Ejercicio Integrador de Diseo de Experimentos

Se tiene una reaccin como sigue:

A+B

Cat
Calor

Se desea obtener el mximo rendimiento posible de X y se va a planificar un estudio

experimental para lograr este objetivo. Se debe realizar el menor nmero de experimentos y
en ninguna etapa se debe realizar ms de 20. Segn la informacin disponible, el
Rendimiento R puede depender de la concentracin del reactivo A y del B, as como
de la dosis del catalizador C empleada, la temperatura T de la reaccin y el tiempo t
de la misma. Acorde a la literatura valores apropiados de estas variables pudieran
inicialmente ser:
A: 0,9 1,5 M; B: 0,6 1,0 M; C: 1,0 2,0 %; T: 60 100C y t: 90 150 min.
Cmo planificara Ud. la investigacin?

Etapa 1: Screening o tamizado de variables.

Diseo 25-1 = 16 experimentos + 2 centros = 18 experimentos.
Generador y Relacin de Definicin: I = ABCDE. Resolucin V. Solo se confunden las
variables independientes con las interacciones de 4to orden y las interacciones de 2do orden
con las de 3er orden.
Estructura alias:
eA = A + BCDE ;
eD = D + ABCE ;
eAD = AD + BCE ;
eCD = CD + ABE ;
eACD = ACD + BE ;

eB = B + ACDE ;
eAB = AB + CDE ;
eBC = BC + ADE ;
eABC = ABC + DE ;
eBCD = BCD + AE ;

eC = C + ABDE ;
eAC = AC + BDE ;
eBD = BD + ACE ;
eABD = ABD + CE ;
eABCD = ABCD + E ;

Llamando X1, X2, X3, X4 y X5 a las variables codificadas correspondientes a las variables
independientes descodificadas A, B, C, T y t, respectivamente, se cumple que:

X
1

A - 1,2
B - 0,8
C - 1,5
T - 80
, X2
, X3
, X4
0,2
0,5
0,3
20

y X5

t - 120
.
30

El bloque experimental y las respuestas halladas para cada experimento se muestran a

continuacin:

Exp.

X1

X2

X3

X4

X5

A, M B, M C, % T, C

-1

-1

-1

-1

0,9

0,6

1,0

-1

-1

-1

-1

1,5

0,6

1,0

t, min

60

150

21,0

60

90

41.2

-1

-1

-1

-1

0,9

1,0

1,0

60

90

21.1

-1

-1

1,5

1,0

1,0

60

150

40.9

-1

-1

-1

-1

0,9

0,6

2,0

60

90

23.6

-1

-1

1,5

0,6

2,0

60

150

43.6

-1

-1

0,9

1,0

2,0

60

150

23.5

-1

-1

1,5

1,0

2,0

60

90

43.5

-1

-1

-1

-1

0,9

0,6

1,0

100

90

25.9

10

-1

-1

1,5

0,6

1,0

100

150

46,0

11

-1

-1

0,9

1,0

1,0

100

150

26.2

12

-1

-1

1,5

1,0

1,0

100

90

46.1

13

-1

-1

0,9

0,6

2,0

100

150

28.6

14

-1

-1

1,5

0,6

2,0

100

90

48.4

15

-1

-1

0,9

1,0

2,0

100

90

28.5

16

1,5

1,0

2,0

100

150

48.7

17

1,2

0,8

1,5

80

120

35.4

18

1,2

0,8

1,5

80

120

34.2

Qu se puede obtener a partir de estos datos?

Haciendo una regresin lineal mltiple se llega al siguiente modelo codificado (r= 0,9995):
R = 34,8 + 10 X1 + 1,25 X3 + 2,5 X4

(rcrit 14, 0.999=0,742)

Este modelo codificado puede ser transformado en su equivalente descodificado, segn:

R = -18,95 + 33,3 A + 2,5 C + 0,125 T
A partir del modelo codificado se puede calcular el vector de mxima pendiente para
explorar la superficie respuesta segn:
Variable:

X1

X3

X4

Coeficiente ( i)

10

1,25

2,5

0,3

0,5

20

0,625

50

1 (3/3)

0,21 (0,625/3)

16,7 (50/3)

i i
Vector de desplazamiento

El vector de desplazamiento se calcula a partir de la variable ms influyente. El paso de

variacin de la misma se fija de manera lgica acorde con la experiencia, buscando una
variacin intermedia, ni demasiado pequea ni demasiado grande. Los pasos de variacin
de las restantes variables se calculan proporcionalmente segn el valor de los distintos
coeficientes. Para este clculo se tiene en cuenta el signo (+ -) del coeficiente.
La exploracin de la superficie respuesta se planifica a partir del nivel base central de las
variables de influencia significativa (X1 A, X3 C y X4 T), manteniendo constantes las
variables no influyentes (X2 B y X5 t) en sus niveles centrales (B=0,8M y t=120 min).
Se planifica cada paso y se compara la respuesta predicha por el modelo (usando el
descodificado en este caso) con la respuesta experimental. Se continua dando nuevos
pasos hasta que se observe una diferencia significativa entre ambas respuestas. A
continuacin se dan los resultados obtenidos en este proceso:

Rmod

Rexp

Nivel base (centro)

1,2

1,5

80

34,8

1er paso

2,2

1,71

96,7

70,7

68,5

2do paso

3,2

1,92

113,4

106,6

85,4

Resulta evidente que el modelo no se cumple para el 2do paso: Se predice un rendimiento
superior al 100 % y se obtiene un valor muy diferente. Qu se debe hacer ahora? Se debe
planificar un nuevo bloque experimental variando solo estas tres variables tomando como
sus niveles centrales los valores del ultimo paso correcto (en este caso el 1ro) o muy
cercanos a los mismos. Al ser posible que se est ya ms cerca de la zona de ptimo no es
conveniente que el rango de estudio sea demasiado amplio. Por otro lado, como se tienen
tres variables, un diseo adecuado puede ser un 23 con dos centros, para un total de 8 + 2 =
10 experimentos.

Este nuevo bloque quedara como sigue, adjuntndose tambin las

respuestas experimentales:

Exp.

X1

X2

X3

A, M

C, %

T,C

Rend

-1

-1

-1

2,0

1,5

90

78

-1

-1

2,4

1,5

90

81

-1

-1

2,0

1,9

90

60

-1

2,4

1,9

90

64

-1

-1

2,0

1,5

110

51

-1

2,4

1,5

110

72

-1

2,0

1,9

110

79

2,4

1,9

110

85

2,2

1,7

100

70

10

2,2

1,7

100

75

Qu se puede obtener a partir de estos datos?

Haciendo una regresin lineal mltiple se llega al siguiente modelo codificado (r= 0,8713):
R = 71,5 + 4,25 A + 9,5 CT (rcrit 7, 0.99 = 0,798)
Un anlisis de este modelo indica que posiblemente estemos en una zona de curvatura
(ptimo) lo cual se evidencia por:

El modelo obtenido tiene menor coeficiente de correlacin que el anterior.

En dicho modelo tienen mas peso las interacciones que las variables puras.

Esto significa que, en esta zona, se puede plantear un diseo de optimizacin con estas
variables. La variante 33 esta excluida por tener demasiados experimentos (27). La mejor
variante es un diseo 23 compuesto central con un total de 23 + 2.3 + 2= 16 experimentos,
con la ventaja que ya estn hechos los experimentos del bloque 2 3 y los 2 centros, por lo
que solo queda por hacer las 6 ampliaciones. De esta manera, el nuevo diseo queda:
Exp.

X1

X2

X3

A, M

C, %

T,C

Rend

-1

-1

-1

2,0

1,5

90

78

-1

-1

2,4

1,5

90

81

-1

-1

2,0

1,9

90

60

-1

2,4

1,9

90

64

-1

-1

2,0

1,5

110

51

-1

2,4

1,5

110

72

-1

2,0

1,9

110

79

2,4

1,9

110

85

2,2

1,7

100

70

10

2,2

1,7

100

75

11

-1.76383

1,85

1,7

100

86

12

1.76383

2,55

1,7

100

95

13

-1.76383

2,2

1,35

100

73

14

1.76383

2,2

2,05

100

70

15

-1.76383

2,2

1,7

82,4

56

16

1.76383

2,2

1,7

117,6

61

Haciendo la correspondiente regresin, incluyendo los trminos cuadrticos adems de las

variables puras y sus interacciones, se llega al siguiente modelo (r =0,9406):
R = 71,19 + 3,507 A + 2,5 A T + 9,5 C T + 5,738 A2 4,547 T2 (rcrit 10, 0.999= 0,823)
En este modelo se puede apreciar lo siguiente:

Mejora del ajuste respecto al anterior.

Mas peso de las interacciones y los trminos cuadrticos que las variables puras.

A partir de este resultado se puede optar por una de las siguientes variantes:
1. A la ecuacin anterior aplicarle derivadas parciales respecto a cada variable, igualar las
primeras derivadas a cero y resolver las ecuaciones as obtenidas para hallar el ptimo
matemtico.
2. Asumir como el ptimo las condiciones del exp. 12, por ser el de mayor rendimiento
(95%) y muy cercano al 100 %. Resulta evidente lo mucho que ha mejorado el
rendimiento de la reaccin comparando los valores iniciales con el mximo valor
alcanzado hasta este momento.
3. Volver a realizar otro bloque tomando como centro las condiciones del exp. 12 y
pequeo rango de variacin de las variables independientes, debido a lo cercano que
debe estar el ptimo del rendimiento.