Práctica sobre Diseño de Experimentos

Se trata en el menú DDE del Statgraphics Centurion, siguiendo la ruta de la figura.

Las opciones para crear un diseño son:

Para crear un diseño para el ejemplo del estudio químico con Tres factores: Temperatura (T)
Concentración (C) Catalizador (K), hay que cambiar los datos que aparecen por defecto:

Unidad Docente de Matemáticas. MC. Alonso. Pág. 1/34

Se introducen los datos siguientes:

Grados

Unidad Docente de Matemáticas. MC. Alonso. Pág. 2/34

Al aceptar, se muestran los siguientes diseños para que se elija el más conveniente:

El primer diseño es el FACTORIAL COMPLETO, y el segundo es el fraccionario de

resolución III. En ejecuciones (corridas) muestra el tamaño muestral.

Tras Aceptar, se pide la manera en la que se desea el diseño, si aleatorizado o no, con réplicas
o puntos centrales:

Si se acepta tal cual, se obtiene la hoja de datos el diseño a seguir para realizar los ensayos,
y una vez obtenidos los resultados, introducirlos en la variable de respuesta en este caso
Rendimiento para ser analizado:

Unidad Docente de Matemáticas. MC. Alonso. Pág. 3/34

Se puede abrir el diseño que tiene como ejemplo Statgraphics [Link], siguiendo los pasos
DDE+ Importar experimento:

El resultado, abriendo el Libro de Datos del navegador es:

Para analizarlo: DDE + Procedimientos DOE Heredados + Analizar diseño + Analizar

diseño... y se introduce la variable de respuesta a analizar:

Tras Aceptar, se pide si se desea modificar el orden de interacción.

Unidad Docente de Matemáticas. MC. Alonso. Pág. 4/34

Y al aceptar, podemos activar todas las opciones tabulares. De este modo ya se puede ir panel por panel
interpretando cada apartado:

En la ventana Atributos de Diseño se informa de como es el tipo de diseño creado.

Para generar un diseño factorial completo con factores de más de dos niveles, por
ejemplo, uno que tuviera 5 factores: uno de 4 niveles, uno de 3 niveles y tres de 2 niveles, se
crea en el módulo: DDE + Procedimientos DOE Heredados + Crear Diseño + Diseño Nuevo,
eligiendo la opción Factorial MultiNivel, con 5 factores experimentales, tal como aparece en la
ventana:

F1 ∼ 4
F2 ∼ 3
F 3, F 4, F 5, ∼ 2

4·3·23 ∼ 96

Unidad Docente de Matemáticas. MC. Alonso. Pág. 5/34

Luego se introducen las características de cada factor tal y como se indica en las siguientes
ventanas:

Tras aceptar aparece el panel para introducir el nombre a la variable de respuesta:

Unidad Docente de Matemáticas. MC. Alonso. Pág. 6/34

Aceptando y tomando las opciones por defecto del panel siguiente se obtiene el diseño.

La información del diseño creado se puede visualizar en la ventana Atributos del diseño, a
través del navegador de la izquierda de la pantalla:
Atributos de Diseño Factorial Multinivel
Clase de diseño: Factorial Multinivel
Nombre del archivo: <Sin Título>

Diseño Base
Número de factores experimentales: 5
Número de bloques: 1
Número de respuestas: 1
Número de corridas: 96
Grados de libertad para el error: 78
Aleatorizar: Sí

Factores Bajo Alto Niveles Unidade

s
Factor_ -3,0 3,0 4
A
Factor_ -1,0 1,0 3
B
Factor_ -1,0 1,0 2
C
Factor_ -1,0 1,0 2
D
Factor_E -1,0 1,0 2

Respuesta Unidade
s s
Var_1

Unidad Docente de Matemáticas. MC. Alonso. Pág. 7/34

Con el botón se puede acceder a las Opciones Tabulares en la HOJA DE DATOS,
información que se puede imprimir para facilitar la información a quien vaya a realizar los
experimentos. A la vez, en la ventana de datos se obtiene el diseño con los 96 ensayos, parte
del cual se visualiza a continuación:

Obteniendo los 96 tratamientos, y dispuestos de forma ordenadam se obtiene:

