Libro Diseños Factoriales Aplicado A Procesamiento de Minerales

DISEOS EXPERIMENTALES APLICADO A PROCESAMIENTO DE MINERALES
Diseos Factoriales
La siguiente gua es la publicacin de la primera parte, de un conjunto de resmenes de datos reales, que se aplican en procesamiento de minerales en base a la estadstica. 13/12/2011 Alvaro Paitan Q.
PERU
Alvaro PAITAN Q. Primera Parte: 1
INTRODUCCION Las actividades de planear y realizar una investigacin tienen implicaciones de estadstica, es por ello que a la estadstica se le considera como la base fundamental que relaciona una estructura sistematizada de los factores que intervienen en un proceso para obtener un resultado.
alvaropaitan@hotmail.com
PERU
DISEOS FACTORIALES Que son los Diseos Factoriales? Los diseos factoriales permiten el estudio de las simulaciones de varios efectos del factor sobre el proceso conocido como respuesta. Para dicho estudio es necesario variar los niveles de los factores que intervienen. El diseo factorial se aplica: Para determinar los efectos de los factores en estudio, para la funcin respuesta. Eficiente en trminos del tiempo y costo, porque disminuye el numero de tratamiento o pruebas. Permite el estudio de interacciones entre los factores. Cundo usar los diseos factoriales? Se usa para: Obtener eficiencia en las estimaciones de los efectos de cada factor de la respuesta. Estimar los efectos de interacciones entre dos o ms factores en la respuesta. Probar la curvatura en la respuesta incluyendo el centro de los puntos de rplica en el diseo. Determinar la varianza de error experimental. Por qu usar los Diseo Factoriales? En la mayor parte de los diseos factoriales se usa para contestar preguntas como: Cules son la preparacin de las variables ms influyentes en la respuesta? Cules son los factores que optimizaran la respuesta? PRINCIPIOS PARA EL DISEO EXPERIMENTACION EN LA INVESTIGACION Para una buena investigacin un investigador debe conocer los problemas de manera sistematizada con la finalidad de responder a las preguntas que se genera durante el anlisis del problema. La buena planeacin ayuda al investigador organizar las tareas necesarias para llevar al desarrollo una investigacin. Un investigador debe tomar decisiones crticas, en base a la observacin de los factores para buscar los mejores resultados de un proceso. Al iniciar una investigacin es necesario una lista de verificaciones de aspectos concretos entre ellos tenemos: Planteamiento del problema
PERU
Formulacin del problema Objetivos trazados Justificacin Limitaciones Antecedentes del estudio El marco terico Hiptesis del tema en estudio Variables de la investigacin Mtodos Poblacin y muestra Diseo Procedimiento e instrumentos de recoleccin de datos Procedimientos de anlisis.
Entre estas etapas es necesario conocer tambin: Los factores que influyen y cules de ellos varan y cuales permanecen constantes. Nmero de repeticiones del experimento bsico a realizar. Los recursos y materiales disponibles. Cules son las preguntas sencillas para enfocar las actividades de una investigacin. Las preguntas que centran nuestra atencin a travs del proceso de diseo incluyen: ''Cul es mi objetivo?", ''Qu quiero saber?" y "Por qu quiero saberlo?". Las preguntas de seguimiento productivo para cada actividad en el proceso, tales como: "Cmo voy a realizar esta tarea?" y ''Por que hago esta tarea?", dirigen la atencin a definir el papel de cada actividad en el estudio de investigacin. Con lo que respecta a la investigacin en procesamiento de minerales el investigador debe conocer las caractersticas del mineral a detalle, porque mediante el cual definir los mejores procesos mediante los factores.
PERU
