Optimización de Extracción Cromo

DISEO EXPERIMENTAL Y
OPTIMIZACIN DE SISTEMAS
CON MLTIPLES RESPUESTAS
2 - SELECCIN DE FACTORES
M.S Cmara M.M. De Zan L. Vera Candioti H. Goicoechea

2016
FBCB UNL ETAPAS-OPTIMIZACIN
Identificacin de factores y
respuestas
Seleccin de factores
Diseos de Screening
o Cribado
Factores No Eliminar
Cambio de
significativos? niveles factor
Si
Optimizacin Respuestas ptimas

Diseos de Optimizacin Conclusiones
Etapa de screening: seleccin de
factores
Delimitar el problema, definir la

hiptesis, establecer el objetivo del
experimento-resultado deseado.
Seleccionar la (s) variables respuesta

que representan al problema que hay
que resolver y determinar cmo se van
a medir de manera confiable.
factores
Determinar qu factores se van a
estudiar, para analizar su influencia
sobre la respuesta, sobre la base de
informacin y experiencia previa.
Seleccionar el rango experimental a

estudiar y el diseo de experimentos
adecuado.
Realizar el experimento y seleccionar los

factores que tengan una influencia
significativa sobre la (s) respuestas.
4
factores
Investigar todos los
factores
Muchas pruebas
experimentales
Mucho tiempo
Mucho dinero
Diseos de screening para

seleccin de factores
DISEOS EXPERIMENTALES
SELECCIN DEL DISEO
Aspectos que influyen en la seleccin de

un diseo
Naturaleza del problema, conocimiento previo
y tipo de informacin que se desea obtener.
Nmero y tipo de factores e interacciones que
se deben estudiar.
Restricciones operativas, de costo y tiempo.
Necesidad de bloqueo.
Caractersticas o propiedades de cada diseo.
Facilidad de comprensin e implementacin.
CARACTERSTICAS DE LOS
DISEOS
Ortogonalidad
Rotabilidad
Error estandar-leverage
Eficiencia
Resolucin
ORTOGONALIDAD
Los coeficientes estimados en el modelo

ajustado no estn correlacionados entre si.
Las columnas de la matriz del diseo deben

estar formadas por vectores independientes
entre si.
Minimizar la Varianza de los

Coeficientes de Regresin
Modelo para un sistema lineal de 2 componentes:
y = b0 + b1 x1 + b2 x2 y X
y = X b + e = ypred + e b
=
(XTX)-1XT y = (XTX)-1XTX b
b = (XTX)-1XT y b = [b0 ; b1 ; b2 ]
ypred = X (XTX)-1XT y ypred = H y (H es conocida

como matriz hat por sombrero)
Xb = X(XTX)-1XT y
Pero XTX es singular en un diseo cuyas
columnas estn correlacionadas
ROTABILIDAD
La varianza de la respuesta predicha en un punto

cualquiera del espacio experimental es solamente funcin
de la distancia al punto del centro del diseo.
Proporcionar un Error de Prediccin estable

en el Entorno Experimental
LEVERAGE
Depende de la matriz experimental y del
modelo seleccionado (construccin de X).
No depende del error experimental de la

respuesta y debe evaluarse antes de
experimentar.
La varianza de la
respuesta estimada en un
punto se obtiene
multiplicando el leverage
por la varianza
experimental.
EFICIENCIA
Cociente entre coeficientes estimados y

puntos experimentales.
Se necesitan como mnimo la misma

cantidad de puntos experimentales
diferentes en el diseo que coeficientes a
estimar.
Para evaluar la falta de ajuste se hacen

repeticiones de un punto del diseo.
RESOLUCIN
Diseos factoriales fraccionados
Indica el nivel de confusiones que se

presentan en la estimacin de efectos,
dando una idea de que tan bien pueden
estimarse los efectos potencialmente
importantes mediante el diseo.
CONFUSIONES
Cuando dos o ms factores, con nombres

distintos, comparten la misma columna de
signos (-1 y +1), no se sabe que factor es el
responsable del efecto estimado.
Hay
confusin
15
ETAPA DE SCREENING - SELECCIN DE
FACTORES
Diseos usados para realizar experimentos de
previsualizacin o screening para factores
numricos y categricos
Factorial completo o total a dos

niveles (2k)
Factorial fraccionado a dos

niveles (2k-p)
Placket-Burman (muchos factores)