1 -3 -1 -1 -1 -1 25 -3 -1 -1 1 -1 49 -3 -1 -1 -1 1 73 -3 -1 -1 1 1
2 -1 -1 -1 -1 -1 26 -1 -1 -1 1 -1 50 -1 -1 -1 -1 1 74 -1 -1 -1 1 1
3 1 -1 -1 -1 -1 27 1 -1 -1 1 -1 51 1 -1 -1 -1 1 75 1 -1 -1 1 1
4 3 -1 -1 -1 -1 28 3 -1 -1 1 -1 52 3 -1 -1 -1 1 76 3 -1 -1 1 1
5 -3 0 -1 -1 -1 29 -3 0 -1 1 -1 53 -3 0 -1 -1 1 77 -3 0 -1 1 1
6 -1 0 -1 -1 -1 30 -1 0 -1 1 -1 54 -1 0 -1 -1 1 78 -1 0 -1 1 1
7 1 0 -1 -1 -1 31 1 0 -1 1 -1 55 1 0 -1 -1 1 79 1 0 -1 1 1
8 3 0 -1 -1 -1 32 3 0 -1 1 -1 56 3 0 -1 -1 1 80 3 0 -1 1 1
9 -3 1 -1 -1 -1 33 -3 1 -1 1 -1 57 -3 1 -1 -1 1 81 -3 1 -1 1 1
10 -1 1 -1 -1 -1 34 -1 1 -1 1 -1 58 -1 1 -1 -1 1 82 -1 1 -1 1 1
11 1 1 -1 -1 -1 35 1 1 -1 1 -1 59 1 1 -1 -1 1 83 1 1 -1 1 1
12 3 1 -1 -1 -1 36 3 1 -1 1 -1 60 3 1 -1 -1 1 84 3 1 -1 1 1
13 -3 -1 1 -1 -1 37 -3 -1 1 1 -1 61 -3 -1 1 -1 1 85 -3 -1 1 1 1
14 -1 -1 1 -1 -1 38 -1 -1 1 1 -1 62 -1 -1 1 -1 1 86 -1 -1 1 1 1
15 1 -1 1 -1 -1 39 1 -1 1 1 -1 63 1 -1 1 -1 1 87 1 -1 1 1 1
16 3 -1 1 -1 -1 40 3 -1 1 1 -1 64 3 -1 1 -1 1 88 3 -1 1 1 1
17 -3 0 1 -1 -1 41 -3 0 1 1 -1 65 -3 0 1 -1 1 89 -3 0 1 1 1
18 -1 0 1 -1 -1 42 -1 0 1 1 -1 66 -1 0 1 -1 1 90 -1 0 1 1 1
19 1 0 1 -1 -1 43 1 0 1 1 -1 67 1 0 1 -1 1 91 1 0 1 1 1
20 3 0 1 -1 -1 44 3 0 1 1 -1 68 3 0 1 -1 1 92 3 0 1 1 1
21 -3 1 1 -1 -1 45 -3 1 1 1 -1 69 -3 1 1 -1 1 93 -3 1 1 1 1
22 -1 1 1 -1 -1 46 -1 1 1 1 -1 70 -1 1 1 -1 1 94 -1 1 1 1 1
23 1 1 1 -1 -1 47 1 1 1 1 -1 71 1 1 1 -1 1 95 1 1 1 1 1
24 3 1 1 -1 -1 48 3 1 1 1 -1 72 3 1 1 -1 1 96 3 1 1 1 1

Unidad Docente de Matemáticas. MC. Alonso. Pág. 8/34

Otros ejemplos de diseños que tiene implementados Statgraphics son: [Link],
[Link] y
[Link].

El primero de ellos: [Link],

es un diseño de CRIBADO PLACKETT-BURMAN con 7 factores, una respuesta y 8

ensayos, para minimizar la variable tiempo de recorrido en bicicleta, con diversos factores.

El análisis de este diseño se realiza de forma análoga al anterior: En el menú DDE +

Procedimientos DOE Heredados + Analizar diseño + Analizar diseño... se introduce la
variable de respuesta a analizar:

Y al aceptar, introduciendo como orden de interacción el valor 1, ya que es un diseño de

resolución III, y activando todas las opciones tabulares del botón y las opciones gráficas
deseadas con el botón de gráficos, se puede ir panel por panel interpretando cada apartado.
Una cosa importante es que la opción por defecto dentro de la opción tabular OPTIMIZACIÓN
es necesario cambiarlo con el botón derecho del ratón, pues la opción por defecto es
MAXIMIZAR; por tanto, en las Opciones de Ventana hay que cambiar a MINIMIZAR.

Unidad Docente de Matemáticas. MC. Alonso. Pág. 9/34

Los tipos de diseño de cribado (screening) en Statgraphics se generan en el mismo módulo
del ejemplo primero del estudio químico.
Los tipos de diseño CUADRADOS LATINOS en Statgraphics se generan DDE +
Procedimientos DOE Heredados + Crear Diseño + Diseño Nuevo, y activando la clase de
diseño Un Solo Factor Categórico.

Tras aceptar, se ha de fijar el número de niveles 3 y aceptando dos veces con los cambios de
nombre deseados para el factor (tratamiento) y variable de respuesta, tras las siguientes
pantallas se obtiene el panel para elegir el cuadrado latino:

Unidad Docente de Matemáticas. MC. Alonso. Pág. 10/34

Tras aceptar (cambiando a cero si no se quiere un diseño replicado, y sin aleatorizar) se
obtienen el panel para cambiar los nombres de ambos factores que hacen de bloques, y
aceptando se obtiene el diseño cuadrado latino de tres niveles, como se puede ver en el panel
de datos siguiente:

Se puede introducir la variable de respuesta para analizar el diseño.

Por ejemplo, si tras aplicar los tratamientos se obtiene la variable de respuesta que se
visualiza a continuación se introduce en la columna Var_1:

Unidad Docente de Matemáticas. MC. Alonso. Pág. 11/34

Siguiendo la secuencia del menú DDE + Procedimientos DOE Heredados + Analizar diseño +
Analizar diseño... se obtiene la siguiente tabla ANOVA:

Análisis de Varianza para Var_1 - Suma de Cuadrados Tipo III

Fuente Suma de Gl Cuadrado Razón-F Valor-P

Cuadrados Medio
EFECTOS
PRINCIPALES
A:Factor_A 241,556 2 120,778 155,29 0,0064
B:Factor_B 2,88889 2 1,44444 1,86 0,3500
C:Factor_C 9,55556 2 4,77778 6,14 0,1400
RESIDUOS 1,55556 2 0,777778
TOTAL (CORREGIDO) 255,556 8

Donde se puede observar que el factor A es muy significativo.