APLICACIN DE LOS DISEOS FACTORIALES EN EL PROCESAMIENTO DE MINERALES Los diseos experimentales que se usaron en distintas empresas desde el siglo 19 permiti en las industrias identificar y controlar a los factores que ms correlacin tena con la produccin (funcin respuesta), logrndose aumentar la produccin con el mnimo costo. Es importante en la actualidad enfocar los Diseos experimentales en el procesamiento de minerales de la metalurgia extractiva, con la finalidad de mejorar la produccin en todos los aspectos. En procesamiento de minerales uno de los factores importantes que se bebe estudiar es la influencia de estos con la funcin respuesta, en este caso la recuperacin del concentrado de mineral y las leyes de las mismas, la mayora de los factores que se bebe estudiar es como ejemplo, los colectores, depresores, activadores, tiempo de acondicionamiento, condiciones de la pulpa, granulometra del mineral y otros. Para un estudio sistematizado de un problema en procesamiento de minerales es importante conocer los problemas en base a la identificacin de las variables independientes y dependientes (Funcin respuesta). Por ello es de suma importancia la estadstica en la Ingeniera Metalrgica y en todas las otras Ingenieras. 1.- PRUEBAS METALURGICAS CON DISEO FACTORIAL. En metalurgia, especialmente en flotacin de minerales, el proceso es complejo, del tipo caja negra (black box). La relacin del criterio de optimizacin a las variables independientes del proceso (funcin respuesta), puede ser descrita con el siguiente modelo matemtico. Sea la ecuacin de la funcin respuesta:
Y = ( x, u, z) (1.1)
Donde: Y: Funcin respuesta. x : Variable controlable u : Variable no controlable z : Variable desconocida Las variables no controlables pueden medirse pero no controlar, y las variables desconocidas no pueden medirse ni controlarse y se encuentra dentro de las variables aleatorias; estas son incluidas dentro de la funcin respuesta como se puede ver en la ecuacin (1.1)
PERU
Para disminuir la influencia de las variables no controlables y las desconocidas en la funcin respuesta es necesario que las variables controladas tomen un rango o parmetro de operacin esto se representa mediante la ecuacin.
Y = ( x1, x 2 ,..., xn ) + .(1.2) Donde: e : Variable aleatoria (variable no controlada y desconocida). Xn : Variables controladas o estudiadas.
En el diseo factorial 2K se estudian en la mayor parte de los casos los efectos de los factores y las n interacciones de las mismas. N=2K indica el numero de tratamientos que deben hacerse con los K factores y n interacciones. En la notacin 2K los niveles superior e inferior estn indicados por los signos (+) y (-) (+1) y (-1) respectivamente. Investigar con diseo experimental es determinar los experimentos que conviene usar para poder hacer un mejor estudio de las variables, al mismo tiempo determinar la influencia de cada una sobre la funcin respuesta. Es por ello importante para que una funcin respuesta se la mejor (optima) en procesamiento de minerales identificar y seleccionar las variables que ms influyen para ello existe los diseos experimentales completos, fraccionados y de Planckett Burman que permite estudiar hasta 20 variables o factores. PRIMERA ETAPA DE SELECCIN DE VARIABLES. Es una de las etapas ms importantes en la cual se debe definir las variables o factores a estudiar, estoy convencido de que en esta etapa el factor humano es importante, porque mediante el cual los rangos sern elegidos adecuadamente (con lgica), de no ser as el diseo aplicarse ser poco confiable por no decirlo nulo. Si tomamos un ejemplo simple de realizar una flotacin de zinc y en planta o histricamente se determino que el colector xantato se usa un promedio de 30g/TM, seria en vano escoger parmetros de 10g/TM y 60g/TM para las variables de investigacin, debido a que estos datos estn lejos del dato promedio. Para la seleccin de las variables es necesario usar todo los conocimientos en un proceso metalrgico as como un diagnostico de todos los antecedentes de la operacin, ya que ser de mucha importancia para la identificacin las posibles variables las cuales se sometern a pruebas de diseo factorial. Como ya mencionamos la codificacin de las variables estn en rango inferior con (-1) y el rango mximo con (+1) tomando como promedio cero (0).
