Py1t5 Ade
Py1t5 Ade
Py1t5 Ade
INGENIERIA QUIMICA
PY1T5:
NOMBREDEL ALUMNO:
INDICE DE CONTENIDO.
1. INTRODUCCIÓN.
2. ANÁLISIS DE FUNDAMENTOS.
2
1. INTRODUCCIÓN
Diseños factoriales con dos factores Los resultados del ANOVA para
dos factores pueden ser extendidos a un caso general en donde: a
son los niveles del factor A, b son los niveles del factor B, c son los
factores del nivel C, y así sucesivamente.
3
2. ANÁLISIS DE FUNDAMENTOS.
2.1 MARCO CONCEPTUAL.
2.1.1 DISEÑO FACTORIAL E INTERPRETACION DE LA
INTENCION DE FACTORIALES
Para obtener este diseño se necesitan dos efectos generadores, de entre las interacciones de alto
orden. Diseño factorial es el 2k, en el cual se tienen k factores con dos niveles cada uno (superior,
inferior). El diseño 2k resulta muy útil cuando tenemos muchos factores por investigar ya que
representa un número menor de corridas con las cuales se pueden estudiar k factores en un diseño
factorial completo.
4
2.1.3 EXPERIMENTOS 2^K
ANOVA mira los promedios de cada nivel contra el promedio general y lo llama entre
tratamientos. ANOVA queda con dos estimados de varianza, dentro y entre los niveles;
con estos saca un cociente, si las 2 varianzas se parecen, es decir, el cociente es
aproximadamente 1. Análisis de la varianza con un factor (ANOVA) El análisis de la
varianza permite contrastar la hipótesis nula de que las medias de K poblaciones (K >2)
son iguales, frente a la hipótesis alternativa de que por lo menos una de las poblaciones
difiere de las demás
5
2.1.5 DISEÑO FACTORIAL 3^K
cada uno, hay ocho grados de libertad entre combinaciones ya que existen 9 combinaciones
de tratamientos, los efectos principales de A y B, tienen dos grados de libertad.
6
2.1.7 ANOVA 3^K
ANOVA queda con dos estimados de varianza, dentro y entre los niveles; con
estos saca un cociente, si las 2 varianzas se parecen, es decir, el cociente es
aproximadamente 1, el factor no tiene ningún impacto en la respuesta, pero si
este cociente resulta ser grande permite contrastar la hipótesis nula de que las
medias de K poblaciones (K >2) son iguales, frente a la hipótesis alternativa de
que por lo menos una de las poblaciones difiere
7
2.2 MARCO TEÓRICO.
2.2.1 DISEÑO FACTORIAL E INTERPRETACION DE LA INTENCION DE
FACTORIALES
La mayor desventaja es la dificultad de experimentar con más de dos factores o muchos niveles.
Un diseño factorial debe ser planificado cuidadosamente, ya que un error en uno de los niveles o en
la operacionalización general pondría en peligro una gran cantidad de trabajo.
Dejando de lado estas pequeñas desventajas, un diseño factorial constituye uno de los pilares de
muchas disciplinas científicas, ya que ofrece excelentes resultados en el campo.
Un diseño factorial permite que el efecto de varios factores e incluso las interacciones entre ellos
sean determinados con el mismo número de ensayos que son necesarios para determinar
cualquiera de los efectos por sí solo con el mismo grado de exactitud.
8
2.2.2 DISEÑO FACTORIAL 2^K
Los diseños factoriales 2k permiten la estimación separada de los efectos individuales y de los
efectos de interacción k factores en un programa experimental en que k factores varían
simultáneamente en una secuencia cuidadosamente organizada de ensayos. Un experimento
factorial con k factores, cada uno a dos niveles, se conoce como un diseño de experimentos factorial
2k. Consiste en 2k ensayos, un ensayo por cada combinación de los niveles de los factores.
Este diseño es el mas sencillo de la serie consideramos dos factores: A y B, cada uno a 2
niveles.
Normalmente consideramos estos niveles como los niveles alto y bajo del factor objeto, el
diseño 2K puede ser representado geométricamente como un cuadrado con 4 ensayos.
Para cualquier diseño 2K con n replicas, la estimación del efecto y de los cuadrados se
estiman de la siguiente forma:
Efecto: Constante/n2K-1
SSx: (Constante)2/n2K
9
Tabla 1.1 Ejemplo de un diseño 2K.
.
El orden estándar de un diseño 2 k puede hallarse
duplicando el orden estándar de un 2 k-1
uno para el nivel bajo de la nueva variable seguido
de otro para el nivel alto de la nueva variable.
Un modelo de regresión con k variables de la forma, puede utilizarse como estimación del problema:
10
2.2.3 EXPERIMENTO 2^K
Un experimento 2k proporciona el menor número de ensayos con los cuales se pueden estudiar k
factores en un diseño factorial completo. Existen varios casos especiales del diseño factorial, pero
el más importante de todos ocurre cuando se tienen k factores, cada uno de ellos a dos niveles.