Análogamente se obtienen diseños cuadrados latinos de mayor número de niveles.

En el mismo módulo se pueden conseguir los diseños cuadrados greco-latinos e hiper-greco-

latinos.

Unidad Docente de Matemáticas. MC. Alonso. Pág. 12/34

 Universidad de Alcalá

Metodología de Superficie de Respuesta

 Los métodos de superficie de respuesta (RSM)

se usan para estudiar los cambios en la
respuesta a un proceso cuando sólo cambian
unos pocos factores.

 Los factores deben ser cuantitativos. Los

modelos usados son polinomios o modelos de
“caja negra” (black-box models). No son
modelos físico-químicos ni pretenden serlo.

Departamento de Matemáticas Página 7

Universidad de Alcalá

¿ Cómo podemos “optimizar” ?

¿ Qué es la Metodología de Superficie de Respuesta ?

Objetivo:
Explicar la relación entre una respuesta y un conjunto de factores
controlados, a fin de encontrar la combinación óptima de los
factores controlados.
¿Cómo?
Construyendo un modelo que describa la respuesta sobre la
región experimental de los factores de interés.

¿ Qué es la Metodología de Superficie de Respuesta ?

El modelo se puede visualizar gráficamente como:
- una curva en una dimensión (un sólo factor de interés)
- una superficie en dos dimensiones (2 factores de interés)
- una “hyper”-superficie en varias dimensiones (más de dos factores
de interés)
El modelo (o superficie de respuesta) se usa para determinar las
combinaciones de los factores de interés que optimizan
(minimizan o maximizan) la respuesta.
Departamento de Matemáticas Página 8

Unidad Docente de Matemáticas. MC. Alonso. Pág. 13/34

 Universidad de Alcalá

Tipos de modelos (= superficies) que se usan

Modelos predictivos:
∗ En muchos casos, existe una relación determinista entre la respuesta y el
conjunto de factores.

∗ Generalmente la relación es desconocida por lo que se necesita un enfoque

empírico.

∗ Para explicar la relación se suelen usar modelos polinómicos de primer y

segundo orden (p.e. ecuaciones lineales y cuadráticas con interacciones).

∗ Se puede mostrar que para una región determinada, un polinomio es una buena
approximación.

Polinomio de primer orden, modelo lineal

f (X1, X2) = a0 + a1X1 + a2X2 + a12X1X2 nen
rma tie es?
é fo i
rfic
Polinomio de segundo orden, modelo cuadrático ¿Qu s supe
f (X1, X2) = a0 + a1X1 + a2X2 + a3X12 + a4X22 + a5X1X2 esta

Departamento de Matemáticas Página 9

Universidad de Alcalá

Algunas superficies y curvas de nivel sobre dos factores

1.0

Modelo lineal 0.5

0.0
x2

-0.5 2.5
2.000 3
2.200 3.5
2.400 4
4.5
2.600 5
-1.0
2.800 -1.0 -0.5 0.0 0.5 1.0 5.5
3.000
x1
3.200
3.400
3.600
3.800
above

1.0

Modelo cuadrático 0.5

punto de silla
0.0
x2

0.000
0.500
1.000 -0.5
1.500
2.5
2.000 3.5
2.500 4.5
3.000 -1.0 5.5
3.500 -1.0 -0.5 0.0 0.5 1.0 6.5
4.000 x1
4.500
above

Departamento de Matemáticas Página 10

Unidad Docente de Matemáticas. MC. Alonso. Pág. 14/34

 Universidad de Alcalá

1.0

Modelo cuadrático 0.5

máximo
0.0

x2
-4.000
-0.5
-3.000
-2.000
0
-1.000 1
0.000 2
1.000 3
-1.0
2.000 -1.0 -0.5 0.0 0.5 1.0 4
3.000
4.000 x1
above

El óptimo es relevante sólo si la superficie lo es.

Para obtener modelos relevantes (-> Interpolación -> Superficie),
Necesitamos diseños apropiados.

Los experimentos deben

deben distribuirse de
en
manera uniforme y simétricamente
s u n bu
e ?
sobre
sobre toda
toda la región experimental. mo e SR
¿Có eño d
dis

Departamento de Matemáticas Página 11

Universidad de Alcalá

Para ajustar superficies de respuesta existen

muchos diseños
• Diseños factoriales completos o factoriales fraccionarios de dos niveles
Permiten el ajuste de modelos de primer orden con o sin términos de interacción.
Regresión y Anova llevan a resultados similares !

• Diseños factoriales completos o factoriales fraccionarios de dos niveles con puntos

centrales
Es la forma más simple de ajustar modelos de segundo orden.
Para mejorar la calidad del modelo, el diseño se debería aumentar con algunos ensayos más.
Esta es la idea de los Diseños Centrados y Compuestos (Central Composite).

• Diseños factoriales completos o factoriales fraccionarios de tres niveles

Permiten ajustar modelos de segundo orden.
En la medida en que el número de factores crece, los diseños factoriales completos se hacen
ineficientes, por lo que se usan los fraccionarios que requieren un mínimo número de ensayos
para estimar los efectos de segundo orden.

