Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
DEPARTAMENTO DE MATEMTICAS
LICENCIADO EN MATEMTICAS
Presenta:
ermosillo, Sonora
Octubre de 2004
AGRADECIMIENTOS
A LA UNIVERSIDAD DE SONORA y a su Departamento de Matemticas,
por haberme brindado la oportunidad de acceder a muchos conocimientos
que me compartieron sus mejores maestros; por las oportunidades de
reforzar mi formacin acadmica con cursos en otras universidades y el
apoyo en varios de mis proyectos.
A MI ASESORA DE TESIS, M.C. Gudelia Figueroa Preciado, por su
paciencia, sus consejos durante el desarrollo de esta tesis, su disposicin a
compartir sus conocimientos conmigo lo cual me inspira para seguir
estudiando. Pero sobre todo, por su amistad y por brindarme siempre una
sonrisa.
A MI COMIT REVISOR DE TESIS, por el apoyo que sus miembros me
brindaron y por sus comentarios, que enriquecieron la presentacin final de
esta tesis.
A MIS MAESTROS, por brindarme sus conocimientos, que enriquecieron
mis estudios a lo largo de la carrera. Gracias por su ayuda. En especial a
M.C. Gudelia Figueroa Preciado, Dra. Martha Guzmn Partida, Dr. Martn
Gildardo Garca Alvarado, M.C. Mara Teresa Robles, M.C. Jorge Ruperto
Vargas Castro, M.C. Guillermo Dvila Rascn y Mat. Marco Antonio
Valencia Arvizu. Por saber alentarme, por su disposicin para ayudarme con
mis dudas, pero sobre todo por nunca dejar de imponerme nuevos retos.
Los respeto y admiro.
A la vida, por sonrerme como hasta ahora lo ha hecho.
Muchas Gracias!
DEDICATORIA
A DIOS
Por estar siempre conmigo y por colmarme a m y a mis seres queridos con
salud y amor; tambin por darme la bendicin de estar viva y as poder
culminar uno ms de mis proyectos.
A MIS PADRES
Quienes me han brindado su amor, tiempo, comprensin, desvelos y mucho
ms. Los llevo siempre en mi corazn.
A MIS HERMANOS
Martha Cecilia, Ivonne y Ricardo, por su preocupacin hacia m y porque
siempre me alentaron a seguir adelante y tambin por la confianza que
depositaron en m.
A MIS SOBRINOS
Said Isaac, Jess Eduardo, Jess Antonio, Dante Ricardo y Juan Pablo,
pues con su ternura y cario me dan fuerza para seguir luchando.
A MIS FAMILIARES Y AMIGOS
Por creer en mi, por estar conmigo en las diferentes etapas de mi vida, por
el apoyo moral que siempre me han dado y por tantas cosas ms.
A JAIME
Por su amor, su apoyo incondicional y por alentarme en todo momento para
la realizacin de mis metas. Siempre ser una parte importante de mi vida.
CONTENIDO
CAPITULO 1
INTRODUCCIN
CAPTULO 2
PRINCIPIOS DE DISEO EXPERIMENTAL
2.1 QU ES UN DISEO EXPERIMENTAL7
2.2 CONCEPTOS BSICOS EN EL DISEO DE EXPERIMENTOS
2.3 PRINCIPIOS BSICOS DEL DISEO EXPERIMENTAL
2.4 PASOS A SEGUIR PARA DISEAR UN EXPERIMENTO
2.5 CLASIFICACIN DE LOS DISEOS
2.6 ANLISIS DE VARIANZA EN UNA CLASIFICACIN
2.6.1 VERIFICACIN DE LOS SUPUESTOS DEL
MODELO
2.7 EXPERIMENTOS FACTORIALES
2.7.1 FACTORIALES A DOS NIVELES
2.7.2 DISEOS FACTORIALES CON TRES FACTORES
2.7.3 DISEOS FACTORIALES
2.7.4 FACTORIALES FRACCIONARIOS A DOS NIVELES
CAPTULO 3
ANLISIS DE REGRESIN LINEAL
3.1 INTRODUCCIN AL ANLISIS DE REGRESIN LINEAL
3.2 ANLISIS DE VARIANZA PARA REGRESIN LINEAL
3.3 PRUEBA DE HIPTESIS DE LA PENDIENTE Y DE LA
ORDENADA AL ORIGEN
3.4 ADECUACIN DEL MODELO DE REGRESIN
3.4.1 COEFICIENTE DE DETERMINACIN Y DE CORRELACIN
3.4.2 ANLISIS DE LOS RESIDUALES...
3.4.3 PRUEBA DE FALTA DE AJUSTE
3.5 EJEMPLO
3.6 REGRESIN LINEAL MLTIPLE
3.6.1 MODELO DE REGRESIN LINEAL MLTIPLE
3.6.2 PROPIEDADES DE LOS ESTIMADORES DE MINIMOS
CUADRADOS
3.6.3 PRUEBAS DE HIPTESIS EN LA REGRESIN LINEAL A
MLTIPLE
3.6.4 APLICACIN DE REGRESIN LINEAL
MLTIPLE
CAPTULO 4
METODOLOGA DE SUPERFICIES DE RESPUESTA
4.1 LA METODOLOGA DE SUPERFICIES DE RESPUESTA
4.2 DISEOS DE SUPERFICIES DE RESPUESTA
4.3 MTODO DE ESCALAMIENTO ASCENDENTE
4.4 DISEOS PARA ESTIMAR SUPERFICIES DE RESPUESTA
DE SEGUNDO ORDEN
4.4.1 DISEO CENTRAL COMPUESTO
4.4.2 DISEO CENTRAL COMPUESTO CON DOS Y TRES
FACTORES
4
4
5
6
7
8
9
11
13
14
16
18
20
22
22
25
26
27
27
28
31
33
38
38
40
41
42
49
49
49
51
53
53
55
CONTENIDO (cont...)
57
59
59
59
63
65
65
67
68
84
85
88
88
89.
90
92
97
97
98
99
100
101
104
105
106
CAPTULO 1
INTRODUCCIN
En la actualidad existen muchsimos estudios que han demostrado de
diversas maneras los beneficios nutritivos de la soya. Investigaciones mdicas
recientes han encontrado que el consumo de frjol de soya puede bajar el nivel de
colesterol, reducir el riesgo de cncer, prevenir la osteoporosis y otras
enfermedades crnicas [31]. Por esa razn muchos consumidores buscan
comidas hechas con soya, y los investigadores e industrias se han preocupado por
introducir nuevas y mejores maneras de incorporar la soya en nuestras dietas.
Las semillas de soya contienen un veinte por ciento de aceite, la mayor
parte del cual se extrae cuando stas se prensan, no contiene colesterol, y tiene
bajo contenido en grasas saturadas; adems, de contener una mezcla exclusiva
de cidos grasos especficos que reducen el riesgo de enfermedades cardacas
[15] y1241.
Un aspecto importante dentro de la calidad nutricional de los aceites es el
contenido de vitaminas, como son los tocoferoles, los cuales son reducidos por
efecto de las condiciones extremas durante parte de su procesamiento. Los
tocoferoles son reconocidos por su eficiente inhibicin de la oxidacin lipdica en
los alimentos y en los sistemas biolgicos, por lo cual es recomendable
mantenerlos en los alimentos y no buscar este efecto antioxidante con sustitutos
extraos.
CAPTULO 2
PRINCIPIOS DE DISEO EXPERIMENTAL
Factores
Controlables
2
3
X X ...
t
r
a
d
a
Factores No
Controlables
Z i , Z2,Z3...
a
1
a
Figura 2.1
estar ordenadas o no, por ejemplo, los tipos de raza, diferentes mtodos de
aplicacin, tipos de mquinas, operadores, etc. En nuestro ejemplo el factor
cualitativo fue la presin, pues el experimento se corri con o sin presin. Por otro
lado, los factores cuantitativos son aquellos donde los diferentes niveles se
expresan en valores numricos definidos, que corresponden a determinadas
cantidades de las variables bajo estudio. Por ejemplo temperatura, dosis, tiempo,
etctera.