DISEOS FACTORIALES
Diseos factoriales completos a dos

niveles: 2k
Se investigan todas las posibles combinaciones de los
niveles de los factores.
La cantidad de puntos experimentales esta dada por 2k

tiles para 2 k 5 (4 a 32 tratamientos)
Permiten estimar los efectos de todos los factores

principales y sus interacciones.
Son diseos ortogonales y rotables.
El nmero de experimentos crece rpidamente

con el nmero de factores
Diseos factoriales completos a dos niveles
Efecto de un factor Representacin grfica
Efectos estimables en los diseos factoriales completos a
dos niveles
La construccin de la matriz del diseo (k columnas y 2k renglones
considerando una rplica) se hace alternando los signos y + en la
primer columna, dos menos y dos ms en la segunda, cuatro menos y
cuatro ms en la tercera y as sucesivamente.
Matriz del diseo 22
Representacin geomtrica
Efecto de un factor
Efecto de la interaccin
Problema:
se necesita incrementar la eficiencia de un procedimiento de
extraccin de cromo (VI) en muestras de agua de rio utilizando
la metodologa de microextraccin en fase lquida
A microextraction procedure based on an ionic liquid as an ion-pairing agent optimized using a design of experiments for chromium
species separation and determination in water samples. Anal. Methods, 2013, 5, 5065. P Berton, L Vera Candioti, H Goicoechea, R
Wuilloud
Considerando un diseo 27 con 128 experimentos:
Qu efectos se pueden estimar con 128 experimentos?
Se pueden
estimar 127
efectos
Hay que encontrar una estrategia que permita reducir de manera

importante el nmero de tratamientos experimentales
FBCB UNL DISEOS FACTORIALES

Mientras ms grande es el valor de k, mayor es el

grado de fraccionamiento que admite el diseo
Se sacrifica informacin poco importante de

toda la acumulada en exceso" en los diseos
factoriales completos para tener diseos ms
manejables en cuanto al n de corridas.
Se hace slo una fraccin del diseo factorial
completo.
Los efectos que se pierden se espera que sean

interacciones de alto orden que se pueden ignorar
con bajo riesgo.
Los efectos que s se pueden

estimar tienen al menos un
alias
Aliasing
Efectos alias son efectos que se confunden

y no es posible separarlos.
Para interpretar los efectos alias es

necesario suponer que solo uno de ellos es
responsable del efecto observado y que los
dems efectos son nulos.
Se utiliza el principio de jerarqua.

Aliasing
No es una buena estrategia utilizar

diseos donde se alan dos efectos que
son potencialmente importantes, tales
como efectos principales y las
interacciones dobles.
Diseo 24-1
Diseo 24-1
Diseo 25-2
Cuando un diseo se fracciona mucho no hay

confianza en la estimacin de los efectos
principales
Factorial completo
Permite estimar todos los efectos principales y sus
interacciones sin confusiones.
Resolucin V o mayor
Los efectos principales y las interacciones dobles se
confunden con interacciones triples o de orden
mayor.
Resolucin IV
Los efectos principales no se confunden entre ellos
ni con interacciones dobles, pero si estas entre si.
Resolucin III
Los efectos principales no se confunden entre ellos
pero hay efectos principales que se confunden con
interacciones dobles. 39
Se utilizan en la etapa de screening

cuando existen muchos factores a evaluar.
Cmo seleccionar el diseo factorial

fraccionado ms conveniente?
Observar las estructuras de alias para

determinar el grado de confusin en la
estimacin de los efectos de los factores.
Se busca la mxima resolucin posible con un n razonable

de corridas experimentales y de gasto de recursos
Resolucin III: no recomendados. En algunos casos es

arriesgado suponer de antemano que ninguna interaccin
doble esta activa. Se usan cuando hay muchos factores o
cuando cada corrida es demasiado cara.
Resolucin IV: para 5 k 15 existen diseos que no

requieren ms de 32 ensayos y proporcionan informacin de
todos los efectos principales y de algunas de las
interacciones dobles.
Resolucin V: cuando se pueden hacer ms ensayos.