Los diseños Box-Behnken son fracciones eficientes de los diseños fraccionarios

de tres niveles.

• Diseños Optimales (construidos con algoritmos sofisticados)

Estos tipos de diseños tratan de cubrir de la forma más homogénea posible la región
experimental (usando criterios geométricos y algebraicos de optimalidad).

Departamento de Matemáticas Página 12

Unidad Docente de Matemáticas. MC. Alonso. Pág. 15/34

 Universidad de Alcalá

Un ejemplo simple

Vamos a ilustrar los aspectos básicos con un ejemplo

sencillo donde todo funciona bien. Evidentemente, en
la realidad, no todo va siempre bien ...

Objetivo: Optimizar el rendimiento en un proceso químico. El

rendimiento se mide en gramos.

Factores: Tiempo (duración de la reacción, en minutos)

Temperatura (en °C)

Mejores valores disponibles: Tiempo = 75 minutos

Temperatura = 130°C

Departamento de Matemáticas Página 13

Universidad de Alcalá

Se comienza con un pequeño factorial

Tiempo Temp. Código Tiempo Código Temp. Rendimiento

1 70 127.5 -1 -1 54.3
2 80 127.5 1 -1 60.3
3 70 132.5 -1 1 64.6
4 80 132.5 1 1 68.0
5 75 130.0 0 0 60.3
6 75 130.0 0 0 64.3
7 75 130.0 0 0 62.3

Los valores codificados se calculan:

Tpo − 75 min Temp − 130°C
Tpocodificado = Tempcodificada =
5 min 2.5°C

Estos valores permiten al modelo dar la misma

importancia a cada factor, dentro de los límites definidos.

Departamento de Matemáticas Página 14

Unidad Docente de Matemáticas. MC. Alonso. Pág. 16/34

 Universidad de Alcalá

Visualización del diseño

140

135

64.6 68
A pesar de la variabilidad
en el centro, se ve una
Temperature [°C]

130
60.3
64.3
tendencia a mayores
54.3
62.3
60.3
rendimientos
aumentando el tiempo y
125
la temperatura

120

60 65 70 75 80 85 90

Time [min]

Departamento de Matemáticas Página 1

Universidad de Alcalá

Un modelo de regresión lineal

140
Se obtienen líneas de nivel
con un modelo simple:
135 75
64.6 68 Yield = a 0 + a 1T p o + a 2 T em p
Temperature [°C]

70
60.3
130 64.3

Los coeficientes a0, a1 y a2 se

62.3 65
54.3 60.3

estiman con el modelo de

60
125 50 55 regresión .

¡Aun siendo un modelo

120 basto, muestra la dirección
60 65 70 75 80 85 90 a seguir !
Time [min]

Departamento de Matemáticas Página 16

Unidad Docente de Matemáticas. MC. Alonso. Pág. 17/34

 Universidad de Alcalá

Ascenso de máxima pendiente

“Path of steepest ascent”

160
La flecha indica la
dirección a seguir en los
150
próximos ensayos. Se
calcula a partir del
Temperature [°C]

modelo. Se la denomina
140
como el ascenso de
máxima pendiente “path
of steepest ascent” (da la
70
dirección de ascensión
130
60 65
más rápida).
60
55

60 70 80 90 100 110

Time [min]

Departamento de Matemáticas Página 17

Universidad de Alcalá

Nuevos ensayos en la
dirección encontrada

160

Nuevos ensayos sobre

58.2

150 esta línea muestran que

demasiado tiempo y
Temperature [°C]

temperatura perjudican
86.8

140 el rendimiento.
73.3

70
130 65
60
60
55

60 70 80 90 100 110

Time [min]

Departamento de Matemáticas Página 18

Unidad Docente de Matemáticas. MC. Alonso. Pág. 18/34

 Universidad de Alcalá

Nuevo diseño mejor centrado

Tiempo Temperatura Código Tiempo Código Temp. Rendimiento
1 80 140 -1 -1 78.8
2 100 140 1 -1 84.5
3 80 150 -1 1 91.2
4 100 150 1 1 77.4
5 90 145 0 0 89.7
6 90 145 0 0 86.8
7 76 145 -1.41 0 83.3
8 104 145 1.41 0 81.2
9 90 138 0 -1.41 81.2
10 90 152 0 1.41 79.5
11 90 145 0 0 87.0
12 90 145 0 0 86.0

Departamento de Matemáticas Página 19

Universidad de Alcalá

Visualización del nuevo diseño

155
Este diseño tiene 3
79.5
tipos de ensayos:
91.2 77.4
150 • en el centro
• un factorial
Temperature [°C]

• sobre los ejes

83.3 89.7 87 81.2
145
86.8 86

140
78.8 84.5
Por eso se llama
“central-composite”
81.2

centrado y compuesto.
135

70 80 90 100 110

Time [min]

Departamento de Matemáticas Página 20

Unidad Docente de Matemáticas. MC. Alonso. Pág. 19/34

 Universidad de Alcalá

Un modelo polinomial

155 87.5 85 • El gráfico muestra las

79.5 líneas de nivel del modelo:
Yield = a0 + a1Tpo + a2Temp +
91.2 77.4
150

a3Tpo 2 + a4Temp 2 + a5Tpo ⋅ Temp

Temperature [°C]

83.3 89.7 87 81.2 75

• Los coeficientes se
145
86.8 86 77.5

80 estiman con la regresión

77.5
78.8 84.5 clásica.
140 77.5 82.5
81.2
• El óptimo se encuentra
80
sobre la loma que va
135 75 77.5 80 82.5
hacia bajos valores del
70 80 90 100 110 tiempo y altas
Time [min] temperaturas.

