Beruflich Dokumente
Kultur Dokumente
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.
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
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
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.
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
Y
39.3
Niveles
40.9
40.0
41.5
1
(concentracin
niveles
se
y
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
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:
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:
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:
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
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.
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.
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
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
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.
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
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
Donde:
Zj
Zj
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
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,
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).
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.
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
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
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.
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.
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.
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
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:
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
1/8
Igualar E= ABC
y F=BCD y
G=ABD
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.
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
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
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
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.
La suma de cuadrado medio del error es 30.3 con 16 grados de libertad. As el valor de F o es:
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,
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.
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.
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.
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)
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.
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)
b)
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
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.
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:
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
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
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
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
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.
ai Z j=
bi
b
b
2 ij j ju j u j=u=1 .. k 1
Zi
Zi
Zi
aii x i =
bii
2
Zi
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
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 )
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:
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
( 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)
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)
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)
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:
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
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.
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
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 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)
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 )
A hora podemos calcular la Desviacin estndar asociada a los coeficientes, mediante la (Ec.86):
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
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)
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.
Vemos que el coeficiente b11 y b22 son negativos, por lo tanto, su curva se asemeja a un Elipse.
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
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)