Un caso especial: DISEO DE PLACKETT-BURMAN
Es un tipo especial de diseo factorial fraccionario

(altamente fraccionado con resolucin III).
Es til cuando existen mltiples factores.
El diseo mnimo permite estudiar hasta 11 factores

con 12 experimentos.
Las interacciones dobles tienen un complejo alias con

los trminos principales.
DISEO DE PLACKETT-BURMAN
Permite estudiar efectos principales, suponiendo que no

existen interacciones entre los factores.
Si hay interacciones, el diseo puede fallar, es decir,

puede considerar significativos efectos que no lo son y
viceversa.
En general, cuando hay interacciones importantes, el

ajuste de PB es malo
El n de puntos del
diseo N es mltiplo de
cuatro.
Se pueden estudiar
hasta k factores en N
experimentos donde
k =N-1.
Problema
DISEO DE PLACKETT-BURMAN PARA EL PROBLEMA
Estimacin de efectos
PRUEBA DE HIPTESIS
(ANOVA)
MODELO DE EFECTOS: ANOVA
Respuesta = media general + efectos principales de

los factores + efectos de interaccin + error
Variabilidad
debida al
Variabilidad Variabilid Variabilidad
error
debida al ad debida debida al
efecto al error efecto
El objetivo es:
- Seleccionar aquellos efectos de factores o

interacciones que sean significativos y que
formarn parte del modelo, explicando el
comportamiento de la respuesta y
- Aquellos que sean no significativos que

pueden utilizarse para conformar el error.
58
Ejemplo: uso de un diseo completo y rplica
En una fbrica de dispositivos electrnicos hay

roturas y se piensa que hay tres factores
(temperaturas de la etapa de procesamiento)
responsables del problema.
Para determinar si estos factores son significativos

y posteriormente encontrar una combinacin de
niveles donde la cantidad de piezas rotas sea
mnima, se decide correr un diseo factorial 23 con
dos rplicas, trabajando con una respuesta que es
la proporcin de piezas rotas.
Diseo factorial 23:
T1: Temperatura de grabado (-3 a -1 C)
T2: Temperatura de piraa (60 a 98 C)
T3: Temperatura de agua (20 a 78 C)
+1
+1
-1
-1 +1
60
Forma de operar:
1- Hacer un ANOVA con todos los
efectos.
2- Hacer un ANOVA que slo incluya

los trminos significativos, mandando
al error los efectos que claramente no
son significativos.
3- Revalorar los trminos que estaban

en situacin dudosa
61
Construccin del Modelo
REGRESIN LINEAL MULTIPLE
Ecuacin de regresin
error
1
Respuesta i Efectoi
(variable dependiente) 2
coeficientes de regresin
factores
(variables independientes)
MTODO DE LOS CUADRADOS MINIMOS

Coeficientes del Importancia del efecto
modelo
Cantidad de factores que
Complejidad del intervienen en el comportamiento
modelo de la respuesta
Tipo de relacin que existe

entre la respuesta y esos
factores
Uso que se le va a dar al modelo
Polinomios ms Polinomios ms
simples complejos
Para que construimos modelos?
Polinomios simples
Seleccionar factores significativos
Evaluar interacciones entre los Modelos Lineales

factores
Modelos con
Explorar el comportamiento de la Interacciones
respuesta en un entorno experimental
acotado
Modelos Cuadrticos
Describir lo ms exactamente posible

el comportamiento de la respuesta Modelos Cbicos
Encontrar un ptimo para la respuesta

Polinomios complejos
CONSTRUCCIN DE UN MODELO
Cmo obtenemos el mejor modelo a partir de los datos experimentales
obtenidos con un diseo de experimentos?
1 Ajustar los distintos tipos de modelos posibles a los datos

Lineal
Lineal con Interaccin
Cuadrtico
2 Para cada uno de los modelos calcular la significancia de la regresin