PERU
Qu son las variables codificadas? Las variables codificadas son los datos que debe tomas las variables en rangos de una unidad sea (-1) (+1) con la finalidad de simplificar la interpretacin de la correlacin con el factor respuesta o factor observado, en la mayora de los casos se toma este dato para tener referencia de una figura geometra en el plano cartesiana o en el espacio con centro en las orgenes (0). Qu son las variables reales? Son las variables que toman datos reales del factor o variable sometido a prueba. CALCULOS PARA MATRIZ A ESCALA CODIFICADA Una de las formas ms adecuadas, para pasar de la escala codifica sea X , a la escala real Z, es utilizando las ecuaciones siguientes: Z j = Z o + X j. Z j (1.3) j Donde: Zj : Centro del diseo Zj : Radio del diseo Xj : Escala codificada
Zimax + Zimin .(1.4) 2 Zimax Zimin Z j = ...............(1.5) 2 Para la seleccin de variables existen las plantillas codificadas y dependen del nmero de variables o factores.
o Zj =
DISEOS FACTORIALES COMPLETOS En un experimento de Diseo factorial, las respuestas son medidas como una combinacin de niveles de los factores experimental. La combinacin de niveles de factores representa las condiciones de las cuales las respuestas sern medidas. Una condicin experimental es una Corrida o prueba y la medida de la respuesta es una observacin. Las pruebas enteras son el diseo. La aplicacin de un diseo factorial completo en procesamiento de minerales es recomendable usar para el estudio desde dos hasta tres factores, esto se debe a que las pruebas que se realiza son como mximo hasta ocho y son econmicamente posibles.
PERU
Plantilla para el factorial 22 este diseo se aplica para estudiar los efectos de las dos variables A y B as como sus interacciones AB, AA y BB es aplicable en la mayora en la etapa de optimizacin a mas detalle se tocara en la etapa siguiente. Tabla 1. N pruebas 1 2 3 4 5 A(X1) + + 0 B(X2) + + 0
Plantilla para el factorial 23 este diseo se aplica para identificar los efectos de tres variables A, B, C y sus interacciones AB, AC, BC y ABC Tabla 2. N pruebas 1 2 3 4 5 6 7 8 A(X1) + + + + B(X2) + + + + C(X3) + + + +
Para realizar una regresin es necesario que la diferencia entre el nmero de pruebas menos las variables y menos uno esto sea igual o mayor a uno en todas las plantillas a disear, por ejemplo en la Tabla 2 tenemos 8 pruebas y 3 variables entonces para la regresin quedan 4 a esto se le conoce como grados de libertad de la regresin. Esto se debe a que la ecuacin lineal que forma es el siguiente:
Y = 0 + 1X 1 + 2X 2 + 2X 3 .. (1.6)
En la ecuacin 1.6 se observa que tenemos tres variables y una constante entonces los grados de libertad ser: GL: 8 4 = 4 Para la regresin. Si queremos hallar la interaccin AB, AC, CB y ABC entonces el grado de libertad ser: GL: 8 8 = 0 tenemos grados de libertad igual a cero en estos casos no se puede realizar la regresin, para aumentar los grados de libertad mnimo a uno es necesario aumentar las replicas en el centro (aprovechando que las replicas en el centro en necesario realizar como mnimo 2 pruebas para encontrar el error experimental, curvatura de la ecuacin y los clculos con ANOVA).
PERU
El nuevo cuadro con interaccin. Tabla 3.

