlido para el estudio.
Pero algo importante, que debemos observar es que el use de nitrgeno como gas disminuye el consumo
de NaHS en 6.40 lb/tn siendo esencial en la reduccin de costos del proceso.
Conclusin
En las tres corridas experimentales un factor importante es el potencial redox, que en valores ms
negativos a 400 mv es beneficiosa para la eficiencia de separacin, as como para la eficiencia de
concentracin del MoS2, siendo su efecto en el consumo de NaHS de regular importancia. Otra
conclusin, es que el uso del gas nitrgeno es beneficioso porque reduce el consumo de NaHS y esto
puede redundar en mejoras econmicas para el proceso.
Ejemplo 2: Plackett y Burman

Tostacin- Segregacin para la recuperacin de cobre proveniente de residuos de gas de
chimenea en la fundicin de cobre
El estudio consiste en recuperar cobre de los residuos de gas de chimenea en la fundicin de cobre por el
mtodo de Tostacin-Segregacin. El material contiene, adems del cobre, otras impurezas como el
arsnico, bismuto, etc.
El objetivo del estudio consiste en recuperar al menos el 85% de cobre presente en el material inicial y
eliminar en lo posible el 75% de impurezas en el residuo. Otros estudios previos a este trabajo, lograron
una recuperacin mxima de cobre de 60%.
Basados en estudios previos de tostacin-segregacin se defini las siguientes variables controlables:
En el estudio aplicaremos el diseo P&B.
La tabla muestra los resultados del diseo de Plackett y Burman, considerando tres variables ficticias.
Como podemos observar, los efectos ms grandes son la adicin de cal, adicin de coque X2, tiempo de
segregacin y temperatura. El efecto de la adicin de cal X1 es negativo, lo que significa que en su nivel
inferior ( - ) esta variable resulta significativa.
Anlisis de Varianza
SSERROR = (8.53)2 + (1.17)2 + (-1.67)2 = 76.966
SSM = 76.966 / 3 = 25.652
Para un nivel de significancia del 95% y para 1 y 3 grados de libertad respectivamente, Ftablas = 18.5 Por lo
cual, la adicin de cal, la adicin de coque, tiempo de segregacin y temperatura de segregacin son
significativos.
Modelo Matemtico
Yest =19.87 10.07X1 + 6.82X5 + 6.77X7 + 14.32X8
Nota: El modelo matemtico incluye solamente las variables que resultaron significativas. As:
SSR = (5.63)2 + + (2.45)2 = 863.25

MSR = 863.25 / 7 = 123.3219
F = 123.3219 / 25.655 = 4.81
Para un nivel de significancia del 95%, para 7 y 3 grados de libertad, respectivamente, FTablas = 8.89. Por lo
tanto, 4.81 es menor que 8.89, entonces el modelo representa adecuadamente a los datos
experimentales. Es importante tener para la etapa de escalamiento, en el prximo tema, el modelo
matemtico obtenido.
Conclusin
Como puede observarse en los resultados obtenidos, la mayor recuperacin de cobre en esta etapa fue
de 67% de cobre, lo cual nos indica que an estamos lejos del objetivo trazado (recuperacin mnima
85% de cobre). Por lo que la aplicacin de la etapa de escalamiento se hace necesaria.
Tambin podemos concluir que las variables: adicin de cal en su nivel inferior mejoran la recuperacin de
cobre; en tanto que, la cantidad de coque, tiempo de segregacin y temperatura de segregacin en su
nivel superior mejoran notablemente la recuperacin de cobre.
SESION 14
OPTIMIZACIN
DISEOS ROTABLES
Un diseo experimental rotable es aquel en el cual se tiene igual facultad de prediccin en todas las
direcciones a partir de un punto experimental central y donde los otros puntos experimentales estn a una
distancia constante del punto central. Esto significa que la variancia (Se2) depende solamente de la
distancia del punto (X1X2,...Xk) al punto central del diseo (X o). El hecho de que la variancia dependa
solamente de la distancia, significa que el diseo permanece inalterado si este es rotado a un ngulo
arbitrario tomando como eje de rotacin el punto central. Esta caracterstica es muy til cuando las
unidades de las variables controlables estn dadas en escala natural, en este caso, evidentemente, la
distancia depender de las unidades en las cuales las variables controlables son las medidas, y que
cambios en la magnitud de estas unidades cambiaran la localizacin de los puntos a una distancia
constante del origen.
En general los diseos rotables que estudiaremos son:
a) Diseo pentagonal.
b) Diseo hexagonal.
c) Diseo octogonal.
Los cuales son presentados como polgonos regulares inscritos en una circunferencia cuyo centro es el
origen del sistema de coordenadas, de radio unitario o de radio (2)1/2.
Diseo Pentagonal
Este modelo se utiliza para estimar modelos matemticos de segundo orden, consiste en cinco puntos de
un pentgono ms los puntos necesarios replicados en el centro del diseo para estimar la variancia del
error experimental.
La matriz del diseo puede deducirse de la figura, tal como se observa en la tabla.
Diseo Hexagonal
Es el diseo ms popular utilizado por los investigadores, muy til para estimar modelos de segundo
orden, el cual consiste en seis puntos experimentales correspondientes a un hexgono regular, ms los
puntos necesarios replicados en el centro para estimar la variancia del error experimental. Este diseo se
muestra grficamente en la figura.
La matriz del diseo hexagonal puede deducirse de la figura, cuyos resultados se muestran en la tabla.
Diseo Octogonal
Este diseo es el ms confiable, debido a que utiliza un mayor nmero de observaciones (nmero de
pruebas experimentales). Este diseo consiste en ocho vrtices correspondientes a un octgono regular,
ms los puntos centrales necesarios para estimar la variancia de error experimental. El diseo
esquemticamente se muestra en la figura.
La matriz del diseo octogonal puede deducirse de la figura anterior, el cual se muestra en la tabla
Ejemplo: Para Diseo de la matriz de los Diseos