Departamento de Matemáticas Página 21

Universidad de Alcalá

Otra representación

86

82

78
En tres dimensiones:
74
más bonito, pero
70 menos información !
Predicted Yield [%] 66

62

58

54

50

Temperature [°C]
Time [min]
46

Departamento de Matemáticas Página 22

Unidad Docente de Matemáticas. MC. Alonso. Pág. 20/34

 Universidad de Alcalá

Un modelo polinomial

• La ecuación del modelo ajustado a los datos es

Yield = a0 + a1Tpo + a2Temp + a3Tpo 2 + a4Temp 2 + a5Tpo ⋅ Temp

Yield = -3977,85 + 17,8625 Tpo + 44,9975 Temp +

+ 0,0214689 Tpo 2 - 0,124651 Temp 2 - 0,0975Tpo ⋅ Temp

Respuesta Optimizada
--------------------
Meta: maximizar yield
Valor Óptimo = 89,2522
Factor Inferior Mayor Óptimo
------------------------------------------
time 76,0 104,0 76,0
temp 138,0 152,0 150,771

Departamento de Matemáticas Página 23

Universidad de Alcalá

Análisis y gráficos
Gráfico de Pareto estandarizado para yield

Efectos estimados para yield AB +

-------------------------------- -
BB
A:time = -2,78788 +/- 1,44243
B:temp = 0,737374 +/- 1,44243 AA
AA = -4,29377 +/- 1,62729
A:time
AB = -9,75 +/- 2,02967
BB = -6,23255 +/- 1,62729 B:temp
--------------------------------
0 1 2 3 4 5
Efectos estandarizados

Gráfico de Efectos principales para yield Gráfico de la interacción para yield

88 91
temp=150,0
87 88

86 85 temp=140,0
yield
yield

85 82

84 79
temp=140,0
83 76 temp=150,0
80,0 100,0 140,0 150,0 80,0 100,0
time temp time

Departamento de Matemáticas Página 24

Unidad Docente de Matemáticas. MC. Alonso. Pág. 21/34

 Universidad de Alcalá

Análisis y gráficos
Análisis de la Varianza para yield
----------------------------------------------------------------------------
Fuente Suma de Cuadrados Gl Cuadrado medio F-Ratio P-Valor
----------------------------------------------------------------------------
A:time 15,3891 1 15,3891 3,74 0,1015
B:temp 1,07657 1 1,07657 0,26 0,6275
AA 28,6813 1 28,6813 6,96 0,0386
AB 95,0625 1 95,0625 23,08 0,0030
BB 60,4299 1 60,4299 14,67 0,0087
Error Total 24,7175 6 4,11958
----------------------------------------------------------------------------
Total (corr.) 212,277 11

Ruta ascendente para yield

Pronosticado Pronosticado
time temp yield time temp yield
(minutes) (degrees) (grams) (minutes) (degrees) (grams)
---------- ---------- --------- ---------- ---------- --------
90,0 145,0 87,357 90,0 145,0 87,357
91,0 144,943 87,1971 86,6122 146,0 87,8623
92,0 145,022 86,9896 84,1465 147,0 88,2277
93,0 145,212 86,6937 81,7082 148,0 88,5615
94,0 145,483 86,274 79,2713 149,0 88,8661
95,0 145,815 85,7036 76,8345 150,0 89,1416

Departamento de Matemáticas Página 25

Diseños centrados compuestos

Son ensayos con un

diseño factorial (los
vértices del cubo),
ensayos en el centro y
“puntos estrella” en los
ejes y sobre la esfera que
envuelve al cubo.

Otros diseños: Box-Behnken

3 parámetros
En los diseños Box-
Behnken se utiliza otra
geometría:
+1

el centro de las aristas

del cubo
F3

+1
F2
-1

-1 +1 -1
F1

Unidad Docente de Matemáticas. MC. Alonso. Pág. 22/34

Otro ejemplo de diseño que tiene implementado Statgraphics es de SUPERFICIE DE
RESPUESTA: [Link].
Consistente en:

Dos factores:
Tiempo y Temperatura

Respuesta:
Rendimiento

time temp yield

80 140 78,8
100 140 84,5
80 150 91,2
100 150 77,4
76 145 83,3
104 145 81,2
90 138 81,2
90 152 79,5
90 145 89,7
90 145 86,8
90 145 87
90 145 86

Como puede observarse la región experimental es cubierta por dos cuadrados con el mismo centro, en
el que se han tomado cuatro puntos centrales. Sus atributos aparecen reseñados:

Atributos de la Superficie de Respuesta

Clase de diseño: Superficie de Respuesta
Nombre del Diseño: Diseño de compuesto central: 2^2+estrell
Características del diseño: Rotable
Nombre del archivo: C:\Users\Diseño_experimentos\[Link]
Comentario: Chemical Experiment