Factores Controlables y no Controlables. Los factores controlables son aquellos
factores o variables de entrada a las que se les puede asignar ciertos valores o
niveles de operacin, esto es, son manipulables. Los factores no controlables,
tambin conocidos como factores de ruido, son aquellos que durante la operacin
del proceso quedan fuera del control del diseador, como por ejemplo factores
ambientales, nimo de los operadores, calidad u homogeneidad del producto o
materia prima recibida, etctera.
Error Experimental. Este describe la variacin observada entre idnticas unidades
experimentales, tratadas independientemente. Se puede deber a varias causas,
entre ellas: la variacin natural entre unidades experimentales, la variabilidad al
medir la respuesta, falta de habilidad al, reproducir exactamente las mismas
condiciones de una unidad a otra, la existencia de interaccin entre unidades
experimentales y los tratamientos, o bien algn otro factor extrao.
Error Aleatorio. Es la variabilidad observada que no se puede explicar por los
factores estudiados y resulta del efecto de los factores no estudiados y del error
experimental.
Variable respuesta. Es la caracterstica o variable de salida cuyo valor interesa
medir.
completamente aleatorizado.
i=1,...,a
a medias de
j=12
Ho :p 1 = 1,1 2
H1 71,
= ...=
P.
Definiendo
y t. =
(2.2)
(2.3)
(2.4)
j=1
a a,
= ZE
i=1 j=1
1 a "
- -
N
J.1
donde N =
10
Error
Suma de
Cuadrados
Grados de
Libertad
t LE-
a-1
N -a
Total
a -1
SC
CM e
N -a
y? - --=
1--1.14
Tabla
CME
E0 = CM nviit
,2
n,
SCT = E E
Tra
Fo
, = SC Tras
cm
Y-
N-1
v2
v 2
=a
SCTra,
Cuadrado
Medio
2.1
(2.5)
H:
o P1
= 12 2 =
po
N - a
grados de
Se mostrar cmo verificar estos supuestos para el caso que se est tratando, que
es el de un diseo completamente aleatorizado, el cual, como ya se mencion,
puede ser modelado de la siguiente manera:
= p + + e,
donde i =
a j =1,2,...,n,.
Yy
Y )= Y,
(2.7)
eu yu -fry
(2.8)
Para verificar los supuestos del modelo en trmino de los residuales, se deber
cumplir que
Los ey siguen una distribucin normal con media cero.
Los ey son independientes entre s.
Los tratamientos tienen varianza constante u2.
A continuacin se muestra como se podran verificar estos supuestos.
Supuesto de Normalidad. Se pueden graficar los residuales en papel de
probabilidad normal, que es un formato para hacer una grfica del tipo XY, donde
una escala es lineal y la otra logartmica. Si los residuos siguen una distribucin
normal la grfica obtenida se asemeja a una lnea recta; cuando no es as, el
supuesto de normalidad no se cumple. Para hacer esta grfica:
Se ordenan los n residuales de menor a mayor y se les asigna un rango de 1
a n, el cual denotamos por
Se calcula su posicin de graficacin en base a su rango y al total de
observaciones, con la siguiente frmula: (i-0.5)/ n. i= 1,2,..., n .
Se dibujan los puntos
-0.5)/ n), r, sobre la escala lineal y
(i -0.5)/ n, sobre la escala logartmica
12
13
Estos diseos pueden combinarse con diseos por bloques, cuando hay
restricciones en la aleatorizacin.
El clculo de los efectos en un diseo factorial es muy sencillo.
Aunque hay que mencionar que el utilizar estos diseos tiene tambin sus
desventajas, entre las cuales estn:
A medida que se incrementa el nmero de factores o de niveles, el diseo
factorial se hace imprctico, debido a las limitaciones de material
experimental o de recursos
Cuando aumenta el nmero de factores, se dificulta la interpretacin de
interacciones de orden superior.
A pesar de estas desventajas, el procedimiento factorial es de innegable
importancia, y puede ser aplicado a muy variadas situaciones.
2.7.1 Factoriales a Dos Niveles
Estos diseos se utilizan en experimentos en los que intervienen k factores,
y cada uno de ellos tiene dos niveles, los cuales pueden ser cuantitativos
(temperatura, presin, tiempo, etc...) o cualitativos (mquinas, operadores,
proveedores, etctera). Una rplica completa de tal diseo requiere que se
recopilen 2 k observaciones y se conoce como diseo factorial 2k . Este diseo es
particularmente til en las primeras fases del trabajo experimental, cuando hay
muchos factores por investigar. Con este diseo se hace menor nmero de
corridas que con las que pueden estudiarse k factores en un diseo factorial
completo, ya que cada factor tiene slo dos niveles. Debe suponerse que la
respuesta es aproximadamente lineal en el intervalo de los niveles elegidos de los
factores.
Si existen dos factores A y B con a niveles para A y b niveles para B, entonces
cada corrida contiene ab combinaciones de los tratamientos. Cuando los factores
A y B, estn cada uno a dos niveles A<->, A<+>, B< ->, B<+>, el factorial
se indicara como un 2 2 y constara de cuatro posibles combinaciones de
tratamientos, representadas como:
A< ->, B< - >
A<->, B< + >
A<+>,B<->
A<+>,B<+>
1
b
a
ab
El anlisis factorial implica anlisis de los efectos de los factores a fin de constatar
si el efecto de un factor es independiente del otro factor o si por el contrario existe
interaccin. Para comprender mejor esto, se debe aclarar cmo medir el efecto en
los experimentos factoriales. Esto es, conocer lo siguiente:
14
A bajo
30
A alto
20
10
B b ajo
B alto
Grfica 2.1
Grfica 2 2
15
Muchas veces se utiliza el mtodo de analizar los factores uno a la vez, cuando lo
ms apropiado es hacerlo simultneamente, ya que si estudiamos los factores por
separado nos dar un resultado que puede no corresponder a situaciones reales
del experimento, con lo cual se podra generar confusin y tal vez gastos
innecesarios.
2.7.2 Diseos factoriales con tres factores.
i= 1,2
fi +7k + ( alg
a; j= 1,2 ., b;
k= 1,2
(2.9)
c; 1= 1,2,. ,
donde
(437),Jk
es la media global
es el efecto del i-simo nivel del factor A
es el efecto del j-simo nivel del factor B
es el efecto del k-simo nivel del factor c
( c99,k , y ( fly)jk , representan los efectos de las interacciones dobles,
en los niveles y, ik, y jk respectivamente.
es el efecto de interaccin triple en la combinacin yk.