N Pruebas A(X1) B(X2) C(X3) AB AC BC ABC -1 -1 -1 1 1 1 1 -1 +1 -1 -1 2 -1 -1 1 1 -1 +1 -1 3 -1 1 -1 1 +1 +1 -1 4 1 -1 -1 -1 -1 -1 +1 5 1 -1 -1 1 +1 -1 +1 6 -1 1 -1 -1 -1 +1 +1 7 -1 -1 1 -1 +1 +1 +1 8 1 1 1 1 9 0 0 0 0 0 0 0 10 0 0 0 0 0 0 0 Los signos de la interaccin de las variables se completa multiplicando los signos de las mismas variables. Es importante considerar que los cuadros de diseo factorial deben cumplir la ortogonalidad. Y Respuesta (1) a b ab c ac bc abc
Comprobacin ortogonal. Para evaluar el ortogonal de un diseo, se necesita cambiar la hoja de trabajo a cdigo de unidad. Tambin se puede entender el diseo fcilmente en cdigo automtico como ya mencionamos. Las columnas de los cuadros deben ser ortogonales una a la otra, se pude tener las siguientes condiciones: La suma de cada columna es cero. La correlacin entre cada columna es cero. Cuando los factores en un diseo son ortogonales, se puede estimar los factores de cada factor independientemente. Ventaja de un diseo ortogonal Se pueden estimar trminos de modelo. Debido a que se puede encontrar la contribucin independiente de cada efecto, el anlisis es ms simple al reducir un modelo, usted puede quitar todos los trminos no significativos simultneamente. En la tabla 3 se aumento las replicas en el centro con la finalidad de aumentar los grados de libertad. En la columna de Y funcin respuesta (respuesta observada) en cada fila representa un dato que permite calcular los efectos y la suma de cuadrados as como determinar el error experimental.
PERU
CALCULO DE EFECTOS DE UN DISEO FACTORIAL 23 Los efectos se calculan con la siguiente formula. ContrasteA EfectoA = .(1.7) n2K 1 Donde: A: Variable n : Numero de replicas de Y(obs) K : Numero de variables independientes Los contrastes de cada variable se calculan de la siguiente forma. ContrasteA = [ b + ab + ac + abc (1) b c bc ]
ContrasteB = [b + ab + bc + abc (1) a c ac ] ContrasteC = [c + ac + bc + abc (1) a b ab] ContrasteAB = [ab b a + abc + (1) bc ac + c ] ContrasteAC = [(1) a + b ab c + ac bc + abc ] ContrasteBC = [(1) + a b ab c ac + bc + abc ] ContrasteABC = [abc bc ac + c ab + b + a (1)]
La suma de cuadrados de cada variable independiente se calcula con la siguiente formula: ContrasteA SCA = ..(1.8) n2K La media de suma de cuadrados se determina: SCA CMA = ..(1.9) g.l Donde: g.l : Grados de libertad de la variable, en un diseo factorial 2 K es la unidad. Ejemplo: En una planta metalrgica el gerente de operaciones, busca mejorar la produccin de concentrado de zinc, para ello selecciona tres variables ms influyentes en el proceso con la finalidad interpretar los efectos en la produccin, y buscar una posible optimizacin. Las variables seleccionados X1 (altura de espuma), X2 (Suministro de aire), X3 (agua de lavado) en rangos de 800:900mm, 25:35Ipm y 8:12lpm y la variable Y representado como la recuperacin del concentrado de Zinc (es importante tambin relacionar con las leyes del concentrado, cabeza de mineral y la recuperacin conocida como factor metalrgico)
10
PERU
El cuadro de diseo factorial 23 con dos pruebas centrales y una columna Xo para obtener la constante:
n 1 2 3 4 5 6 7 8 9 10 x0 1 1 1 1 1 1 1 1 1 1 A (x1) -1 1 -1 1 -1 1 -1 1 0 0 B(x2) -1 -1 1 1 -1 -1 1 1 0 0 C(x3) -1 -1 -1 -1 1 1 1 1 0 0 x1x2 1 -1 -1 1 1 -1 -1 1 0 0 x1x3 1 -1 1 -1 -1 1 -1 1 0 0 x2x3 1 1 -1 -1 -1 -1 1 1 0 0 X1X2X3 Yobs -1 86,4 1 89,5 1 86,1 -1 90,3 1 84,5 -1 85,7 -1 87,2 1 90,4 0 85,9 0 86,2
Para facilitar el clculo de efectos se determina por matrices en Excel (se puede calcular con las formulas de efectos descritos con anterioridad). N X . [ X ]T .[Y ] ij Yi Ej = = N r N r i =1 2 2 [X]T: Transpuesta de la matriz codificada [Y] : Matriz de la funcin respuesta. N : Numero de pruebas. r : Replicas en el centro.
[X]T 1 -1 -1 -1 1 1 1 -1 [X]T.[Y] Efecto 872,2 2,925 11,7 1,975 7,9 -1,13 -4,5 0,775 3,1 -0,72 -2,9 1,725 6,9 0,225 0,9
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 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0
Analizando los efectos: La variable X1 influye con +2,9 en la recuperacin de zinc, en segundo lugar le sigue X2 con +1,9, estas dos variables influyen directamente debido al signo positivo y mientras que la variable X3 influye negativamente con -1,13. Pero los efectos no determinan la confiabilidad del grado de influencia por lo tanto se realiza la regresin para evaluar con t student.
11
PERU
Hallando las constantes con la siguiente ecuacin en Excel:
[B] = ([ X ]T .[ X ]) 1.([X ]T .[Y ]) [B] : Constantes de la regresin