Diseño Base
Número de factores experimentales: 2
Número de bloques: 1
Número de respuestas: 1
Número de corridas: 14, incluyendo 4 puntos centrales por bloque
Grados de libertad para el error: 8
Aleatorizar: No

Factores Bajo Alto Unidades Continuo

time 80,0 100,0 minutes Sí
temp 140,0 150,0 degrees Sí

Respuestas Unidades
yield grams

Unidad Docente de Matemáticas. MC. Alonso. Pág. 23/34

Este tipo de diseño se analiza de forma similar a los anteriores, en el menú DDE +
Procedimientos DOE Heredados + Analizar diseño + Analizar diseño... se introduce la
variable de respuesta a analizar:

Al aceptar, se despliega la ventana:

Y al aceptar, se pueden activar todas las opciones tabulares del botón y todas
opciones gráficas con el botón de gráficos. De este modo ya se puede ir panel por
panel interpretando cada apartado.

La novedad de este tipo de diseño es que los efectos que aparecen ya no son sólo los
lineales, nótese como aparecen también los cuadráticos:

Efectos estimados para yield (grams)

Efecto Estimado Error Estd. V.I.F.

promedio 87,357 1,01473
A:time -2,78788 1,44243 1,0
B:temp 0,737374 1,44243 1,0
AA -4,29377 1,62729 1,03749
AB -9,75 2,02967 1,0
BB -6,23255 1,62729 1,03749

Errores estándar basados en el error total con 6 g.l.

Unidad Docente de Matemáticas. MC. Alonso. Pág. 24/34

 Gráfico de Pareto estandarizado para yield

AB +
-
BB

AA

A:time

B:temp

0 1 2 3 4 5
Efectos estandarizados

Análisis de Varianza para yield - Chemical Experiment

Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P
A:time 15,3891 1 15,3891 3,74 0,1015
B:temp 1,07657 1 1,07657 0,26 0,6275
AA 28,6813 1 28,6813 6,96 0,0386
AB 95,0625 1 95,0625 23,08 0,0030
BB 60,4299 1 60,4299 14,67 0,0087
Error total 24,7175 6 4,11958
Total (corr.) 212,277 11
R-cuadrada = 88,356 porciento
R-cuadrada (ajustada por g.l.) = 78,6527 porciento
Error estándar del est. = 2,02967
Error absoluto medio = 1,17387
Gráfico de Efectos principales para yield Gráfico de la interacción para yield
88 91
temp=150,0
87 88

86 85 temp=140,0
yield

yield

85 82

84 79
temp=140,0
83 76 temp=150,0
80,0 100,0 140,0 150,0 80,0 100,0
time temp time
Coef. de regresión para yield - Chemical Experiment
Coeficiente Estimado
constante -3977,85
A:time 17,8625
B:temp 44,9975
AA -0,0214689
AB -0,0975
BB -0,124651
yield = -3977,85 + 17,8625*time + 44,9975*temp - 0,0214689*time^2 - 0,0975*time*temp - 0,124651*temp^2

Unidad Docente de Matemáticas. MC. Alonso. Pág. 25/34

 Matriz de Correlación para los Efectos Estimados
(1) (2) (3) (4) (5) (6)
(1) promedio 1,0000 0,0000 0,0000 -0,6298 0,0000 -0,6298
(2) A:time 0,0000 1,0000 0,0000 0,0000 0,0000 0,0000
(3) B:temp 0,0000 0,0000 1,0000 0,0000 0,0000 0,0000
(4) AA -0,6298 0,0000 0,0000 1,0000 0,0000 0,1901
(5) AB 0,0000 0,0000 0,0000 0,0000 1,0000 0,0000
(6) BB -0,6298 0,0000 0,0000 0,1901 0,0000 1,0000

La matriz de correlación muestra el grado de confusión entre los efectos. Un diseño perfectamente ortogonal
mostrará una matriz diagonal con 1´s en la diagonal y 0´s fuera de ella. Cualquier término distinto de cero implica
que los estimados de los efectos correspondientes a esa fila y columna estarán correlacionados. En este caso, hay
1 par de efectos con correlación distinta de cero. No obstante, como ninguna es mayor o igual que 0,5,
probablemente será capaz de interpretar los resultados sin mucha dificultad.

Gráfico de Probabilidad normal para yield

99,9
99
porcentaje

95
80
50
20
5
1
0,1
-4,9 -3,9 -2,9 -1,9 -0,9 0,1 1,1
Efectos estandarizados
Resultados Estimados para yield

Observados Ajustados Inferior 95,0% Superior 95,0%

Fila Valores Valores para Media para Media
1 78,8 78,2441 74,3019 82,1863
2 84,5 85,2062 81,264 89,1485
3 91,2 88,7315 84,7893 92,6737
4 77,4 76,1936 72,2514 80,1358
5 83,3 85,1006 81,1901 89,0111
6 81,2 81,1976 77,2871 85,1081
7 81,2 80,733 76,8225 84,6435
8 79,5 81,7653 77,8548 85,6758
9 89,7 87,357 84,874 89,84
10 86,8 87,357 84,874 89,84
11 87,0 87,357 84,874 89,84
12 86,0 87,357 84,874 89,84