Por ltimo,
eykl
Para este diseo se tienen siete efectos de inters y para cada uno de ellos se
puede plantear una hiptesis nula del tipo
16
o Efecto
Fuente de
Variacin
Grados de
Libertad
a -1
SCA
b -1
SCB
SCc
SC AB
CM A
CM B
CMc
CM AB
CM, / CME
CMB 7 CM E
CMc /CME
CM AB /CME
SCAC
" krie-, gc
CMAc
CM BC
CM-IC /CME
CM BC / CME
CM ABC /CME
c -1
F0
AB
(a -1)(b - 1)
AC
(a-1)(c-1)
BC
(b-1)(c-1)
ABC
(a-I)(b-1)(c-1)
SC ABc
CM ABC
Error
Total
abc(n- I)
SC E
CM E
abcn -1
SCT
Tabla 2.2
Las sumas de cuadrados indicadas en la tabla se calculan de la siguiente forma:
abcn
SC
T
1-1 J=I k=1 1=-1
b
SCB
'
SCA -E '
,=, bcn
abcn
C y2 jr
SCc
abcnj'
T .1 acn
a
SCAB =
a 2
k.
an
- SC A -
abcn
1 . 1 j1 cn
b c
SC Bc = l1
j=lk=1
abcn9'
2
Yii.-
2
a c
Y 1.k
SC Ac =-II
frA
bn
k=iabn
abcn
abcn,
f
SCB,
SCA SCc.
abcn,
SCB SCc,
17
b c
SC .4BC
z=1 j=1
Y_ k
k=1 n
SC A SC 8 SCc SC SC SC ,
abcn
a b
c.02
yk
SCE = SC E
\
abcn
Figura 2.2
1
k(()+abb+acc+abcbc1
.4117
A
Figura 2.3
18
Efecto factorial
AB AC
BC
ABC
+
-
+
+
+
-
+
-
+
+
-
+
+
+
-
BC
+
+
+
-
+
+
+
+
+
+
+
+
+
+
+
+
a
b
e
abc
ab
ac
bc
(1)
Tabla
2.3
[abc-bc + ab-b- ac + c -a + 1]
4n
En las frmulas anteriores para calcular los efectos, lo expresado entre corchetes
es lo que se conoce con el nombre de contraste y a partir de stos es muy sencillo
calcular las sumas de cuadrados para cada uno de los factores y sus interacciones
cuando se tiene un diseo factorial a dos niveles. Por ejemplo, en un diseo 23
con n repeticiones, las sumas de cuadrados se calculan
SC =
(Contraste n)22
8n
(2.10)
19
A
a
(a) la) Fraccin principal, 1= +ABC
Figura 2.4
20
P A = (a - b - c + abc)
B (-a + b - c + abc)
2
(-a - b + c + abc)
2
Se puede observar, entonces, que si queremos calcular los efectos de las
interacciones dobles, stos sern:
tac
(a - b - c + abc)
2
AC
+ b - c + abc)
2
I AB = (-a - b + c + abc),
2
Se tiene, por lo tanto, que I A =LI BC 1 8 = I AC Y PC tAB; entonces es imposible
diferenciar entre A y BC, entre .8 y AC, y entre c y AB. Cuando dos o ms efectos
tienen esta propiedad se les denomina alias.
Cuando en un diseo se tienen alias, se maneja el concepto de resolucin del
diseo para poder conocer la estructura de estos alias. Los ms importantes son
los diseos de resolucin III, IV y V, que se definen a continuacin.
Diseo de Resolucin III. Es aquel en que ningn efecto principal se confunde con
otro efecto principal, pero los efectos principales se confunden con interacciones
de dos factores y stas algunas veces con otras interacciones de dos factores.
Diseo de Resolucin IV. Ningn efecto principal se confunde con otro efecto
principal o con interacciones de dos factores, pero las interacciones de dos
factores son alias entre s.
Diseo de Resolucin V. Son diseos en el que ningn efecto principal ni
interaccin de dos factores se confunde con otro efecto principal o interaccin de
dos factores, pero stas ltimas se confunden con las interacciones de tres
factores.
Es de gran importancia conocer y manejar estos conceptos pues en la prctica se
encuentra con frecuencia esta clasificacin que puede ser de gran influencia en la
seleccin del diseo a utilizar.
21
CAPTULO 3
ANLISIS DE REGRESIN LINEAL
Introduccin al Anlisis de Regresin Lineal
El objetivo de efectuar un anlisis de regresin es investigar la relacin
estadstica que existe entre una variable dependiente Y con una o ms variables
Para poder realizar esto, se postula una relacin
independientes
funciona l entre estas variables. Debido a su simplicidad analtica, la forma
funciona l que ms se utiliza en la prctica es la relacin lineal. Cuando solo existe
una variable independiente, esto se reduce a modelar los datos con una lnea
recta y se le conoce como regresin lineal simple, como se puede apreciar en la
grfica 3.1:
= tgO
Y = flo + fi,X
(3.1)
x
Grfica 3.1
YIX= A+A X +e
(3.2)
A la variable Y se la denomina variable dependiente y a x variable independiente.
En este modelo de regresin lineal se asume que:
x no es una variable aleatoria.
Para cada valor x, de x existe una variable aleatoria Y/X, cuya media est
dada por el modelo.
c. Todas las variables Y/X, se distribuyen normalmente y se suponen
independientes, con igual varianza; esto se muestra en la grfica 3.2.
22
Grfica 3.2
(3.3)
=I
donde
ECY,
=1
=ICY, fo Ax,Y ,
; =I
el cual debe minimizarse. Para ello se toman las derivadas parciales de s con
y A.
respecto a ft y A, se igualan a cero, y se resuelven para
23
As,
as (,s'o,A) = 2 zo A
x,x p = 0
afto
de donde se obtiene
E y, +EA +EAx, =0
as(oo,A) =21(yi A_ Ax,xx,)=
alto
-E
j=1
(3.4)
2
(3.5)
j=1
i=1
, = E(Y j Y) =
2
=1
LY- te.LY;
j=1
j=1
(3.6)
fi' = siz
rY
(3.7)
(3.8)
24
[L E:2][1] [Yy
1 Ex,2Ey,
nEx,2 - t., y Ex,Ey,nEx,y,
donde
. 2 r-- E(
E6 0
,=1
,=1
lo cual se obtiene partiendo de la identidad
+E(y 1)2
(3.9)
donde
E 0),
scR + sc,
sc E =E0),- 9 32 ;
i=1
sc,=scE-Asxy.
De ah
25
(3.10)
(3.11)
CM E = SCE /(n- 2)
(3.12)
y
Las hiptesis a probar en un anlisis de varianza son:
Ho : = 0
H1 : 0
Fo .
libertad
Regresin
scR =As zy
CMR
Error o
residual
n - 2
CME
Total
SCT
n- 1
CM?
CA/1
Tabla 3.1
fl;
26
donde
To=
0, 2
ya que
fil;
Po flO*
(3.14)
1CM E (1n
donde tambin fi; es una constante. En el apndice C, se demuestra tambin que
x 2
2
Se rechazar la hiptesis nula, al nivel de
E( /3 0) =-- 110 y V(A)=0- n
significancia a, cuando Tc,
>7.1-a/2,n-2'
E(9,
R2
E (3)
.V)2
= R
y)2
SC,'
(3.15)
27
SC 1(n- 2)
P =
(3.16)
a(X)a(Y)
./5,5,
(3.17)
(3.18)
sigue una distribucin t de Student con n-2 grados de libertad y puede ser
utilizado para probar H0 : p = 0. La hiptesis nula ser rechazada, al nivel de
significancia a, cuando
>71-aan-r
28
e,
e,
0
b)
a)
e,
c)
Grfica 3.3
La grfica 3.3a) en forma de embudo abierto, nos indica que la varianza de los
errores es una funcin creciente de la respuesta. La grfica 3.3b) indica no
linealidad, esto es, se puede necesitar algn trmino cuadrtico en el modelo. La
grfica 3.3 e) muestra los residuales encerrados en una banda horizontal y con un
comportamiento aleatorio, lo que significa que no hay defectos en el modelo. Por
ltimo la grfica 3.3d) es un tipo de grfica que se presenta generalmente cuando
la respuesta es una proporcin entre cero y uno.
Hay varias propiedades importantes en los residuales: su media es cero y su
varianza promedio aproximada se estima con:
29
tef
SC E
n - k -1 nk-1
= i.1
CmE=1-'
n - k -1
(3.20)
i= 1,2
(3.21)
(3.22)
t=2
t=I
donde las e,, t=1,...,n son los residuales calculados por mnimos cuadrados.