(idoneidad del modelo), la falta de ajuste y el coeficiente de determinacin
(R2 aj )
CMR
Significancia de la Regresin F0 F0.05,k,nk1
CME
CMLOF
Falta de Ajuste F0 F0.05,m2,nm
CMEPuro
3 Seleccionar el modelo con mayor idoneidad, menos falta de ajuste y
mayor (R2 aj )
ENSAYO F
Hiptesis: Nula: H0:

Alternativa: H1:
Test estadstico: estadstico F
FBCB UNL Comparacin de dos varianzas muestrales
Se calcula el estadstico F
2
s
Fc 1
2
s Siendo s1 > s2
2
F( n1 1),( n2 1),
Si F calculado es menor al F tabulado, las series son
homogneas u homocedsticas
Si F calculado es mayor al F tabulado, las series son
heterogneas o heterocedsticas
Si la probabilidad correspondiente a ese F calculado es
menor a 0.05, las series son heterogneas o
heterocedsticas
FBCB UNL Distribucin F
3.072
Cuando hay muchos trminos en el modelo, se
prefiere R2aj sobre R2 (para no incrementar en
forma artificial con cada trmino que se agrega).
R2aj baja con cada trmino artificial que se agrega.
Se cumple: 0 R2aj R2 1
Se espera que sea al menos igual a 0.7

Calidad del ajuste
Verificacin de los
supuestos del ANOVA
Conclusiones
71
Verificacin de
los supuestos
del ANOVA
72
Evaluacin de los Modelos
Se cumplen los supuestos en los que se

basa la regresin por cuadrados mnimos?
Cules son los supuestos?

Normalidad Homocedasticidad Independencia
Provee una aproximacin adecuada a la

funcin real?
Si el modelo no es adecuado y no est correctamente
ajustado:
- La seleccin de factores no ser confiable.
- La exploracin y optimizacin del sistema no ser adecuada.
74
Anlisis de Residuos
RESIDUO
eij yij yij
Diferencia entre
la respuesta
observada y la
predicha por el
modelo
Normalidad de los Residuos
GRAFICO DE PROBABILIDAD NORMAL
Si los residuos se
acomodan
aproximadamente a lo
largo de una recta, se
considera que el supuesto
de normalidad est
satisfecho.
Homocedasticidad de los Residuos
GRAFICO DE RESIDUOS vs VALOR PREDICHO
Si los residuos se
distribuyen
Residuo
aleatoriamente, se
considera que el
supuesto de
homocedasticidad
est satisfecho.
Valor predicho
Independencia de los Residuos
GRAFICO DE RESIDUOS vs ORDEN DEL EXPERIMENTO
Si los residuos se
distribuyen
Residuo
aleatoriamente, se
considera que el
supuesto de
independencia est
satisfecho.
Escalado de Residuos
RESIDUO ESTANDARIZADO
eij
dij

MCE
til para detectar atpicos

(outlier): residuo estandarizado
mucho ms grande que los
dems
FBCB UNL RESULTADOS ANMALOS, DISCREPANTES , OUTLIERS
O ATPICOS
Un fenmeno real: los outliers
Outliers en series de datos
Outliers en la regresin
Escalado de residuos
RESIDUO ESTUDENTIZADO
Medida de la
localizacin del
eij punto en el
rij espacio
(1 hij ) experimental
0 hij 1
Ms confiable para
detectar atpicos
GRAFICAS DE RESIDUO ESTUDENTIZADOS
Residuo Estudentizado Residuo Estudentizado
Un desvo del comportamiento

normal debe estar sustentado
por ms de un residuo
L
Reiduo Estudentizado
Posibles causas de puntos
atpicos
Errores experimentales
Errores de transcripcin
Ubicacin en una regin del espacio
experimental en la que el modelo que
aparentemente estaba bien ajustado, no esta
haciendo una buena prediccin de la respuesta
Capacidad predictiva del modelo
Aproximacin a la funcin real
Se pueden detectar
datos que no son bien
predichos por el
modelo
Incumplimiento de los supuestos
Cuando los residuos provienen de una muestra pequea, pueden
esperarse pequeos desvos de la normalidad y la
homocedasticidad.
Qu hacemos si no podemos ajustar adecuadamente