INVERSA ([X]T.[X]) 0,1 0 0 0 0,125 0 0 0 0,125 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
-1
0 0 0 0,125 0 0 0 0
0 0 0 0 0,125 0 0 0
0 0 0 0 0 0,125 0 0
0 0 0 0 0 0 0,125 0
0 0 0 0 0 0 0 0,125
Desarrollando obtenemos las constantes de la ecuacin.

[B] 87,22 1,4625 0,9875 -0,5625 0,3875 -0,3625 0,8625 0,1125 constante X1 X2 X3 X1X2 X1X3 X2X3 X1X2X3
La ecuacin.
Y= 87,22 + 1,46X1 +0,9875X2 -0,56X3 +0,387X1X2 -0,362X1X3 +0,86X2X3 +0,11X1X2X3
Analizando con t-student, para el anlisis es importante realizar una regresin con las variables para los resultados.
Estadsticas de la regresin Coeficiente de correlacin mltiple Coeficiente de determinacin R^2 R^2 ajustado Error tpico Observaciones
0,954770042 0,911585832 0,602136245 1,316671941 10 Estadstico t Probabilidad 209,47804 2,2788E-05 3,1416897 0,08812773 2,12131185 0,16795073 -1,2083421 0,35039974 0,83241351 0,49274304 -0,7787094 0,51765713 1,85279136 0,20509867
Intercepcin Variable X 1 Variable X 2 Variable X 3 Variable X1X2 Variable X1X3 Variable X2X3
Coeficientes 87,22 1,4625 0,9875 -0,5625 0,3875 -0,3625 0,8625
Error tpico 0,41636823 0,46551383 0,46551383 0,46551383 0,46551383 0,46551383 0,46551383
12
PERU
Alvaro PAITAN Q.
Variable X1X2X3
Primera Parte: 1
0,1125 0,46551383 0,24166844 0,83155634
Es importante observar que el coeficiente de determinacin sea en la mayora de los casos mayor a 0,9 como se puede ver en los resultados con un valor de 0,91158. Haciendo un entre parntesis el anlisis clsico de estadstica esta siendo remplazado con el anlisis de probabilidades. En el anlisis con t-student se compara el error estadstico t de la regresin con t de la tabla con n-1 pruebas y 90 a 95% de probabilidad en dos colas. Para el ejemplo n-1 es 9 con una probabilidad de 90% en tabla es +1,83 y -1,83, para determinar qu factores influyen el error t debe estar fuera del rango de y + de 1,83 y los nicos que salen de estos intervalos son los factores X1, X2 y la interaccin X2X3, de esto se concluye que los factores que ms influyen son X1 y X2. Analizando con ANOVA. Se aplica solamente cuando se realiza pruebas con replicas en el centro del diseo. La comparacin de probabilidades se determina con Fisher con una cola hacia la derecha.
Factores x1 x2 x3 x1x2 x1x3 x2x3 x1x2x3 ERROR TOTAL SC GL 17,111 7,8012 2,5313 1,2013 1,0512 5,9513 0,1012 0,045 35,794 CM 1 17,11125 1 7,80125 1 2,53125 1 1,20125 1 1,05125 1 5,95125 1 0,10125 1 0,045 9 3,9770833 F 380,25 173,3611 56,25 26,69444 23,36111 132,25 2,25 Ftabl(1,1,95%) 161,45 161,45 161,45 161,45 161,45 161,45 161,45
La terminologa SC, GL y CM ya fueron definidos, para calcular F se divide el cuadrado medio de un factor entre el cuadrado medio del error, por ejemplo en X1 se obtiene 380,25. Para el anlisis de F tabla se obtiene con los grados de libertad del numerador (factor) y denominador (error) y una probabilidad de 95%, en nuestro caso es 161,45. Si F>Ftabla entonces estos factores si influyen en la funcin respuesta y si F<Ftabla no interfieren en la funcin respuesta. En el ejemplo las variables a seleccionar es X1 y X2, pero para estar convencidos de que la ecuacin que se formo por regresin es representada o no con la funcin respuesta observada y determinada por la ecuacin es importante calcular el anlisis de residuos. Anlisis de residuos. Para el anlisis de residuos es importante conocer las replicas en el centro, y la comparacin de F con de la Ftabla debe ser menor, esto se debe que los residuos deben tener un error estandar constante y una media igual a cero de tal forma que la variacin de la ecuacin sea mnima y representativa.
13
PERU
Calculo de Y estimado. Y = [Y ].[ B] .(1.10)