Durbin y Watson [13] demuestran que si d se encuentra entre dos cotas, digamos
dL y du, no se puede llegar a una conclusin determinante, si es menor que dL
se rechazar la hiptesis nula y si es mayor que du , no hay evidencia para
rechazar sta; donde las hiptesis estn dadas por:
110 :
=0
H,: p,.
30
x
Grfica 3.4
j =
En total se
tendrn n = E n, observaciones.
n=1
i=1 j=1
P i
(3.23)
esto es
31
SCE =SCEP+SC FA
donde SCE es la suma de cuadrados del error o residual, y SC EA se conoce como
suma de cuadrados debido a la falta de ajuste.
Y
H1 : E(Y,) fio+
El estadstico de prueba para verificar la falta de ajuste es:
SCFA /(m 2) CM FA
F0
(3.24)
inadecuado y se tendr que buscar otro que resulte ms apropiado. Por otra
e si Fo no es significativa, aparentemente no existe razn para dudar de la
ecuacin del modelo. Los cuadrados medios de la falta de ajuste y del error
ro pueden tomarse como estimados de a 2 . Esta prueba de falta de ajuste suele
lazarse en diseo experimental cuando los niveles del factor de estudio son
antitativos.
.5 Ejemplo
En el siguiente ejemplo, se toman las mediciones de retencin de tocoferol
en el aceite de soya como respuesta y se considera la temperatura como variable
independiente. Los valores para esta ltima son solamente cinco, que
correspondern, como se ver despus, a los valores establecidos por el diseo
seleccionado en la aplicacin de la metodologa de superficie de respuesta. La
tabla 3.2 muestra, adems de esta variable, las mediciones de retencin de
tocoferol calculadas en el experimento, as como los residuales y valores
estimados al ajustar el modelo.
Orden Corridas Temperatura Retencin de Tocoferol Residual Valor ajustado
C'C)
(%)
19
8
20
12
3
6
1
10
9
2
4
5
16
14
15
7
17
11
13
18
90
130
90
130
90
130
90
130
77
143
110
110
110
110
110
110
110
110
110
110
86.95
82.45
93.01
87.94
85.05
75.6
89.41
66.65
83.4
66.49
86.84
85.83
83.25
83.52
90.31
87.87
87.41
88.33
88.16
88.31
Tabla 3.2
Ho : = 0
-2.53068
3.252676
3.529324
8.742676
-4.43068
-3.59732
-0.07068
-12.5473
-9.58623
-9.20177
2.501
1.491
-1.089
-0.819
5.971
3.531
3.071
3.991
3.821
3.971
89.48068
79.19732
89.48068
79.19732
89.48068
79.19732
89.48068
79.19732
92.98623
75.69177
84.339
84.339
84.339
84.339
84.339
84.339
84.339
84.339
84.339
84.339
Es decir, se quiere probar si31 tiene efecto sobre la respuesta, para lo cual se
utilizan las ecuaciones (3.9) a la (3.14).
Y se obtiene:
SCT =SCR+SCE=i(Y,-.)))2 = 947.68
=1
m
SC E =i(-fr
i ) 2 = 586.638
i=1
CM R = SCR = 361.044,
361.04
Grados
de
Libertad
1
Error o
residual
Total
586.638
18
947.68
19
Media de
Cuadrados
361.044
Fo
11.07
32.59
Tabla 3.3
Estimacin
112.61
-0.26
Error estndar
8.59
0.077
Tabla 3.4
Estadstico t
13.11
-3.33
Valor p
<.0001
0.0037
Efectuando las pruebas hiptesis para los parmetros del modelo, usando los
estadsticos mostrados en las ecuaciones (3.13) y (3.14), se tiene que:
H o :fio =0
H 1 ..,60 #0
Ho /31 =0
H1 : 0
34
361 04
. = 0.381
947.68
,i1-r 2 - / 1 (0.6173)2
Comparando este valor con -- t099.18 = -2.552, se rechaza la hiptesis nula para
a= 0.01 y se concluye que la correlacin es significativa.
Para la prueba de falta de ajuste calculamos,
m n,
SC Ep =
35
Como P(F135 > 3.81) = .0326, para a = 0.01 no se rechaza la hiptesis nula de que
el modelo de regresin se ajusta adecuadamente a los datos.
La grfica de residuales, obtenida en JMP IN, es la grfica 3.5:
10
5
0
I -5
-10
85
70
85
75
80
Rettacol Predicled
90
Grfica 35
0.0
-2.5
75
1
80
1
85
Predicled Rettocof
i
90
95
Grfica 3.6
Se puede observar que ninguno de los residuales estandarizados est fuera del
intervalo de entre menos tres y tres desviaciones estndar.
Por otra parte, en la prueba para verificar si existe autocorrelacin en los errores,
se plantean las siguientes hiptesis:
110:pr=0
H 1 : p, 0
36
e7
-0.07068
-9.20177
-4.43068
2.501
1.491
-3.59732
3.531
3.252676
-9.58623
-12.5473
3.991
8.742676
3.821
-0.819
5.971
-1.089
3.071
3.971
-2.53068
3.529324
0.00499566
84.6725711
19.6309253
6.255001
2.223081
12.9407112
12.467961
10.5799012
91.8958056
157.434737
15.928081
76.4343836
14.600041
0.670761
35.652841
1.185921
9.431041
15.768841
6.40434126
12.4561279
e,
(e, -
9.13109
-4.77109
-6.93168
1.01
5.08832
-7.12832
0.278324
12.838906
2.96107
-16.5383
-4.751676
4.921676
4.64
-6.79
7.06
-4.16
-0.9
6.50168
-6.060004
e,-.1
)2
83.3768046
22.7632998
48.0481876
1.0201
25.8910004
50.812946
0.07746425
164.837507
8.76793554
273.515367
22.5784248
24.2228946
21.5296
46.1041
49.8436
17.3056
0.81
42.2718428
36.7236485
.-
E(e, -e,)
, 2 = 940.50032
1=2
Ze = 586.63807
t=1
Tabla 3.5
re
= 940.50032
=1.6032037
586.63807
t=1
37
y du , no se
Recordemos que si d se encuentra entre dos cotas, digamos
puede llegar a una conclusin determinante, si a es menor que d t se rechazar la
hiptesis nula y si es mayor que du , no hay evidencia para rechazar sta.
Para nuestro ejemplo estos valores de dt y du para n = 20 observaciones, k=
variable predictora y a = 0.05 , son d = 1.20 y du .1.41, entonces d > du por lo que
concluimos que no existe autocorrelacin entre los residuales, pues no hay
evidencia para rechazar la hiptesis nula.
La grfica de residuales con respecto al orden de las corridas se muestra en la
grfica 3.7.
10
0
ce
ce
mi -5
rc
-10
-15
,
0
10
15
20
orden
Grfica 3.7
fil X 1
fip X p
PO "4-
fliX: + 6
(3.25)
38
xl ,
x12
Xlk
po
El
Y2
x21
x22
X2k
YI
52
xnk_
fik
1 xm
.x2 .
nx(k+1)
nx1
(k+1)x1
nx1
de donde se obtiene
X T Xft = X T y
(3.27)
39
= covIt =
i) f$
f (
EIXT XT 043
Isr39 rykx-rxY1XTYT }
ppr
=E +(XTVXT4P+(nireirlppT
ppT EINT xT EETx
11_ ppT
=a-'xTEIETwx-rx-'
v I xT 0.2DINT -1
0,2 NT 39 1
40
entonces
Cov($)--- 0- 2 (X r X)-1
II 0
: 13
Regresin sc R= ftr xr
EY13 2
y_ (14
Ai _ SC R
CM
''
R
n
Error o
residuo
SCE = y r y _ r
xT
n-k-1
cm
_
E
r _
Fo -
CM R
CM E
SCE
n -- k -1
Total
T y- ( 1 y' ) 2
SCT =Y
n -1
n
Tabla 3.6
41
:fli 0
que el
S'
(3.28)
=
/d c
fik
0k
-,:CM ECk+1.k+1
13(11 >
t o)
- 1CMECk+1,k+1
Tabla 3.7
Orden
Corridas
19
8
20
12
3
6
1
10
9
2
4
5
16
14
15
7
17
11
13
18
Temperatura Tiempo
(min.)