En un diseño factorial 2k es fácil expresar los resultados del experimento en términos de un modelo
de regresión. Aunque para este tipo de experimentos se pueden usar modelos de efectos como de
promedios, el modelo de regresión es mucho más natural e intuitivo. La ecuación para un modelo
de regresión sería:
y= β + β + β + ε y xx
Un experimento factorial con k factores, cada uno a dos niveles, se conoce como un diseño
de experimentos factorial 2k. Consiste en 2k ensayos, un ensayo por cada combinación de los
niveles de los factores.
Los diseños factoriales se usan ampliamente en experimentos que incluyen varios factores cuando
es necesario estudiar el efecto conjunto de los factores sobre una respuesta. El más importante de
estos casos especiales es el de k factores, cada uno solo con dos niveles. Estos niveles pueden
ser cuantitativos, como dos valores de temperatura, presión o tiempo, o bien cualitativos, como
dos máquinas, dos operadores, los niveles “alto” y “bajo” de un factor, o quizás la presencia o
ausencia de un factor. Una réplica completa de este diseño requiere 2 x 2 x … x 2 = 2k
observaciones y se le llama diseño factorial 2k.
11
2.2.4 ANOVA 2^K
Cuando tengamos un factor, controlado o aleatorio, aparte del error propio de la medida, hablaremos
del ANOVA de un factor.
Para utilizar el ANOVA de forma satisfactoria deben cumplirse tres tipos de hipótesis, aunque se
aceptan ligeras desviaciones de las condiciones ideales:
12
2.2.5 DISEÑO FACTORIAL 3^K
El diseño factorial 3k es un arreglo factorial de k factores que tiene 3 niveles cada uno. Se usarán
letras mayúsculas para denotar los factores y las interacciones de estos factores.
Características:
Tiene tres niveles en cada factor, lo que permite la estimación de un modelo cuadrático
completo incluyendo las relaciones entre la respuesta y cada factor.
Esta constituido por puntos centrales, que sirve para examinar la presencia de curvatura,
dar información acerca de los cuadráticos y proporcionar una estimación de la magnitud del
error experimental, y puntos de superficie, de igual distancia del punto central.
3K tratamientos
Permite la estimación de efectos de curvatura en caso de existir sobre la variable de
respuesta
Mayor precisión en la estimación de los efectos.
Es el diseño más simple del sistema , tiene dos factores con tres niveles cada uno, hay ocho grados
de libertad entre combinaciones ya que existen 9 combinaciones de tratamientos, los efectos
principales de A y B, tienen dos grados de libertad cada uno, su interacción tiene cuatro grados de
libertad. Si hay n réplicas, habrá n-1 grados de libertad totales y (n-1) grados de libertad del error.
En un 3k (k=2) Es el diseño más simple del sistema , tiene dos factores. con tres niveles cada uno,
hay ocho grados de libertad entre combinaciones ya que existen 9 combinaciones de tratamientos,
los efectos principales de A y B, tienen dos grados de libertad
13
2.2.6 EXPERIMENTOS 3^K
Estos experimentos consisten en una serie de corridas, o pruebas, en las que se realizan cambios
intencionales en las variables de entrada. En cada corrida se recolectan datos. El DOE se utiliza
para identificar las condiciones del proceso y los componentes del producto que afectan la calidad,
para luego determinar la configuración de factores que optimiza los resultados.
Los factores pueden ser variables cuantitativas o cualitativas, y la condición para considerarse como
“factores” es que los niveles se pueden asignar.
En un diseño factorial 3k es fácil expresar los resultados del experimento en términos de un modelo
de regresión. Aunque para este tipo de experimentos se pueden usar modelos de efectos como de
promedios, el modelo de regresión es mucho más natural e intuitivo.
14
2.2.7 ANOVA 3^K
El ANOVA también puede utilizarse en situaciones donde ambas fuentes de variación son
aleatorias. Un ejemplo sería el análisis de algún compuesto de un vino almacenado en un depósito.
Supongamos que las muestras se toman aleatoriamente de diferentes partes del depósito y se
realizan diversos análisis replicados. Aparte de la variación natural en la medida tendremos una
variación en la composición del vino de les diferentes partes del depósito.
Cuando tengamos un factor, controlado o aleatorio, aparte del error propio de la medida, hablaremos
del ANOVA de un factor. En el caso de que estuviésemos desarrollando un nuevo método
colorimétrico y quisiéramos investigar la influencia de diversos factores independientes sobre la
absorbancia, tales como la concentración de reactivo A y la temperatura a la que tiene lugar la
reacción, entonces hablaríamos de un ANOVA de dos factores.
En los casos donde tenemos dos o más factores que influyen, se realizan los experimentos para
todas las combinaciones de los factores estudiados, seguido del ANOVA. Se puede deducir
entonces si cada uno de los factores o una interacción entre ellos tienen influencia significativa en
el resultado.
Desde el punto de vista práctico, existen múltiples paquetes estadísticos que permiten ejecutar
rápidamente los cálculos del ANOVA. Lo que es interesante, sin embargo, es que el usuario tenga
capacidad para extraer conclusiones químicas de los resultados obtenidos
15
FUENTES BIBLIOGRAFICAS.
16