Unidad Docente de Matemáticas. MC. Alonso. Pág. 26/34

 Superficie de Respuesta estimada

91
88

yield
85
82
79 150
148
146
76 144
80 84 142
88 92 140
96 100 temp
time
Contornos de Superficie de la Respuesta Estimada
150 yield
76,0
148 77,5
79,0
temp

146 80,5
82,0
144 83,5
85,0
142 86,5
88,0
140 89,5
80 84 88 92 96 100
time
Camino de Máximo Ascenso para yield
Predicción para
time temp yield
(minutes) (degrees)
90,0 145,0 87,357
91,0 144,941 87,1971
92,0 145,019 86,99
93,0 145,209 86,6946
94,0 145,48 86,2755
95,0 145,811 85,7057
Si se cambia con el botón derecho del ratón en las opciones de ventana a la temperatura en lugar del
tiempo aparecerá:
Camino de Máximo Ascenso para yield
Predicción
para
time temp yield
(minutes) (degrees)
90,0 145,0 87,357
86,667 146,0 87,8572
84,1938 147,0 88,2237
81,7549 148,0 88,5579
79,3179 149,0 88,8628
76,8811 150,0 89,1387

Optimizar Respuesta Factor Bajo Alto Óptimo

Meta: maximizar yield time 76,0 104,0 76,0
Valor óptimo = 89,2522 temp 138,0 152,0 150,771

Unidad Docente de Matemáticas. MC. Alonso. Pág. 27/34

Por último, hay un ejemplo de DISEÑO DE MEZCLA que tiene implementado Statgraphics:
[Link] (ponche).

Se trata de optimizar la mezcla de tres zumos (sandía, piña y naranja) dados en porcentajes, con la
restricción de que la suma de los tres han de formar el 100% del contenido.

Atributos del Diseño de Mezclas

Clase de diseño: Mezcla
Nombre del Diseño: Especificado por Usuario
Nombre del archivo: C:\Users\Diseño_experimentos\[Link]
Comentario: PUNCH STUDY
Diseño Base
Número de componentes: 3
Número de respuestas: 1
Componentes Bajo Alto Unidades
WATERMELON 30,0 100,0 %
PINEAPPLE 0,0 70,0 %
ORANGE 0,0 70,0 %
Total mezcla = 100,0 %
Respuestas Unidades
acceptance

En este caso el fabricante indica que se debe poner al menos el 30% de sandía.

Tras abrir el diseño siguiendo los pasos DDE+ Importar experimento, se puede proceder al
análisis del diseño introduciendo los datos como sigue:

Se obtienen los siguientes resultados:

Efectos Estimados del Modelo Completo para acceptance

Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P
Media 1075,21 1 1075,21
Lineal 6,23788 2 3,11894 11,09 0,0003
Cuadrático 3,06555 3 1,02185 5,41 0,0055
Cúbico Especial 0,171778 1 0,171778 0,91 0,3510
Error 4,35946 23 0,189542
Total 1089,04 30
Resultados del Modelo Completo
Modelo ES R-Cuadrada R-Cuadrada Ajd.
Lineal 0,530436 45,09 41,02
Cuadrático 0,434513 67,25 60,42
Cúbico Especial 0,435364 68,49 60,27

Unidad Docente de Matemáticas. MC. Alonso. Pág. 28/34

 ANOVA para acceptance - PUNCH STUDY
Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P
Modelo Cúbico Especial 9,47521 6 1,5792 8,33 0,0001
Error total 4,35946 23 0,189542
Total (corr.) 13,8347 29

R-cuadrada = 68,4889 porciento

R-cuadrada (ajustada por g.l.) = 60,2686 porciento
Error estándar del est. = 0,435364
Error absoluto medio = 0,287215

Superficie de Respuesta estimada Contornos de Superficie de la Respuesta Estimada

WATERMELON=100,0 acceptance
WATERMELON=100,0 4,7-4,94
acceptance

7,1 4,94-5,18
6,7 5,18-5,42
6,3 5,42-5,66
5,9 ORANGE=0,0 PINEAPPLE=0,0 5,66-5,9
5,9-6,14
5,5 6,14-6,38
5,1 6,38-6,62
4,7 6,62-6,86

PINEAPPLE=70,0 WATERMELON=30,0 ORANGE=70,0

PINEAPPLE=70,0 ORANGE=70,0

Optimizar Respuesta
Meta: maximizar acceptance

Valor óptimo = 7,08819

Factor Bajo Alto Óptimo
WATERMELON 30,0 100,0 30,0
PINEAPPLE 0,0 70,0 0,0
ORANGE 0,0 70,0 70,0

Cúbico Especial Resultados de Ajuste de Modelo para acceptance

Error Estadístico
Parámetro Estimado Estándar T Valor-P
A:WATERMELON 4,75196 0,23939
B:PINEAPPLE 6,24628 0,248178
C:ORANGE 7,08819 0,248178
AB 2,58767 1,22718 2,10863 0,0461
AC 1,54463 1,22718 1,25868 0,2208
BC -2,96156 1,18567 -2,49779 0,0201
ABC -7,55131 7,93215 -0,951987 0,3510

R-cuadrada = 68,4889 porciento

R-cuadrada (ajustada por g.l.) = 60,2686 porciento
Error estándar del est. = 0,435364
Error absoluto medio = 0,287215

acceptance = 4,75196*WATERMELON + 6,24628*PINEAPPLE + 7,08819*ORANGE +

2,58767*WATERMELON*PINEAPPLE + 1,54463*WATERMELON*ORANGE -
2,96156*PINEAPPLE*ORANGE - 7,55131*WATERMELON*PINEAPPLE*ORANGE

Unidad Docente de Matemáticas. MC. Alonso. Pág. 29/34

 Universidad de Alcalá

Formulación
Mezcla:

 Los factores son componentes o ingredientes de una mezcla,

en consecuencia, sus niveles no son independientes.