(C)
90
130
90
130
90
130
90
130
77
143
110
110
110
110
110
110
110
110
110
110
20
20
20
20
60
60
60
60
40
40
40
40
6.4
74
40
40
40
40
40
40
Valor
Ajustado
91.91066
81.62731
91.91066
81.62731
87.05069
76.76734
87.05069
76.76734
92.98623
75.69177
84.339
84.339
88.42573
80.25227
84.339
84.339
84.339
84.339
84.339
84.339
Retencin (%)
Tocoferol
86.95
82.45
93.01
87.94
85.05
75.6
89.41
66.65
83.4
66.49
86.84
85.83
83.25
83.52
90.31
87.87
87.41
88.33
88.16
88.31
Residual
-4.96066
0.822693
1.099342
6.312693
-2.00069
-1.16734
2.359307
-10.1173
-9.58623
-9.20177
2.501
1.491
-5.17573
3.267727
5.971
3.531
3.071
3.991
3.821
3.971
Tabla 3.8
Utilizando la ecuacin (3.26), para calcular los estimadores de los parmetros
(3.27) ,se forman las matrices :
86 .95
90
20
82 .45
130
20
93 .01
90
20
87 .94
130
20
85 .05
90
60
130
60
75
r =
89 .41
90
60
66 .65
130
60
83 .4
77
40
66 .49
143
40
110
40
83
110
40
83 .25
110
6.4
83
52
110
74
90
31
110
40
87
87
110
40
87
41
110
40
88
33
110
40
88
16
110
40
88 .31
110
40
86 .84
85
X =
43
xr x
1 - 1 90 20
1
1
90 130 110 1 130 20
20 20 . 40 "
1 110 40
20
2200 800.4
2200 247378 88044
800.4 88044 37517
25919
-2.0454x10-2
(x r x)' = -2.0454x10 -2 1.8594x10 -4
-7.2963x10 -3 0
2.5919
- 2.0454 x10 -2
- 7.2963 x10 - '
- 2.0454 x10 -2
1.8594 x10 -4
0
-7.2963x10-3
0
1.8232x10-4
-7.2963 x 10 -'
0
1.8232 x 10'
1
90
20
I ...
130
20
86.95
1
82.45
110
40
88.31
117.69
0.26
0.12
SCE = fi r X T y-(
311 ) = 441.53512
n
SCE = y r y- ST X T y = 506.14746
2
S = yr y- (
Y;) =947.68258
y as obtenemos
44
F0
Fuente de
Variacion
Suma de
Grados de
Cuadrados
libertad
Cuadrado
Medio
Valor p
Regresin
441.53512
220.768
Error o residuo
506.14746
17
29.773
<0.0048
Total
947.68258
19
Tabla 3.9
220.7 68
y vemos que Fo =
Tambin podemos verificar la adecuacin del modelo por medio del coeficiente de
determinacin, en este caso lo calculamos como:
SCR
441.53512
R =
R2 =
SCT 947.68258
= 0.46591
mat
-1
29.773
= 0.403076.
947.68258/19
45
,d2cli
(X T
1,
que
Ho:
H1
- 0.26
=
= 3.49,
- r(29.773X1.8594 x10-4)
se tiene que
H,: fl2 = 0
H 1 : 112
*0
- 0.12
(29.773X1 8232 x10-4)
1.63.
Para un valor de a = 0.05, se concluye que el efecto del tiempo sobre la retencin
de tocoferol no resulta significativo.
Se puede tambin efectuar esta prueba para el caso de )6,9 ; aunque no se ilustra
su clculo en esta tesis, resulta significativa para a = 0.01.
En cuanto a la prueba de falta de ajuste, tenemos que calcular la suma de
cuadrados del error puro; de la ecuacin (3.23), obtenemos
m n,
SC Ep = EE(ya j=1
y i y= 94.86365
y as
SC FA =
46
0
n
-5
-10
55
70
75
Ret10o31
80
85
Predided
90
95
Grfica 3.8
-2.5
75
80
85
go
95
Procheted Rettocof
Grfica 3.9
47
que
)2
=1.7386.
le?
1=1
.5
-10
1 2 3 4 5 8 7 8 9 10 12 14 18 18 20
11 13 15 17 19
orden
Grfica 3.10
48
CAPTULO 4
METODOLOGA DE SUPERFICIES DE RESPUESTA
4.1 La metodologa de Superficies de Respuesta
El objetivo de la metodologa de superficies de respuesta es optimizar una o
ms variables de inters, lo cual se logra al determinar sus mejores condiciones
de operabilidad. Para ello se utiliza un conjunto de tcnicas estadsticas que nos
permiten analizar y modelar la forma en que la variable de inters es influenciada
por otras. Se pueden distinguir tres aspectos claves en esta metodologa: diseo,
modelo y tcnicas de optimizacin.
Se necesita, por lo tanto, conocer de diseo de experimentos para poder elegir el
diseo ms apropiado. Entre los diseos base ms utilizados se encuentran los
diseos factoriales completos o fraccionarios, estudiados en el captulo dos. Para
modelar una superficie de respuesta se necesitan tambin conocimientos de
regresin lineal mltiple, como son los cubiertos en el captulo tres y en cuanto a la
optimizacin, son necesarios ciertos conocimientos de lgebra lineal y de clculo.
Para esto ltimo no se incluye un captulo en especial, sino que, en su momento,
se detallan algunas de las herramientas utilizadas en el transcurso de este
captulo y otras se anexan en el apndice C.
+ Zflix; +e
(4.1)
irl
j=21=1
irl
Para estimar los parmetros de este modelo se puede utilizar el mtodo de.
mnimos cuadrados. Si el modelo ajustado describe adecuadamente la funcin de
respuesta, entonces el analizar este modelo es casi equivalente a analizar el
sistema real. La metodologa de superficies de respuesta es un procedimiento
secuencial que se puede ilustrar con el diagrama de la figura 4.1.
49
1.11
Regin de la S.
de R. de
en ay
Trayectoria de
mximo ascenso
= 90
= 75
Figura 4.2
51
__ af_
vf r
ay' az
si es que existe.
Con frecuencia en esta definicin se escoge a v como un vector unitario. En este
caso nos movemos en la direccin de v con rapidez unitaria.
Tambin es necesario recordar los siguientes teoremas cuyas demostraciones se
anexan en el apndice C:
Teorema 4.1
Si f :12 3 > R es diferenciable, entonces todas las derivadas direccionales existen y
ay
ax
az
donde v = (v,,v2,v3).
Teorema 4.2
vf
af afaf
r = fic Pi xi
P2X2
y el factor con mayor influencia es x2 , se tomar en unidades codificadas el
incremento Ax2 = 1, y para el factor x, se tomar en unidades codificadas
ztx, = g zlx2 . Similarmente se har si se tienen ms factores. Se generan
112
entonces puntos en la direccin ptima, a partir del centro del diseo, hasta
detectar un cambio en la variable respuesta. Cuando esto ocurre se tiene el centro
de una nueva regin de experimentacin.
4.4.1
53
, -a), (O, 0,
a).