Y observado Y estimado (Yobs-Yest)^2 (Yos-Ypromedio)^2 86,4 86,108 0,08555625 0,6724 89,5 89,208 0,08555625 5,1984 86,1 85,808 0,08555625 1,2544 90,3 90,008 0,08555625 9,4864 84,5 84,208 0,08555625 7,3984 85,7 85,408 0,08555625 2,3104 87,2 86,908 0,08555625 0,0004 90,4 90,108 0,08555625 10,1124 85,9 87,22 1,7424 1,7424 86,2 87,22 1,0404 1,0404
SCT= 39,216; SCE = 2,7828 Donde: SCT: Suma de (Y obs Y promedio del observado)^2 SCE: Suma de (Y obs Y est)^2 en las replicas centrales Error total =Error Experimental + Error del Modelo SCT =SCE + SCM SCM=SCT SCE = 36,43
GL Error total Error experimental Error del modelo 2 1 1 SSC 39,216 2,7828 36,4332 CM 19,608 2,7828 36,4332
Error.mod elo G.L1 = 36,43/2,78 = 13,092 F= Error.mod elo G.L2 F tabla (GL1, GL2, 95%) = 161,45 Entonces F<F tabla; por lo tanto la ecuacin calculada es confiable en un 95%.
Analizando con graficas. Diagrama de Pareto.
14
PERU
Un diagrama de Pareto muestra cuales factores afectan la incorporacin y la relativa magnitud de cada efecto. Mirar cuales trminos contribuyen a la mayor variable respuesta. Grafica 1.
Pareto Chart of the Standardized Effects
(response is Y, Alpha = ,05) 12,71 A B BC
F actor A B C N ame A B C
Term
C AB AC ABC 0 5 10 Standardized Effect 15 20
En la grafica 1 observamos que los factores A (X1) y B (X2) son los que intervienen con mayor efecto a la funcin respuesta, debemos tomar en cuenta siempre un anlisis de Pareto es importante porque permite identificar los efectos de muchos factores en un proceso. La grafica 1 exhibe lo siguiente: Los trminos desde arriba hacia abajo en orden de importancia decreciente. Una lnea de referencia Mientras el diagrama de Pareto muestra una clara visualizacin de la magnitud de un efecto, este no provee informacin acerca de la direccin del efecto. Usar las graficas normales de efectos para evaluar la direccin. Grafica de probabilidad normal. Una grafica de probabilidad normal identifica el signo de cada efecto. Estos trminos son los mismos efectos significativos que se muestran en el diagrama de Pareto. La identificacin de signos se encuentra en la lnea de las abscisas. Grafica 2.
15
PERU
Alvaro PAITAN Q.
Normal Probability Plot of the Standardized Effects
(response is Y, Alpha = ,05)
99 Effect Ty pe Not Significant Significant A B
F actor A B C N ame A B C
Primera Parte: 1
95 90 80
Percent
70 60 50 40 30 20 10 5
-10
-5
0 5 10 Standardized Effect
15
20
La grafica 2 de probabilidad normal, muestra a los efectos ms resaltantes y son aquellas que se encuentran alejados a la lnea y estos son A y B, con signos positivos. Grafica de efectos de las variables seleccionadas. Es importante que despus de la evolucin de los factores y la seleccin respectiva (en nuestro caso A y B X1 y X2) se busque evaluar independientemente de cmo afecta en la funcin respuesta en nuestro caso la recuperacin del Zinc (es importante considerar un factor metalrgico). Grafica 3
Main Effects Plot (data means) for Y
A 89,0 88,5 88,0 87,5 87,0 86,5 86,0 -1 0 1 -1 0 1 B
Point Ty pe C orner C enter
Mean of Y
En la grafica 3, el factor A y B influyen directamente en la recuperacin de Zinc, esto nos lleva a concluir que s aumentamos valores hacia la derecha del factor A y B, la
16
PERU
recuperacin aumentar en este caso estamos entrando a la siguiente etapa conocida como optimizacin. Grafica de interaccin. Esta grafica determina si los factores seleccionadas A y B conjuntamente en que grado pueden influir en la recuperacin del concentrado de Zinc. Grafica 4.
Interaction Plot (data means) for Y
91 90 89
A -1 0 1 Point Ty pe Corner Center Corner
Mean
88 87 86 85 -1 0 B 1
En la grafica 4, si el factor A toma un valor mnimo con referencia a B (lnea continua) entonces la recuperacin de Zinc no aumentara, llegando solamente a 86%; Pero si B (lnea punteada) toma valores altos con referencia a B entonces la recuperacin de Zinc aumentar 90%.
17
PERU
Anlisis superficial de respuestas. Grafica 5.