Rotables
Analizaremos, para este propsito, el ejemplo que venimos tratando (recuperacin de cobre por tostacinsegregacin). En las etapas anteriores, Screening y escalamiento, se identific las variables que son
significativas para el proceso, y se ubic la regin donde se encuentra, el ptimo.
En esta etapa, de optimizacin final, vamos a describir la regin experimental donde se ubican las
condiciones ptimas, utilizando uno de los diseos rotarles. Para lo que se considera las dos variables
ms significativas, como son:
Adicin de cal y Temperatura de segregacin.
Se tiene los siguientes niveles para las variables consideradas:
Una de las formas ms adecuadas, para pasar de la escala codificada (matriz de diseo X j) a la escala
natural Zj, es utilizando las ecuaciones siguientes:
Donde:
Zj: Centro del diseo
Zj: El radio del diseo queda definido por
Por lo tanto, los valores de las variables en escala natural quedan definidos por la ecuacin siguiente:
Utilizando las formulas anteriores se obtiene la siguiente tabla:
Utilizando la formula bj*Zj y la tabla anterior se confecciona la matriz de diseo a escala codificado y a
escala natural para los diseos rotables descritos.
a) Diseo Pentagonal:
N
1
2
3
4
CODIFICADO
X1
X2
1
0.309
-0.809
-0.809
0
0.951
0.588
-0.588
NATURAL
Z1
Z2
90
67.5425
31.2075
31.2075
750
845.1
808.8
691.2
5
6
7
0.309
0
0
-0.951
0
0
67.5425
57.5
57.5
654.9
750
750
b) Diseo Hexagonal:
N
1
2
3
4
5
6
7
8
9
CODIFICADO
X1
X2
1
0.5
-0.5
-1
-0.5
0.5
0
0
0
0
0.866
0.866
0
-0.866
-0.866
0
0
0
NATURAL
Z1
Z2
90
73.75
41.25
25
41.25
73.75
57.5
57.5
57.5
750
836.6
836.6
750
663.4
663.4
750
750
750
c) Diseo Octogonal
CODIFICADO
X1
X2
2 0.707
3
0
0.707
1
4 -0.707 0.707
5
-1
0
6 -0.707 0.707
7
0
-1
8 0.707 0.707
9
0
0
1
0
0
0
1
1
0
0
1
2
0
0
NATURAL
Z1
Z2
90
80.477
5
57.5
34.522
5
25
34.522
5
57.5
80.477
5
57.5
750
820.7
850
820.7
750
679.3
650
679.3
750
57.5
750
57.5
750
57.5
750
ESTIMACION DEL MODELO MATEMATICO PARA DISENOS ROTABLES