un modelo a los datos experimentales?
Qu pasa si los residuos son marcadamente?
No normales
Heterocedsticos
Correlaciondados
Transformar la Respuesta
Transformacin de la respuesta
Estabilizar la varianza de la respuesta
Lograr que la distribucin de la respuesta

sea cercana a la normal
Mejorar el ajuste del modelo a los datos

Se aplica una funcin matemtica a la respuesta para
obtener una respuesta transformada

y y Parmetro de
transformacin
La transformacin elegida se basa en el mtodo de la

mxima probabilidad.
Se realizan anlisis de varianza para los modelos obtenidos

al utilizar diversos valores para lambda y se selecciona el
que produce menor suma de cuadrados del error.
yk 0
Si la respuesta tiene valores negativos debe sumarse una

constante para lograr que todos los datos sean positivos
antes de aplicar la transformacin.
Valores de - 3 a +3
En general se prueban entre 10 y 20 valores de

y se construye una grfica.
Si el intervalo
calculado incluye al
1
no es necesario
transformar los
datos.
Transformaciones ms frecuentes
Primer ajuste de un modelo para estudiar el comportamiento de
una respuesta en funcin de tres factores
El anlisis de grficas de residuos demuestra heterocedasticidad

Mala prediccin.
El modelo no es capaz de predecir bien los datos
No hay un buen ajuste.
El intervalo de
confianza no incluye al
Se sugiere transformacin uno
logartmica (esto lo determina el
programa usado)
Ajuste con los datos transformados y ln y
Se logra ajustar adecuadamente un modelo mas sencillo!

Puntos atpicos e influyentes
RESIDUO ESTUDENTIZADO RESIDUO ESTUDENTIZADO

INTERNAMENTE EXTERNAMENTE
eij eij
rij tij
(1 hij ) (ij ) (1 hij )
Estimada
Estimada como
internamente como
CME al ajustar el
CME obtenido al modelo cuando se
ajustar el modelo con
quita el dato yij
TODOS los datos
Puntos atpicos e influyentes
RESIDUO ESTUDENTIZADO
EXTERNAMENTE OUTLIERT
Medida en trminos de t de cuanto se desva el valor experimental del
valor predicho, despus de eliminar un experimento dado.
error que habra en la estimacin del

punto 8 si elimino este punto del anlisis
Si el residuo estudentizado externamente supera el lmite

dado por las lneas rojas se considera un punto atpico.
Puntos influyentes
Puntos que tienen una influencia desproporcionada en el modelo.
Suele suceder en estos casos que los parmetro del modelo dependen
ms de la influencia de este punto que del conjunto formado por el resto
de los puntos.
LEVERAGE
hii y Hy
Elemento de la
Matriz que determina la varianza
diagonal de la matriz
y covarianza de la respuesta
H predicha y de los residuos
Leverage
promedio
Puntos influyentes
LEVERAGE
Depende de la matriz
experimental y del modelo
que se quiere ajustar.
Es decir que se puede

conocer antes de realizar los
experimentos.
Puntos influyentes
Puntos Influyentes
Este parmetro se
calcula para cada
coeficiente del modelo.
Puntos Influyentes
Valores altos estn asociados con alto leverage y alto

residuo estudentizado.
Grfica Evaluacin Respuesta Respuesta Accin
esperada No esperada
Probabilidad Distribucin normal de res. Lnea recta Curva forma de Transformacin de
Normal S respuesta
Residuos vs. Constancia de varianza Dispersin al Varianza Transformacin de
Predicho azar expandida respuesta
Residuos vs. Outliers Dispersin al Tendencia Ramdomizacin y
Orden azar blockeo
Residuos vs. Constancia de varianza Dispersin al Curvatura Nuevo modelo de
Factor dependiendo nivel del azar pronunciada regresin
factor
Residuo Outliers 3.5 estndar Rechazar
Estudentizado desviacin
Externamente
Leverage Influencia del punto 1 Agregar puntos
experimental en el error de
prediccin
DFFITS Influencia del punto < 2/P/N Agregar puntos
experimental en prediccin P: parmetros
N: nm. Exp.
DFBETAS Influencia de punto < 2/N Agregar puntos
experimental en coeficiente
Distancia de Outliers < 2 promedio Rechazar
Cook Cook
Modelo
AJUSTE Definitivo
FINAL DEL MODELO
Modelo Reducido y Jerrquico
Significancia de la Regresin
Ajustar el Modelo
Falta de Ajuste
Eliminar puntos con residuos atpicos