Contour Plot of Y vs B; A
1,0
Y < 87 88 89 >
Ara a optimizar
0,5
87 88 89 90 90
Hold Values C -1
0,0
-0,5
-1,0 -1,0
-0,5
0,0 A
0,5
1,0
DISEO FACTORIAL FRACCIONAL Para la mayora de los experimentos, la cantidad de recursos disponibles (tiempo, dinero) es limitada, como el nmero de factores en 2k se incrementa, el nmero de corridas para preparar una rplica completa se incrementa rpidamente. En muchos casos, el diseo factorial completo comienza a ser muy costoso y difcil de preparar. Los diseos factorial fraccional usa fracciones de un diseo factorial completo para obtener informacin en relacin a efectos principales y a bajas ordenes de interaccin. Porque usar diseo factorial fraccional. Se pueden contestar las siguientes preguntas. Cules factores tienen un efecto mayor en la respuesta? Cules factores tienen solo un impacto insignificante en la respuesta? Cules ordenes de baja interaccin son importantes para explicar la variacin en la respuesta?
18
PERU
Se usa cuando se busca estudiar los efectos de 4, 5 factores a ms. Plantilla fraccionado en mitad para 4 factores. Tabla 4. N Prueba A B 1 -1 -1 2 +1 -1 3 -1 +1 4 +1 +1 5 -1 -1 6 +1 -1 7 -1 +1 8 +1 +1
C -1 -1 -1 -1 +1 +1 +1 +1
D -1 +1 +1 -1 +1 -1 -1 +1
Plantilla fraccionado en un cuarto para 5 factores. Tabla 5. N Prueba A B C 1 -1 -1 -1 2 +1 -1 -1 3 -1 +1 -1 4 +1 +1 -1 5 -1 -1 +1 6 +1 -1 +1 7 -1 +1 +1 8 +1 +1 +1
D -1 +1 -1 +1 +1 -1 +1 -1
E -1 -1 +1 +1 +1 +1 -1 -1
DISEOS DE PLANCKETT BURMAN. Una clase de diseos desarrollada por Plackett y Burman (1946), que requiere un nmero de unidades experimentales igual a un mltiplo de 4, se ha utilizado de manera exhaustiva en experimentos exploratorios dentro de la investigacin industrial. Ellos establecen diseos para valores intermedios de N que no sean una potencia de 2 y para N < 100, excepto 92. En la tabla 7 se encuentra una muestra de los diseos ms prcticos y fciles de construir encuentra para N = 12, 16, 20, 24 y 32 corridas experimentales; los diseos se pueden generar a partir de los renglones con signos + y -. En esta tabla, cada rengln de generadores tiene N - 1 coeficientes, que son los coeficientes + y - necesarios para la primera corrida de los N - 1 factores. Los coeficientes del factor para la segunda corrida se generan a partir de la primera, tomando el primer coeficiente de la primera corrida y colocndolo en la ltima posicin de la segunda corrida y moviendo los coeficientes de la primera una posicin a la izquierda; las corridas sucesivas se generan de la misma manera. Al completar el ciclo de reemplazo de coeficientes para N - 1 corridas, se agrega una corrida final con coeficientes - para los N - 1 factores. En la tabla 7 se muestra un diseo para N - 1 = 11 factores en N = 12 corridas.
19
PERU
Plantilla de Planckett Burman para seis factores Tabla 6 N Prueba 1 2 3 4 5 6 7 8
A +1 +1 +1 -1 +1 -1 -1 -1
B +1 +1 -1 +1 -1 -1 +1 -1
C +1 -1 +1 -1 -1 +1 -1 -1
D -1 +1 -1 -1 +1 +1 +1 -1
E +1 -1 -1 +1 +1 +1 -1 -1
F -1 -1 +1 +1 +1 -1 +1 -1
G -1 +1 +1 +1 -1 +1 -1 -1
EL arreglo de los (+) y (-) de las tablas de La Planckett Burman es tal que cuando una variables esta a un nivel dado la mitad son positivos y la otra mitad negativos y el efecto neto de una variable se calcula como la influencia de las otras variables. Estos efectos es la diferencia de los promedios de la suma de cantidades positivos y negativos de la funcin respuesta y se calcula con la siguiente formula. suma.de.(+) suma.de.() Efecto = Numero(+) Numero() Suma (+): Suma de los valores positivos que se obtiene al multiplicar los signos de la columna de un factor con la funcin respuesta Y observada. Suma (-): Suma de los valores negativos que se obtiene al multiplicar los signos de la columna de un factor con la funcin respuesta Y observada. Numero (+) y (-): Es la cantidad de signos que intervienen en la columna de una variable o factor. Determinacin de efectos de cada variable se determina con las ecuaciones mencionadas anteriormente, es importante considerar en una tabla de Planckett Burman una columna de un factor como constante en este caso para la tabla tomemos la columna D, esto se debe a que los efectos calculados se divide entre el error del diseo. Para determinar la significancia del efecto de las variables por el mtodo t student y se calcula por regresin. En la mayora de los casos de debe tomar una significancia mayor al 85% valida la probabilidad.
Tabla 7.
20
PERU
Plantilla de 7 a 10 factores. Tabla 8.