, 0), (a, 0,
, 0), (0, -a,
,0),
Se tendr por lo tanto, en total,
La distancia de los puntos axiales al origen, que se denota por a, vara segn las
propiedades que se desean en el diseo. Las propiedades ms buscadas,
generalmente, son rotabilidad, ortogonalidad y precisin uniforme. A continuacin
se explica en qu consiste cada una de estas propiedades, sin demostracin
alguna, ya que ello se considera fuera del alcance de esta tesis y solamente se
citan las referencias en cada caso.
factorial 2 k y
54
Wilson [7] han demostrado que para dar la propiedad de ortogonalidad al diseo
se elige el valor de a como:
v2
que en la esfera de radio r =1, esto es, se tiene una varianza constante dentro de
la esfera unitaria. Box y Hunter [6] demuestran que para conseguir un diseo
rotable con precisin uniforme o casi uniforme se debe seleccionar
a (2 k )114
n o~24^.2k + 2)+ 2 k -2k
0.7844
0.8385
0.8704
0.8918
0.9070
0.9184
0.9274
Tabla 4.1
Entonces, utilizando 14, se puede fijar el nmero de puntos centrales de un diseo.
4.4.2 Diseo Central Compuesto con dos y tres factores
55
Figura 4.3
x2
Putas AxIales
(-0.11 ) (a.1) ( L a) (5.-a)
Puntos de1Factorki 23a
1.1.+1)(+1,+1)(-1.-1)(+1,-1)
(a,a)
10,0)
( 1, 1)
(11,-a)
1)
Diseco Central Compuesto Prbnaonal
wats centrala
puntas antrales
pulto ezdales ain = 1,114
puntos de/ Fecione 222
Figura 4.4
X3
Figura 4.5
56
Diseo Central
Compuesto Rotable
6 puntos centrales
6 puntos axiales con
Diseo Central
Compuesto Ortogonal
9 puntos centrales
6 puntos axiales con
a =1.682
Tabla 4.2
4
6
8
1.414 1.682 2
a
5
6
7
Puntos Centrales (P. U.)=n
8
Puntos Centrales (ortogonales)= n
9
12
13
20 31
Pruebas Totales(P. U.)=N
23 36
Pruebas Totales (ortogonales)= N 16
Puntos Axiales
32
64
10
12
2.378 2.828
10
15
17
24
52
91
59
100
Tabla 4.3
Los diseos centrales compuestos son muy eficientes [4], pues proporcionan
mucha informacin sobre los efectos de las variables experimentales y sobre todo
del error experimental, todo ello en un nmero mnimo de corridas posibles.
Aunque en el problema de aplicacin que se aborda en esta tesis se utiliza un
diseo central compuesto, se explica a continuacin un diseo tambin muy usado
para modelar una respuesta de segundo orden, que es conocido como Diseo
Box-Behnken.
4.4.3 Diseos Box-Behnken
Este es un tipo de diseo experimental, propuesto por Box y Behnken [3], el
cual tiene tres niveles en cada factor, lo que permite la estimacin de un modelo
cuadrtico completo incluyendo interacciones. Este diseo es una alternativa para
ajustar modelos cuadrticos que requieren tres niveles de cada factor. Es un
57
Figura 4.6
X2
-1
-1
1
1
-1
-1
1
1
0
0
0
0
-1
1
-1
1
0
0
0
0
-1
-1
1
1
0
0
0
0
0
0
0
0
-1
1
-1
1
-1
1
-1
1
0
0
0
58
Se puede observar que este tipo de diseo carece de los puntos factoriales que
corresponden a los vrtices del hipottico cubo, lo cual es una gran ventaja
cuando la realizacin de esos puntos es muy cara o requieren condiciones fsicas
complejas, pues se encuentran lejos del centro, que es regularmente la zona
estndar de trabajo.
4.4.4 Seleccin de un Diseo de Segundo Orden
Aunque no se presentan en esta tesis, existe una gran variedad de diseos
para estimar superficies de segundo orden. De hecho, algunos experimentadores
se sienten perdidos cuando, al no conocer sobre el tema, pretenden utilizar algn
software estadstico y se encuentran con una gran cantidad de diseos para
estimar este tipo de respuesta, todos ellos con caractersticas y propiedades
diferentes. Cmo seleccionar entonces el diseo ms apropiado?. Los criterios a
seguir son generalmente:
Se debe tratar de minimizar el nmero de tratamientos, pero al mismo tiempo
el diseo debe permitir la estimacin de todos los parmetros de inters en
el modelo de segundo orden.
Debe ser flexible, es decir, que pueda construirse a partir de diseos de
primer orden.
Propiedades como ortogonalidad, rotabilidad y/o precisin uniforme son
convenientes pues estn relacionadas con la calidad de la estimacin de
los parmetros.
4.5 Anlisis de una Superficie de Respuesta
Cuando se ha encontrado la regin donde se cree se encuentra el ptimo o
punto estacionario, se puede caracterizar la superficie para ver si se tiene un
mximo, un mnimo o un punto silla. Estas tcnicas de optimizacin dependen del
modelo ajustado y existen bsicamente tres mtodos que son: escalamiento
ascendente, anlisis cannico y anlisis de cordilleras. En esta tesis solamente se
utilizan los primeros dos. Enseguida se muestra en qu consiste el anlisis
cannico y la aplicacin de ste en el problema estudiado, se desarrolla en el
captulo cinco.
4.5.1 Anlisis cannico
Es una tcnica utilizada para analizar los modelos de segundo orden y
caracterizar su superficie, estudiando las coordenadas del punto estacionario, el
tipo de punto y la orientacin de la superficie. Este anlisis consiste en reescribir el
modelo ajustado de segundo orden en su forma cannica, que consiste en
expresarlo en trminos de nuevas variables, llamadas variables cannicas, las
cuales son transformaciones de las variables codificadas. La ventaja es que la
59
k k
?= Po + i3; x
i=1
1=1
1=1
<J-4
f fto +x T ft + x rBx
(4.3)
donde
x r = EX 1 , X2
4011
P12 /
y
B=
P12
2
P13. 12
filk
12
/322
fti3
Ylk / 2
/2
P23 /
P23
/ 2
P33
P2:
/ 2
P3k/ 2
402k /2
Pli
Akk
60
00 + x 3
(4.4)
+ 4w22 +
+ Akw:,
donde fs est dada por la ecuacin (4.4) o sea es el valor predicho por el modelo
representa a las variables independientes
sobre el punto estacionario;
transformadas, conocidas como variables cannicas, y las 2 son los valores
propios de la matriz B.
determinan el tipo de superficie de respuesta y
Los tamaos y signos de las
punto estacionario que se ha encontrado:
Si los valores propios son todos negativos, el punto estacionario es un
mximo.
Si son todos positivos, el punto estacionario es un mnimo.
Si los valores propios son de signos mezclados, el punto estacionario es un
punto
Se puede entonces describir la forma de la superficie de respuesta a partir del
punto estacionario y de las magnitudes y signos de las Ai's.
La forma cannica de una ecuacin con dos variables es:
r rs = 211 1q +22214/1
y 22 son ambos negativos, se puede decir que un
Para este caso, si
movimiento en cualquier direccin, alejndose del centro del nuevo sistema de
coordenadas, resulta en una prdida cuadrtica de respuesta, es por eso que la
superficie ajustada (elipsoide) tiene un mximo, como se observa en la figura 4.7.
W2
Wi
Figura 4.7
61
Figura 4.8
Para el caso en que por ejemplo .22 sea aproximadamente cero indica la
existencia de algn tipo de teja (cilindro), un ejemplo el representado en la figura
4.9.
Figura 4.9
Para encontrar el valor de los A's o valores propios de la matriz B hay que
recordar que son constantes que cumplen la relacin
Bm, =
62
Grfica 4.1
En el caso de que la grfica presente un punto silla, los contornos se vern como
en la grfica 4.2
20
X214);'
293
220
Grfica 4.2
63
64
CAPTULO 5
APLICACIN DE LA MSR EN LA INDUSTRIA ACEITERA
La industria aceitera hoy en da es ms cuidadosa con el control de cada
una de las etapas del procesamiento de los aceites. Los aceites vegetales deben
ser sometidos a un proceso de refinacin antes de poder ser consumidos por el
hombre. Este proceso sirve para lograr un sabor suave y estabilidad oxidativa.