Verificacin de los
Supuestos del ANOVA Aplicar transformaciones
Puntos Influyentes Eliminar puntos influyentes
Modelo Definitivo
Importante!
El anlisis de los residuos (para
ver supuestos del modelo) se
realiza en forma iterativa con el
anlisis de los efectos (tanto
para esta etapa como para la
siguiente (optimizacin)
107
Como se evalan los efectos?
Efectos que claramente afectan la respuesta
EFECTOS Efectos que claramente no afectan la respuesta
Efectos intermedios (dudosos)
Cmo decidir cules efectos mandar al error?
Se decide cules de los efectos principales, interacciones dobles y

triples se pueden enviar al error. La SCerror contendr los efectos
excluidos.
ANOVA
Opciones grficas
109
Opciones grficas
Opciones grficas
Pareto permite tener una idea
visual rpida sobre que factor es
ms influyente.
No aporta informacin sobre su

significancia, es decir que hay
que hacer un test estadstico.
Opciones grficas
Opciones grficas
Opciones grficas
GRFICA
DE
DANIEL
Los efectos de los factores que se alejan de la lnea

recta, no forman parte de una distribucin normal,
por lo tanto son significativos.
Importante: es una interpretacin contraria a la que
se hace para residuos.
Opciones grficas
GRFICO DE EFECTOS EN PAPEL PROBABILSTICO NORMAL
GRFICA DE
DANIEL
Opciones grficas
Opciones grficas
Grfico Semi-normal
Papel
probablstico 99
medio normal
% Probabilidad semi-normal
97
95
A
90
85
80
B
70
60 Efectos significativos
D
40
20
0 C
0.00 10.24 20.48 30.71 40.95
|Efecto|
Solo utiliza la parte positiva de la
distribucin normal estndar
Opciones grficas
Naranja: positivos
Azules: negativos
Opciones grficas
ANOVA
ANOVA
ANOVA
ANOVA
ANOVA
ANOVA
RESUMEN DEL ANLISIS Coeficientes de
determinacin
Problema
En una fbrica de semiconductores se quiere mejorar

el rendimiento usando DOE. Los factores que podran
tener mayor influencia sobre la variable respuesta
(rendimiento) son cinco y se decide correr un DOE 25
con una sola rplica (32 tratamientos)
A = Nivel de la abertura (pequea grande)

B = Tiempo de exposicin (20% abajo 20% arriba)
C = Tiempo de revelado (30 seg 45 seg)
D = Dimensin de la mscara (pequea grande)
E = Tiempo de grabado (14.5 min 15.5 min)
Es posible incluir los 31 efectos en el anlisis?
NO, el ANOVA quedara incompleto ya que no

habra grados de libertad para el error.
Se hace un ANOVA preliminar, donde se mandan

al error las interacciones de tres factores en
adelante:
(Yates).
128
129
130
Eliminando aquellos factores e interacciones
con p>0.05:
132
133
Deteccin de un punto influyente
Verificacin de los supuestos del ANOVA 134