Los diseos rotables y compuestos son diseos que tienen tres niveles en cada variable, por lo cual
podemos estimar modelos matemticos de segundo orden, segn la serie de Taylor estudiada
anteriormente.
k
i=1
uj=1
j=1
=b0 + bi X i + bu X u X j + b j X 2j
Los coeficientes del modelo matemtico de segundo orden pueden ser estimados por varios mtodos,
entre los que podemos mencionar a la tcnica de regresin mltiple por mnimos cuadrados, tanto en la
forma ecuaciones normales, forma matricial y el mtodo de correlacin mltiple. En cuanto a otras
tcnicas podemos mencionar a la tcnica de bsqueda directa (por ejemplo la tcnica de Nelder y Mead),
o tambin a la tcnica conocida como los polinomios de Chevyshev, entre otras ms. Desde el punto de
vista de la facilidad, para poder programar en computadoras, el mtodo matricial es el ms recomendable,
y que est definido por la siguiente frmula matricial:
Donde:
X: Matriz de diseo.
XT: Transpuesta de la matriz de diseo.
Y: Los datos observados (respuestas).
Veamos numricamente esta tcnica, resolviendo el problema planteado en el ejemplo.
(Recuperacin de cobre a partir de residuos de gas de chimenea por tostacin-segregacin).
N
1
2
3
4
CODIFICADO
X1
X2
1
0.5
-0.5
-1
-0.5
6
7
8
9
0.5
0
0
0
0
0.866
0.866
0
0.866
0.866
0
0
0
La matriz X y el vector Y estn definidos como:
La transpuesta XT est definida por:
NATURAL
Z1
Z2
90
73.75
41.25
25
750
836.6
836.6
750
41.25
663.4
73.75
57.5
57.5
57.5
663.4
750
750
750
64.1
61.8
55.3
77.3
63.2
39.1
87.9
89.9
88.3
El producto de las matrices XTX es la siguiente matriz:
La inversa de la matriz (XTX)-1, denominada tambin matriz de correlacin, es la siguiente matriz:
El producto XTY es el vector siguiente:
Los coeficientes bj (B) estn definidas por el producto (XTX)-1(X.Y).
As, el modelo matemtico para el diseo hexagonal propuesto en escala codificada es la siguiente.
El modelo matemtico sirve para predecir los valores de la recuperacin de cobre, reemplazando valores
codificados de las variables en el rango de (-1 a +1). Sin embargo, en muchos casos es preferible
expresar el modelo matemtico en escala natural, especialmente cuando se desea graficar el modelo
usando cualquier software, para ello se debe proceder a decodificar el modelo segn las ecuaciones
siguientes.
Para el trmino independiente:
k
i=1
i ,u=1
j=1
a0 =b0 bi i biu i u b j 2 j
Donde:
i: es el cociente de dividir el centro del diseo (Zi ) y el radio del diseo (Zj).
ao: termino independiente del modelo matemtico en escala natural.
Para los trminos cuadrticos:
ai Z j=
bi
b
b
2 ij j ju j u j=u=1 .. k 1
Zi
Zi
Zi
ao : es el coeficiente de los trminos lineales del modelo en escala natural.

El tercer trmino de la ecuacin anterior, por comodidad asignaremos la siguiente notacin para tres
variables: cuando i=1, los valores de j, u son (1,2) y (1,3), cuando i=2 j, u son (1,2) y (2,3) y cuando i=3 j,
u son (1,3) y (2,3). Se puede extender para ms de tres variables, haciendo en anlisis correspondiente.
Para los trminos lineales:
2
aii x i =
bii
2
Zi
aij : es el coeficiente del termino cuadrtico del modelo en escala natural.

Para los trminos interaccin
aij Z i Z j=
b ij
i j=1 . k
Zi Z j
aij : son los coeficientes del termino interaccin del modelo en escala natural.
Aplicando las ecuaciones para el modelo, al ejemplo que venimos analizando, tenemos la siguiente tabla
de datos:
N
Z1
Z2
(-)
25
650
( +)
90
850
57.5
750
32.5
100
1.769
7.5
Remplazando los valores en el modelo matemtico.
a0 =b0b1 X 1b 2 X 2 +b 3 X 21+ b4 X 22 +b 5 X 1 X 2
Termino independiente
a0 =88.7 (7.33 x 1.769 ) ( 4.27 x 7.5 )+ ( 18 x 1.7692 ) + (39 x 7.52 ) + [ 17.66 ( 1.769 )( 7.5 ) ]
a0 =1833.48
Trminos lineales
a1=
7.5
18
17.67
2
1.769
7.5=2.349
32.5
32.5
32.5
( )
a2=
4.27
39.13
17.67
2
7.5
1.769=5.5996
100
100
100
) (
Trmino cuadrticos
a11 =
18
=0.017
32.52
a22=
39
=0.0039
1002
Termino Interaccin
a12=
17.67
=0.0054
( 32.5 x 100 )
Por lo tanto, el modelo matemtico en escala natural es:

Y = -1833.48 - 2.349 Z1 + 5.599 Z2 - 0.017 Z12 - 0.003 Z22 + 0.0054 Z1Z2
El modelo debe predecir valores de Y (% de recuperacin de cobre), reemplazando valores naturales de
las variables, del mismo que el modelo matemtico codificado, reemplazando valores codificados de las
variables. Sin embargo, se espera un poco de variacin en los valores, principalmente debido a la
exactitud de los clculos durante la decodificacin.
ANALISIS DE VARIANCIA PARA DISEOS ROTABLES Y COMPUESTOS

Anlisis de significancia de los coeficientes
Los coeficientes de los modelos matemticos son evaluados para analizar su significancia mediante el test
de Student, definido por:
(8.8)
La variancia asociada a cada coeficiente es:
(8.9)
Donde:
Sbj : Desviacin standard asociado a los coeficientes
Cjj : Son los elementos de la diagonal de la matriz de correlacin (X TX)-l.
En el ejemplo anterior los elementos de la diagonal de la matriz de correlacin son:
Se: Desviacin standard del error experimental, que se estima de acuerdo a las ecuaciones 8.10:
N0
Y 0i
= i=1
N0
(8.10)
N0
SS E = ( Y 0i 0 )
i=1
MS E =
SC E
f2
S e = SM E
Las respuestas en el centro del diseo del ejemplo que venimos tratando son:
Aplicando la frmula se obtiene:

Y = (87.9+89.9+88.3)/3 =88.7
SSE = (87.9 -88.7) 2 + (89.9 - 88.7)2 + (88.3 - 88.7)2 = 2.24
Los grados de libertad f2 para el error experimental es: 3-1 = 2
Por lo tanto: MS E = 2.24/2=1.12
Se = (1.12)1/2 = 1.058
Aplicando las ecuaciones 8.8 y 8.9 obtenemos la siguiente tabla:
F.V.
Se
(Cij)1/2
Sbj
bj
tj
Signf.
X1
1.058
0.577
0.610
-7.33
-12.02
Si
X2
1.058
0.577
0.610
4.27
7.00
Si
X12
1.058
0.912
0.966
-18.00
-18.633
Si
X22
1.058
0.912
0.966
-39.14
-40.506
Si
X1X2
1.058
1.1547
1.2217
17.67
14.463
Si
Para analizar la significancia de los coeficientes se compara el test t-calculado, con el T tablas, para un nivel de
significancia de 95% (p=0.05) y dos grados de libertad (f=2), el valor de T0.05,2 = 4.3; si T-calculado es
mayor que el t-tabla (Tc >Tt), la variable en cuestin es significativa para el proceso estudiado. Como
puede observarse, en la tabla anterior todos los coeficientes del termino independiente, trminos lineales,
trminos cuadrticos y el termino interaccin resultaron significativos.
Evaluacin del Modelo Matemtico
De la misma manera el modelo matemtico, derivada de los diseos rotables y compuestos, es avaluado
estadsticamente para ver el grado de ajuste a los datos experimentales, de la siguiente manera:
Se comienza con la suma de cuadrados del residual, que est definido por:
N
SS R = ( Y i )
(8.11)
i=1
Para el cual el nmero de grados de libertad (f1) est definido por:
( k +2 )( k +1 )
2
f 1 =NI =N
(8.12)
De las observaciones repetidas en el punto central del diseo encontramos la suma de cuadrados del error:
N0
SS E = ( Y 0i 0 )
i=1
(8.13)
Para lo cual el nmero de grados de libertad est definido por:
f 2=N 1
(8.14)
El paso siguiente es hallar la Falta de Ajuste de la suma de cuadrados, tanto del error como del residual.
Definido por:
SS FA =SS R SS E
(8.15)
Para este ltimo los grados de libertad estn definidos por:

Para ver como la ecuacin de regresin (modelo matemtico) se ajusta a los
f 3 =f 1 f 2 (8.16)
Datos experimentales, usamos la prueba de Fisher (Test-Fisher). Definida por
SS FA
f
F= 3
SS E
f2
(8.17)
La ecuacin de regresin estimada se ajusta a los datos experimentales si:
FO < F 95 f
3 2
(8.18)
Aplicando las frmulas para ver la falta de ajuste del modelo matemtico, seguiremos los siguientes pasos:
a) Calculo de los valores predichos o estimados de la regresin, mediante la frmula matricial
b) Calculo de residuales:
SSR = (0.73)2+ (-0.73)2++ (-0.40)2 = 5.466

MSR = 5.466/ (9-6) = 1.822
La suma de cuadrados de la falta de ajuste es:
SSFA = 5.466 2.24 = 3.226
MSFA = 3.226 / (3-1) = 1.613
La suma de cuadrado medio del error es 1.12 (Ver seccin 8.1.4), por lo tanto el valor de F del modelo
es:
Fo =3.226/1.12 = 2.88
El valor de F de tablas, para un nivel de significancia del 95% y para 1 y 2 grados de libertad,
respectivamente es:
F0.05, 1, 2= 18.5
Por lo tanto, F del modelo es menor que F de tablas, entonces el modelo ajusta o representa
adecuadamente a los datos experimentales.
La tabla siguiente muestra los clculos involucrados en esta seccin.
GRAFICA DEL DISEO

Para poder graficar el modelo matemtico hacemos uso del modelo matemtico en escala codificada:
Y = -1833.48 - 2.349 Z1 + 5.599 Z2 - 0.017 Z12 - 0.003 Z22 + 0.0054 Z1Z2

Podemos graficar el modelo en el espacio como se muestra en la figura 8.5, o a manera de contornos o
curvas de nivel, como se puede apreciar en la figura 8.6.
Figura 8.5: Efecto de la cal y temperatura de segregacin en la recuperacin de Cu
Fig. 8.6 Efecto de la cal y T de segregacin. En la recuperacin de Cu (2D)
SESIN 16
DISEO OCTOGONAL
Este diseo utiliza un mayor nmero de pruebas experimentales. Este diseo consiste en ocho
vrtices correspondientes a un octgono regular, ms los puntos centrales para estimar la
varianza de error experimental. Los puntos experimentales se muestran esquemticamente en la
fig. 12.3, se sabe que la suma de los ngulos exteriores de un polgono es de 360 y podemos
calcular su ngulos central segn la siguiente ecuacin.
C=
360
n
Para n=8 lados, el valor del ngulo central es de 45, haciendo coincidir uno de los lados que
forma el ngulo central con el eje de las abscisas y los vrtices del octgono correspondera a
los puntos experimentales
La matriz del diseo puede deducirse a partir de la figura 12.3

h) El punto experimental (1)
Como el radio (R=1), tenemos el par ordenado (X 1, X2)= (1,0)
i) EI punto experimental (2)
Luego al punto experimental 2 le corresponde al par ordenado (0.7071, 0.7071)

j) Los puntos experimentales 3 ,4 5, 6, 7,3. Le correspondern el mismo valor que el punto 2 por
poseer el mismo ngulo central (45) y ser simtricos, pero variando el signo de acuerdo a la
posicin del cuadrante la matriz del diseo se resume en la tabla 12.3
N
X1
X2
1.0000
0.0000
0.7071
0.7071
0.0000
1.0000
-0.7071
0.7071
-1.0000
0.0000
-0.7071
-0.7071
0.0000
-1.0000
0.7071
-0.7071
0.0000
0.0000
10
0.0000
0.0000
11
0.0000
0.0000
12
0.0000
0.0000
Tabla 13.2 Matriz del Diseo Octogonal
Ejemplo, de aplicacin
En un proceso de flotacin de un mineral sulfurado de cobre, despus de las etapas de
screening y escalamiento se determin que las variables ms significativas son la dosificacin
del colector y el porcentaje de slidos, se desea determinar el mximo porcentaje de
recuperacin de cobre: La siguiente tabla muestra los rangos de operacin.
El centro de diseo Zj se calcula con la (Ec. 67)