 La variación en las proporciones de los ingredientes de las

mezclas puede afectar las propiedades del producto final.

Si x1, x2, ..., xk son las variables que representan las

proporciones de los k ingredientes que se usarán en la
mezcla que va a formar dicho producto, los valores de las xi
están restringidos:
0 ≤ xi ≤ 1 i = 1, 2, ..., k
y x1 + x2 + • • • + xk = 1 (p.e. 100%)

Departamento de Matemáticas Seminario

Universidad de Alcalá

Con dos ingredientes

Ambos ingredientes están ligados, podemos reducirnos a
una dimensión.
Si x1, x2, son las variables que representan las proporciones
de los dos ingredientes, tenemos que:
0 ≤ x1 , x2 ≤ 1
y x1 + x2 = 1
x2
Los puntos del segmento verde
representan distintas recetas
que se pueden elaborar.
x1 + x2 = 1

Los puntos rojos son las recetas

con sólo un ingrediente, y la que
tiene un 50% de cada uno es la
x1 representada por el punto
central azul.
Departamento de Matemáticas Seminario

Unidad Docente de Matemáticas. MC. Alonso. Pág. 30/34

 Universidad de Alcalá

Con tres ingredientes

Como los tres ingredientes están ligados, podemos

representar el problema en dos dimensiones,
reduciendo las dimensiones.

I1 Los puntos del gráfico

representan las recetas con
sólo un ingrediente (vértices),
las que tienen sólo dos
(centro de las aristas) y la que
tiene un tercio de cada
ingrediente (punto central).
I3 I2

Departamento de Matemáticas Seminario

Universidad de Alcalá

Con tres ingredientes

X3
(100%)

Ejes de las
0,8
Variables:
0,6

0,2 0,4
0,2
0,4
0,4

0,2
0,6 0,6

0,8 0,8
X1 X2
(100%) (100%)

Departamento de Matemáticas Página 249

Unidad Docente de Matemáticas. MC. Alonso. Pág. 31/34

 Universidad de Alcalá

Con tres ingredientes

Ejes de las
Variables:

Departamento de Matemáticas Seminario

Universidad de Alcalá

Con tres ingredientes

Diseños:

Los experimentos deben

deben distribuirse
distribuirse de manera
manera uniforme
uniforme
y simétricamente sobre toda la región experimental.
experimental.

Departamento de Matemáticas Seminario

Unidad Docente de Matemáticas. MC. Alonso. Pág. 32/34

 Universidad de Alcalá

Diferencia geométrica entre

factorial y mezclas

X3 (100%)

0.1 0.9

0.2 0.8

0.3 0.7
+
1 0.4 0.6

0.5 0.5

x 3
0.6 0.4

0.7 0.3
+1
0.8 0.2
x 2
0.9 0.1
-1
-1 x1
+1
-1
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
X1 (100%) X2 (100%)

Departamento de Matemáticas Seminario

Universidad de Alcalá

Diseño y resultados de textura

1 Las mezclas contienen uno

Mullet
2.08 2.02 o dos tipos de pescado.
Ello permite ajustar el
modelo:
Texture = a1 x1 + a2 x2 + a3 x3
3
+ a4 x1 x2 + a5 x1 x3 + a6 x2 x3
1.91
5 2.13 1.98 2

No hay ordenada en el origen

1.83 1.93 1.71 1.8 1.37 1.47
en este modelo.
Croaker Sheepshead
4 6 2

Departamento de Matemáticas Seminario

Unidad Docente de Matemáticas. MC. Alonso. Pág. 33/34

 Universidad de Alcalá

El modelo cuadrático

Mullet Se representa el modelo

con las líneas de nivel.

Se ve que añadiendo
2.05

2
“Mullet” se aumenta la
1.95
solidez de la textura.

Croaker 1.85 1.65 Sheepshead

Departamento de Matemáticas Seminario

Universidad de Alcalá

Más de tres ingredientes

Aunque la visualización es más complicada, los
modelos y cálculos son del mismo tipo para más de
tres ingredientes. El número de ensayos aumenta,
naturalmente.
Superficie del
tetraedro:
L

C A

L G L

Departamento de Matemáticas Seminario

Más de tres ingredientes

Un ejemplo:

I1 I2 I3 I4
I1 I2 I3 I4
1 1.0 - - -
11 0.625 0.125 0.125 0.125
2 - 1.0 - -
12 0.125 0.625 0.125 0.125
3 - - 1.0 -
13 0.125 0.125 0.625 0.125
4 - - - 1.0
14 0.125 0.125 0.125 0.625
5 0.5 0.5 - -
15 0.250 0.250 0.250 0.250
6 0.5 - 0.5 -
7 0.5 - - 0.5
8 - 0.5 0.5 -
9 - 0.5 - 0.5
10 - - 0.5 0.5

Unidad Docente de Matemáticas. MC. Alonso. Pág. 34/34