El supuesto de
normalidad se
cumple
El supuesto de
independencia
se cumple
La situacin con los efectos es

tan contundente que an una
violacin clara de los supuestos
difcilmente cambiaria las
conclusiones
136
ETAPA-SCREENING Resumen
OPCIONES GRFICAS ANOVA PRELIMINAR
ANOVA
Es el mejor ANOVA-modelo final donde slo se incluyen trminos
significativos, o hay que seguir excluyendo efectos?
Los grados de libertad del error deben ser al menos 8 para tener un
ANOVA confiable.
Indicadores del ajuste (R cuadrado ajustado).
Verificacin de los supuestos del modelo que corresponde al

mejor ANOVA
Conclusiones
Para que es necesario conocer el modelo de regresin?
Indicadores del ajuste
o Coeficiente de determinacin R2
o Coeficiente de determinacin ajustado
Proporcin o porcentaje de la variabilidad de los datos experimentales
que es explicada por el modelo
o Prueba de falta de ajuste (verifica la calidad de ajuste del modelo y

ayuda a evaluar si el orden del modelo es el correcto)
Se descompone el error en el error puro (error experimental puro) y en el
error por falta de ajuste (lack of fit)
La falta de ajuste (lack of fit) debe ser no significativa

Si la falta de ajuste (lack of fit) es significativa, esto es un fuerte indicio
de existencia de curvatura.
Rplicas
Puntos al centro
Puntos al centro
Tratamiento formado por la combinacin del nivel intermedio o medio

de todos los factores del diseo
Puntos al centro
o Grados de libertad adicionales para el error en la
tabla de ANOVA
o Las repeticiones al centro permiten detectar la
posible presencia de curvatura
Como evaluar la curvatura?
142
143

Optimización de Extracción Cromo

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Optimización de Extracción Cromo

Uploaded by

Copyright:

Available Formats

DISEO EXPERIMENTAL Y

M.S Cmara M.M. De Zan L. Vera Candioti H. Goicoechea

Optimizacin Respuestas ptimas

Delimitar el problema, definir la

Seleccionar la (s) variables respuesta

Seleccionar el rango experimental a

Realizar el experimento y seleccionar los

Diseos de screening para

Aspectos que influyen en la seleccin de

Los coeficientes estimados en el modelo

Las columnas de la matriz del diseo deben

Minimizar la Varianza de los

ypred = X (XTX)-1XT y ypred = H y (H es conocida

La varianza de la respuesta predicha en un punto

Proporcionar un Error de Prediccin estable

No depende del error experimental de la

Cociente entre coeficientes estimados y

Se necesitan como mnimo la misma

Para evaluar la falta de ajuste se hacen

Diseos factoriales fraccionados

Indica el nivel de confusiones que se

Cuando dos o ms factores, con nombres

Factorial completo o total a dos

Factorial fraccionado a dos

Placket-Burman (muchos factores)

Diseos factoriales completos a dos

La cantidad de puntos experimentales esta dada por 2k

Permiten estimar los efectos de todos los factores

Son diseos ortogonales y rotables.

El nmero de experimentos crece rpidamente

Qu efectos se pueden estimar con 128 experimentos?

Hay que encontrar una estrategia que permita reducir de manera

Diseos factoriales fraccionados

Mientras ms grande es el valor de k, mayor es el

Se sacrifica informacin poco importante de

Los efectos que se pierden se espera que sean

Los efectos que s se pueden

Efectos alias son efectos que se confunden

Para interpretar los efectos alias es

Se utiliza el principio de jerarqua.

No es una buena estrategia utilizar

Cuando un diseo se fracciona mucho no hay

Se utilizan en la etapa de screening

Cmo seleccionar el diseo factorial

Observar las estructuras de alias para

Se busca la mxima resolucin posible con un n razonable

Resolucin III: no recomendados. En algunos casos es

Resolucin IV: para 5 k 15 existen diseos que no

Resolucin V: cuando se pueden hacer ms ensayos.

Es un tipo especial de diseo factorial fraccionario

Es til cuando existen mltiples factores.

El diseo mnimo permite estudiar hasta 11 factores

Las interacciones dobles tienen un complejo alias con

Permite estudiar efectos principales, suponiendo que no

Si hay interacciones, el diseo puede fallar, es decir,

En general, cuando hay interacciones importantes, el

Respuesta = media general + efectos principales de

- Seleccionar aquellos efectos de factores o

- Aquellos que sean no significativos que

En una fbrica de dispositivos electrnicos hay

Para determinar si estos factores son significativos

2- Hacer un ANOVA que slo incluya