El radio del diseo Zj se calcula con la siguiente ecuacin (Ec 68)
Aplicando las ecuaciones (Ec.67) y (Ec. 68) hallamos el centro y radio del diseo hexagonal
En la planificacin de las pruebas experimentales, se tiene que encontrar el valor de las variables
en escala natural por medio de la siguiente ecuacin:
Codificado
Natural
X1
X2
Z1
Z2
1.0000
0.0000
0.0350
27.500
0
92.2
0.7071
0.7071
0.0320
29.267
94.0
7
3
0.0000
1.0000
0.0250
30.000
0
93.6
-0.7071
0.7071
0.0179
3
29.267
7
93.5
-1.0000
0.0000
0.0150
27.500
0
90.9
-0.7071
-0.7071
0.0179
25.732
2
92.2
0.0000
-1.0000
0.0250
25.000
0
92.8
0.7071
-0.7071
0.0320
25.732
2
93.3
0.0000
0.0000
0.0250
27.500
0
94.1
10
0.0000
0.0000
0.0250
27.500
0
94.3
11
0.0000
0.0000
0.0250
27.500
0
93.9
12
0.0000
0.0000
0.0250
27.500
0
Tabla 12.3 Planificacin de las pruebas
94.0
12.1.3.1 Modelo matemtico

EL modelo matemtico del diseo octagonal es of siguiente:
.70
Los coeficientes del modelo matemtico de segundo orden pueden ser estimados por varios
mtodos entre los que podemos mencionar la tcnica de regresin mltiple por mnimos
cuadrados, tanto en forma de ecuaciones normales, forma matricial y el mtodo de correlacin
mltiple, desde el punto de vista de facilidad, para poder programar en computadoras, el mtodo
matricial es el ms recomendable, y el cual est definida por la (Ec. 70 )
La matriz [X] est definida por los valores de las variables codificadas, que corresponden a sus
respectivos coeficientes de regresin segn el modelo matemtico. La matriz completa del
diseo octagonal es el siguiente:
La matriz transpuesta de X est definida por
El producto de [X]T[X] se muestra a continuacin:
El clculo de la matriz inversa ([X] T* [X])-1 denominada tambin matriz de correlacin es constante
en el diseo octagonal siempre y cuando tenga doce pruebas experimentales es decir cuatro
repeticiones en el punto central del diseo, la diagonal de esta matriz inversa es importante en la
determinacin del anlisis de significancia de los coeficientes del modelo matemtico, luego la
matriz es la siguiente:
El producto de la matriz transpuesta de [X] T por el vector de respuestas [Y] es equivalente a la

sumatorias del producto escalar de la matriz [X] por el vector [Y], recordando que el mtodo
matricial es el ms conveniente por su facilidad de clculo:
Luego aplicando la (Ec.70) encontramos los coeficientes del modelo matemtico
El modelo matemtico para el diseo octogonal propuesto a escala codificada es la siguiente
El modelo matemtico sirve para predecir los valores de recuperacin de cobre, reemplazando
valores codificados de las variables en el rango de (-1 a +1).En muchos casos es preferible
expresar el modelo en escala natural, especialmente cuando se desea graficar, para ello se debe
proceder a decodificar el modelo segn las ecuaciones descritas para los diseos de segundo
orden.
Para el trmino independiente: Segn la (Ec.72)
Donde j: Es el cociente de dividir el centro del diseo y el radio del diseo

ao: Es el termino independiente del modelo a escala natural.
Antes de proseguir aplicando las actuaciones para la decodificacin del modelo es necesario
conocer los siguientes datos, que se resumen en la siguiente tabla:
El modelo matemtico a escala natural es:
12.1.3.2 Anlisis de varianza para diseos rotables y compuestos

Los coeficientes del modelo matemtico son evaluados para analizar su significancia mediante el
test de Student, definido por:
La varianza asociada a cada coeficiente es:

Donde:
Sbj : Desviacin estndar asociado a los coeficientes
Se: Es la desviacin estndar del error experimental.
Cij : Son los elementos de la diagonal de la matriz de correlacin ([X] T [X])-1
Para los datos del problema del diseo octogonal para doce pruebas experimentales su diagonal
siempre ser:
Para calcular el error experimental se hace a partir de las respuestas en el centro del diseo
cuyos valores se dan en la tabla siguiente:
c) calculamos primer o el promedio delas respuestas en el centro del diseo, empleando la (Ec.
82 )
La sumatoria de cuadrados del error experimental se calcula, con la (Ec. 83)
SSE = (94.1-94.075)2+ (94.3-94.075)2+ (93.9-94.075)2+ (94.0-94.075)2 = 0.0875