Los aceites son sometidos a diferentes etapas unitarias que involucran en
conjunto el proceso de refinacin (desgomado, neutralizacin, blanqueo y
desodorizacin).
En la produccin de aceites se necesitan implementar procedimientos de
optimizacin que permitan conseguir mejores resultados que los obtenidos por
los medios tradicionales. Para la industria mexicana es de suma importancia
poder competir con productos de calidad, lo que implica producir aceites con alta
calidad oxidativa, bajo color y nutricionalmente aceptables. La elevada demanda
de aceites en el mundo ha trado como consecuencia que su produccin vaya en
aumento y actualmente se le est dando importancia al efecto del procesamiento
sobre la calidad nutricional de los aceites, ya que stos son portadores de
vitaminas y cidos grasos esenciales.
En este trabajo se ha considerado solamente una de las etapas del
procesamiento del aceite, en este caso de soya, que consiste en el proceso de
blanqueo, que se explicar ms delante. En este paso se tiene como objetivo
optimizar los tocoferoles (vitamina E), que son antioxidantes naturales y obtener
un valor adecuado de perxidos, lo que proporcionar mejor estabilidad
oxidativa en el aceite.
5.1 Procesamiento del Aceite de Soya
El proceso de refinamiento del aceite de soya tiene como finalidad eliminar
impurezas liposolubles que se encuentran en el aceite crudo, y as obtener un
aceite con altas normas de calidad como son su sabor, apariencia y estabilidad
oxidativa. El cumplimiento de estas normas implica generalmente la prdida de
ciertas propiedades nutricionales como son los tocoferoles. En Estados Unidos y
otros pases desarrollados se cuida cada vez ms el no afectar dichas
propiedades, ponindose especial atencin durante las etapas de blanqueo y
desodorizacin.
En el diagrama de la figura 5.1 se muestran las etapas a seguir en el
procesamiento del aceite de soya, las cuales se explican enseguida.
65
EXTRACCIN
DESGOMADO
NEUTRALIZACION
y
BLANQUEO
DESODORIZACIN
Figura 5.1
66
aceite crudo y tiene como objetivo separar los fosfolpidos, las partculas
metlicas (sales de calcio, magnesio y fierro) y todas las partculas slidas del
aceite, dndole as mayor estabilidad a la oxidacin lipdica, haciendo ms
eficiente su refinacin alcalina y blanqueo.
Neutralizacin. El proceso de refinacin puede realizarse por el mtodo qumico
67
68
El diseo seleccionado fue un diseo central compuesto para tres factores, con
las propiedades de rotabilidad y precisin uniforme. Las corridas se efectuaron
de manera aleatoria y los resultados se muestran en la siguiente tabla:
4
5
16
14
15
7
17
11
13
18
..
1
1
3
3
1
1
3
3
2
2
0.318
3.68
2
2
2
2
2
2
2
2
90
130
90
130
90
130
90
130
77
143
110
110
110
110
110
110
110
110
110
110
20
20
20
20
60
60
60
60
40
40
40
40
6.4
74
40
40
40
40
40
40
Indice de
Perxido
0.113
0.174
0.102
0.113
0.163
0.250
0.099
0.119
0.225
0.418
0.285
0.121
0.158
0.323
0.123
0.123
0.125
0.125
0.121
0.121
(%)Ret. De
Tocoferoles
86.95
82.45
93.01
87.94
85.05
75.6
89.41
66.65
83.4
66.49
86.84
85.83
83.25
83.52
90.31
87.87
87.41
88.33
88.16
88.31
Tabla 5.1
Los valores asignados a los puntos axiales, mostrados en la tabla anterior, se
encuentran redondeados. Para obtener los valores correctos para las corridas se
debe crear el diseo estableciendo que:
110
2
40
90
1
20
130
3
60
Tabla 5.2
Los datos fueron analizados utilizando el software estadstico JMP IN, y sobre
los resultados obtenidos con el mismo, se derivan las conclusiones. Se plantean,
asimismo, las hiptesis para cada uno de estos resultados.
69
Fuente de
Variacin
Modelo
Error
C. Total
Grados de
libertad
9
10
19
Suma de
cuadrados
840.83621
106.84637
947.68258
Cuadrado Medio
93.4262
10.6846
0.0011
Tabla 5.3
Grados de
libertad
5
5
10
Suma de
Cuadrados
101.86669
4.97968
106.84637
Tabla 5.4
Cuadrado
Medio
20.3733
0.9959
Esto es, se rechaza H0 , pues Prob > F es 0.0024, por lo tanto hay falta de
ajuste, lo que tal vez implica considerar reformas en el modelo.
70
Error
Estimacin
estndar
Interseccin
Temperatura
CantTierr
Tiempo
(Temp..)(Temp.)
(CantTierr)(Temp)
(CantTierr)(CantTierr)
(Tiempo)(Temp)
(Tiempo)(CantTierr)
(Tiempo)(Tiempo)
-73.37992
2.5551901
14.987765
1.1183478
-0.010708
-0.08675
-0.256252
-0.007075
-0.100875
-0.003248
32.71097
0.502935
7.641236
0.382062
0.002153
0.057784
0.86105
0.002889
0.057784
0.002153
Estadstico Valor p
T
-2.24
0.0487*
5.08
0.0005*
1.96
0.0783
2.93
0.0151*
-4.97
0.0006*
-1.50
0.1642
-0.30
0.7721
-2.45
0.0343*
-1.75
0.1114
-1.51
0.1623
Tabla 5.5
*Significativo para a = 0.05
Recordemos que las pruebas sobre los coeficientes individuales de la regresin,
como ya se explic en el captulo tres, se plantean
H0 :fli =0
:
0
71
94.62
88.28936
82.062
1
110
temperat
c0
77,
1.9999
40.02
CantTierr
Tiempo
Grfica 5.1
88.085213
-0.2731
0.16275
0.96948
0.18336
La grfica 5.2 muestra los contornos para la interaccin entre tiempo y cantidad
de tierras, dejando una temperatura fija de 97C
72
empereturet97
30 20 10 0
r i r
r
.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0
Tiene
.0
Grfica 52
Al explorar manualmente, en el JMP IN, la superficie de respuesta utilizando la
Vert
r.
Factor
Temperatura
Tierra
Tiempo
Response
Rettocof
Curten X
97.72
0.1136
63 96
1I
Contour Cunent Y
88.085213 88.085213 I
Lo Limit
87.5 1
Hi Limit
88.5
Rettocof
76.36414
Temperatura
143.6359
Grfica 5.3
73
Enseguida la grfica 5.4 muestra los contornos con los factores de cantidad de
tierra y tiempo, y con las mismas especificaciones anteriores.
Current X
Factor
TemperaturaLill
97.7
r
Tierra
0.11
1
r
F
Tiempo
63.
Contour Current Y
Response
Rettocof 1 88.085213 88.0852131
Horiz Vert
lo Limil
87.51
Hi Limit
138.5
Rettocof
1)
3.681793
Tierra
Grfica 5.4
En las grficas 5.3 y 5.4 se puede apreciar que la solucin propuesta para el
factor cantidad de tierras est fuera del rango de operabilidad propuesto.
El anlisis para verificar la adecuacin del modelo se muestra a continuacin,
iniciando con un histograma y un diagrama de caja para los residuales obtenidos
del ajuste de ste, los cuales parecen indicar normalidad.