Prueba 1 2 3 4 5 6 7 8 9 10 11 12 A 1 1 -1 1 1 1 -1 -1 -1 1 -1 -1 B 1 -1 1 1 1 -1 -1 -1 1 -1 1 -1 C -1 1 1 1 -1 -1 -1 1 -1 1 1 -1 D 1 1 1 -1 -1 -1 1 -1 1 1 -1 -1 E 1 1 -1 -1 -1 1 -1 1 1 -1 1 -1 F 1 -1 -1 -1 1 -1 1 1 -1 1 1 -1 G -1 -1 -1 1 -1 1 1 -1 1 1 1 -1 H -1 -1 1 -1 1 1 -1 1 1 1 -1 -1 I -1 1 -1 1 1 -1 1 1 1 -1 -1 -1 J 1 -1 1 1 -1 1 1 1 -1 -1 -1 -1 K -1 1 1 -1 1 1 1 -1 -1 -1 1 -1
Un mtodo para estimar la varianza del error experimental de diseos factoriales fraccionadas. Una prueba de la significancia de estos efectos requiere una estimacin de la varianza del error experimental. Una estrategia general para obtener tal estimacin incluye varios pasos, el primero selecciona aquellos efectos que parecen ser despreciables en la grfica de probabilidad normal y une sus sumas de cuadrados para estimar el error experimental.
21

Libro Diseños Factoriales Aplicado A Procesamiento de Minerales

Caricato da

Informazioni sul documento

Descrizione originale:

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Libro Diseños Factoriales Aplicado A Procesamiento de Minerales

Caricato da

Copyright:

Formati disponibili

DISEOS EXPERIMENTALES APLICADO A PROCESAMIENTO DE MINERALES

El nuevo cuadro con interaccin. Tabla 3.

Hallando las constantes con la siguiente ecuacin en Excel:

[B] = ([ X ]T .[ X ]) 1.([X ]T .[Y ]) [B] : Constantes de la regresin

Desarrollando obtenemos las constantes de la ecuacin.

Y= 87,22 + 1,46X1 +0,9875X2 -0,56X3 +0,387X1X2 -0,362X1X3 +0,86X2X3 +0,11X1X2X3

Coeficientes 87,22 1,4625 0,9875 -0,5625 0,3875 -0,3625 0,8625

Error tpico 0,41636823 0,46551383 0,46551383 0,46551383 0,46551383 0,46551383 0,46551383

Calculo de Y estimado. Y = [Y ].[ B] .(1.10)

Analizando con graficas. Diagrama de Pareto.

C AB AC ABC 0 5 10 Standardized Effect 15 20

Anlisis superficial de respuestas. Grafica 5.

Plantilla fraccionado en un cuarto para 5 factores. Tabla 5. N Prueba A B C 1 -1 -1 -1 2 +1 -1 -1 3 -1 +1 -1 4 +1 +1 -1 5 -1 -1 +1 6 +1 -1 +1 7 -1 +1 +1 8 +1 +1 +1

Plantilla de Planckett Burman para seis factores Tabla 6 N Prueba 1 2 3 4 5 6 7 8

Plantilla de 7 a 10 factores. Tabla 8.

Potrebbero piacerti anche