La media de cuadrados del Error experimental
Donde f2 son los grados de libertad para el error experimental, como hubo 4 repeticiones: f 2=N-1
= 4- 1 = 3 aplicando la (Ec. 84) tenemos:
0.0875
MS E =
=0.029167
3
La desviacin estndar del error experimental es:
A hora podemos calcular la Desviacin estndar asociada a los coeficientes, mediante la (Ec.86):
Calculo de la significancia de los coeficientes, aplicando la (Ec. 80)
En la siguiente tabla se muestran el resumen para los dems coeficientes:
Para analizar la significancia de los coeficientes se compara el test calculado, con el t de tablas
para un nivel de confianza del 95% y 3 grados de libertad, para dos colas =0.025 t (0.975,3)=3.18
Si (t) calculado es mayor que el (t) de tablas si (-t ) es menor que (- t )de tablas el coeficiente
de la variable es significativa
12.1.3.3 Evaluacin del modelo matemtico

Se evala estadsticamente el modelo matemtico para ver el grado de ajuste de los datos
experimentales, es decir que tanto difieren los Y observados con Los Y estimados. Para la
aplicacin de las frmulas descritas anteriormente es necesario conocer los siguientes datos:
a) Clculo de los valores predichos por el modelo [Y] (valor de la variable respuesta estimada),
hallaremos sus valores mediante la frmula matricial:
b) Calculo de los residuales:
Para llenar el cuadro de anlisis de varianza de Evaluacin del modelo matemtico se sigue el
mismo procedimiento que el realizado con el diseo hexagonal, ya que el modelo matemtico
tambin es de segundo orden.
La media de cuadrados del residual se calcula aplicando la (Ec. 88), teniendo en cuenta que los
parmetros del modelo son seis y se hizo doce pruebas experimentales por lo tanto los grados
de libertad son (12 - 6 = 6)
La suma de cuadrados de la falta de ajuste se calcula aplicando la (Ec. 91).

SSFA = 1.7202 0.0875 = 1.6327
Recordando que la suma de cuadrados del error experimental se calcula cuando se determina la
significancia de los coeficientes, su valor es (SSE = 0.0875) y su media de cuadrados
MSE = 0.0291667.
La media de cuadrados de la falta de ajuste se calcula con la (Ec. 93), y sus grados de libertad f 3
es la diferencia de los grados de libertad del residual (f 1) menos los grados de libertad del error
experimental (f2), luego:
f3 = (6 3 = 3)
Por ultimo calculamos el Fo del modelo, aplicando la (Ec. 94).
Este valor los comparamos con el F de tablas, para un nivel de confianza del 95% es decir un
nivel de significacin = 5% para 3,3 grados de libertad es: F (3,3)99% = 29.46
Por lo tanto aplicando la (Ec. 95) vemos si el modelo es aceptado o rechazado.
Cumple la condicin por lo tanto el modelo matemtico ajusta o representa adecuadamente los
datos experimentales.
El siguiente cuadro se resume el anlisis de Varianza del modelo matemtico.
12.1.3.4 Anlisis de Mximos y Mnimos

Teniendo en cuenta los coeficientes cuadrticos (bjj) del modelo matemtico de segundo orden
tendr un mximo y un mnimo, o no tendr un extremo.
Analizando el modelo matemtico del problema.
Vemos que el coeficiente b11 y b22 son negativos, por lo tanto, su curva se asemeja a un Elipse.
Remplazando estos valores en la matriz Hessiana tenemos.
Luego H22 = [(-4.175)(-0.875)] - [(0.3)(0.3) ] = +3.563

Como podemos observar, el signo de las determinantes es alternativo (H 11 = -4.175) (H22 =
+3.563).
Esto indica que el modelo matemtico tiene un mximo en el rango investigado.
12.1.3.5 Soluciones ptimas Sin Restricciones
Los valores ptimos de las variables estudiadas se encuentran por mtodos analticos de
optimizacin, para ello hacemos uso de las derivadas parciales, es decir derivando la funcin Y
con respecto a cada una de las variables independientes involucradas en el modelo matemtico
y luego lo igualamos a cero:
Continuando con el ejemplo del problema que se est desarrollando, vamos a encontrar los
valores ptimos para las variables: (X 1: dosificacin de colector) y (X2: % de slidos). Y encontrar
la mxima respuesta (% de recuperacin de cobre), se puede trabajar con el modelo a escala

codificada o a escala natural.
Ordenando los coeficientes de las variables y colocndolas en el miembro de la izquierda,

definimos su matriz como [A] y el miembro de la derecha trminos constantes como el vector
matriz [B].
Luego empleamos la ecuacin siguiente para el clculo de las variables X 1 y X2 y lo
resolveremos matricialmente:
Aplicando las ecuaciones (Ec. 67) y (Ec. 68) hallamos el centro y radio del diseo Octogonal.
El valor de las variables en escala natural se halla por medio de la (Ec. 69)
Las condiciones ptimas son:

Dosificacin de colector 0.026 (Lb/tn)
% de slidos 28.9936
Remplazando estos valores en el modelo matemtico a escala natural o a escala codificado se
obtiene la mxima recuperacin que corresponde a 94.27%
Y =94.075+0.6078 (0.1026)+0.5536 (0.5975)2.0875(0.1026)20.4375(0.5975)2 0.3(0.1026)(0.5975)

Diseño Experimental

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Diseño Experimental

Hochgeladen von

Copyright:

Verfügbare Formate

SESION IX

Para 3 variables: 23 = 8 pruebas.

PLANTILLA CON 8 PRUEBAS

PLANTILLA CON 12 PRUEBAS

DISEO FACTORIAL 22 SIMPLE

Figura 1. Grfico de puntos del

una manera directa

Establecido la cantidad de pruebas se desarrolla experimento por experimento, obtenindose al

entre los valores de los diferentes factores,

Interpretacin de los efectos

Obtenindose los valores, los cuales estn incluidos en la tabla.

Del Cuadro de Analysis of Variance for Y

Del Cuadro Regression coeffs for Y

cada variable es independiente.

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

Otra manera de presentar los datos de este diseo es:

Diseo factorial con variables codificada:

Las cuatro combinaciones de tratamientos en el diseo suelen representarse por letras

Finalmente, el efecto de interaccin AB es el promedio de las combinaciones de tratamientos en la

que es una expresin idntica a la Ecuacin 6-3.

La suma total de cuadrados se determina de la manera usual mediante

Para el experimento del proceso qumico de la figura 6-1, el modelo de regresin es

DEL ANLISIS DE VARIANCIA

- Para el trmino lineal:

- Para el trmino interaccin:

: Centro del diseo para la variable j (Zmax + Zmin)/2

EI modelo matemtico a escala codificado es:

Representacin grfica de un modelo lineal

Esta ecuacin puede agruparse como sigue

que es idntica a la ecuacin 1

Dado que la interaccin AB es la mitad de esta diferencia,

Podramos expresar la Ecuacin 9-14 como sigue:

La suma de cuadrados de los efectos a interacciones est definida por la ecuacin 9.

La suma de cuadrados de los efectos e interacciones, o llamado de tratamientos, es:

Tabla de anlisis de residuales

Aplicando la ecuacin 18, calculamos la suma de cuadrados de residuales

Como puede observarse en la figura 1, el termino interaccin le da cierta curvatura al modelo,

Fig. 1 Representacin grfica de un modelo lineal con interaccin

Ejemplo 1 2 CON REPLICA EN EL PUNTO CENTRAL DEL DISEO.

Un ingeniero qumico se encuentra estudiando el rendimiento de un proceso. Existen dos variables de

Segn la ecuacin 21, calculamos la suma de cuadrados del error:

Tabla de Anlisis de Variancia.

A un nivel de significancia de 0.05, 1 y 4 grados de libertad, respectivamente, el valor de F=7.71. Por lo

A un nivel de significancia de 0.05, (95% de confianza) 1 y 4 grados de libertad, respectivamente, el

La grfica del modelo puede observarse en la figura 3.

MEDIA FRACCIN DEL DISEO 2k-p

Ecuacin Generatriz (I= X1X2X3)

Ley de Multiplicacin de Factores

Matriz para un diseo factorial fraccionado

La ltima relacin es conocida como contraste de definicin.

Los parmetros del modelo matemtico estn definidos como:

La tabla muestra la matriz de diseo factorial fraccionada para este caso.

Los parmetros del modelo matemtico estn definidos como:

Confundido de Efectos principales e Interaccin de

Todos los efectos principales estn confundidos con

Todos los efectos principales se obtienen en forma

Todos los efectos principales estn confundidos con

Todos los efectos principales se obtienen en forma

Todos los efectos principales se obtienen en forma

Tabla Fraccionamiento de diseos Factoriales (*)

Como colector se us Z-200 y como espumante Dowfroth-200.

Tabla 1 Programacin de pruebas para un diseo fraccionado

Tabla 2. Matriz de variables independientes D.F.F.