Residual de la Retencin de Tocoferol
1
7.5
1
-5.0
-2.5
.0
2.5
5.0
Grfica 5.5
74
Para comprobarlo se efectu una prueba de hiptesis para probar la bondad del
ajuste a una distribucin normal y las hiptesis planteadas fueron:
H o:Los residuales siguen una distribucin normal
H1 :Los residuales no siguen una distribucin normal
Prob<W
0.9/8808
0.9015
-3
65
I
70
I
I
I
75
80
85
Predicted Rettocof
I
90
95
Grfica 5.6
-0.00000
2.37139
0.53026
1.10984
-1.10984
20.00000
75
5.0
2.5
-7.5
0
1
5
1
,
10
orden
1
15
20
Grfica 5.7
H 1 : p,
Numberot Obs.
20
AutoConlation
0.0840
76
bloriz Vert
r
r
C:
tr
Factor
Temperatura 1
Tierra
1
Tiempo
r
Response
Rettocof 1
en
en
Current X
96
1
2.8
1
23
,Cortour Qtrent Y
911 91.756956
1
1
I
I i 11
FA Limit
92
Rettocof
Lo Limt
90
.
\
moug
7 .- 1111, 'i Pir
e1 .
1.9. 49,
ri
1 ,1
iii.
Neller
1%. igisk,
Tiempo
ni
ISD.
1/4\
6.364143
Tiempo
73.63586
Grfica 5.8
Por otra parte, al explorar un poco ms la superficie, y tomando como base los
resultados anteriores, se obtuvo una retencin de tocoferoles de 94.14%, con
una temperatura de 97 C, una cantidad de tierras de 1.8%, y con un tiempo de
contacto de 20 minutos. Sin embargo, hay que aclarar que estas condiciones no
se validaron. Enseguida se muestra la grfica correspondiente.
77
(Contour Profiter
j
Current X
97
3.6
20
Current Y
Contour
94.142401
93.590051
Honz Vert
Factor
Temperatura
Tierra
Tiempo
Response
Rettocof
1
Lo Limit
90
Hi Limit
95
3.681793
Tierna
0.318207
76.38414
Temperatura
143 8359
Grfica 5.9
: El modelo no es adecuado
El modelo es adecuado
ANLISIS DE VARIANZA
Fuente de
Variacin
Modelo
Error
C. Total
Grados de
Libertad
Suma de
Cuadrados
Cuadrado
Medio
5
14
19
781.21865
166.46393
947.68258
Tabla 5.6
156.244
11.890
13.1405 <.0001
78
Rz =
778.36563
947.68258
0.821336
Hay que notar que ahora la prueba de falta de ajuste no es significativa al nivel
de 0.05, ya que Prob >F es 0.0899, o sea no se rechaza la hiptesis nula, por lo
tanto no hay falta de ajuste y entonces este modelo, sin el factor cantidad de
tierras, parece ajustarse mejor a los datos.
Ho : No hay falta de ajuste
H1 : Hay falta de ajuste
Fuente de
Variacin
Falta de ajuste
Error Puro
Error Total
Grados de
Falta de Ajuste
Suma de
Cuadrado
Libertad
Cuadrados
Medio
3
11
14
74.45330
94.86365
169.31695
24.8178
8.6240
Tabla 5.7
Variable
Interseccin
Temperatura
Tiempo
(Temp.)(temp)
(tiempo)(temp)
(tiempo)(tiempo)
Estimacin de Parametros
Estimado Error Std
-43.76766 30.78789
2.3676957 0.513966
0.9115089 0.383737
-0.010644 0.00226
-0.007075 0.003048
-0.003184 0.00226
t Radio
-1.42
4.61
2.38
-4.71
-2.32
-1.41
Prob>/t1
0.1770
0.0004*
0.0324*
0.0003*
0.0359*
0.1806
Tabla 5.8
donde
X = Temperatura, X3 = Tiempo
79
Curvatura Cannica
Tabla de Ei envalores v Ei envectores
-0.0017
-0.0123
-0.35673
0.93421
0.93421
0.35673
Tabla 5.9
Variable
Temperatura
Tiempo
Horiz Vert
fn
r
r 1
Factor
temperat I
Tiempo i
Current X
101.37
]
30.218
1
Contour Current Y
1
1
Response
RTOCOLES
'89
Hi Limit
89.826358
726986
Lo Limit
Iw
ii
RTOCOLES
I
1
'
a.
E
igo
$7
Oz----------1- V
, ft-rricit s
temperat
84
143
temperat
Grfica 5.10
94.46
88.10915 1 --1
61.989
(.6
110
temperat
40.02
Tiempo
Grfica 5.11
80
Fuente de
Variacin
Modelo
Error
C. Total
0.08666191
= 0.60914
0.14220695
y con este coeficiente de determinacin, solo podemos explicar el 60.914% de la
variabilidad en la respuesta, que es un porcentaje relativamente bajo y se
confirma esto, pues ninguno de los efectos fue significativo para un a = 0.05.
=
Fuente de
Variacin
Falta de ajuste
Error puro
Error Total
81
la cual indica que hay falta de ajuste, pues Prob>F es menor de 0.0001, lo que
lleva al rechazo de la hiptesis nula. An as, se muestra la estimacin de los
parmetros del modelo, para la respuesta indice de perxido, obtenidos por
mnimos cuadrados:
Parmetro
I ntercepcin
Temperatura
C.Tierra
Tiempo
(temp)(temp)
(C.Tierra)(temp)
(C.Tierra)(C.Tierra)
(Tiempo)(Temp.)
(Tiempo)(C.Tierra)
(Tiempo)(Tiempo)
1.1923304
-0.021642
0.060762
-0.001363
0.0001114
-0.000731
0.0026697
0.0000109
-0.000769
0.0000398
0.745824
0.011467
0.174223
0.008711
0.000049
0.001317
0.019632
0.000066
0.001317
0.000049
1.60
-1.89
0.35
-0.16
2.27
-0.56
0.14
0.17
-0.58
0.81
0.1410
0.0884
0.7345
0.8788
0.0466*
0.5911
0.8945
0.8714
0.5725
0.4361
Tabla 5.12
Para este diseo con tres factores e ndice de perxido como respuesta, no se
muestran las grficas de contorno respectivas de temperatura y tiempo,
temperatura y cantidad de tierras y tiempo con cantidad de tierras, ni los perfiles
de prediccin, pues la solucin obtenida corresponde a valores fuera del rango
en algunos de los factores, como se puede ver enseguida:
Solution
Critical Value
Variable
87.359333
Temperatura
-3.388873
Tierra
-27.5957
Tiempo
Solution is a
SaddlePoint
Critical values outside data range
Predicted Value at Solution
1EigenStructure
0.162843
-0.0000
0.41882
0.18291
0.88946
82
nt
1 0
r-
to
.,
to
N.
emperatura 01
.o.
771
6
CO
Tierra
el
or
N.
.-co
oa
co
Cl
40
,:r
k.
m
co
co
to
Ti empo
el
re
o-,
r-
Grfica 5.12
83
Contour Proaier
Helli Ved
)
Carent X
Factor
TeMpereture
Tierre
13111p0
ReW000.
Idecrox
COntour
0.1003117
II
90
2.0
23
CuTent Y
0.1003117
3.5131793
Hi Lim
0.12
IndPenm
Tierra
Temperatra
0 310207
70.30414
Tempenestra
143.8359
Grfica 5.13
84
ConIour Proller
j
Ctrrent X
97
3.4
25
Cartert Y
Contour
93.30472
79.75
0.0895885
02585
Factor
Temperataa
Tierm
rampa
Response
Rellane(
--traPeroa
1
Hor
Vert
cslt Density
[2 x 21) vi
Lo Limil
90
0
Updale Mode
IConlinuous
Hi Llmt
98
0.1
Reaocof
3.681793
mear
Ternperatum
IndPeroc
0.318207
76.16414
Temperatura
143.6359
Temperature
Gr fica 5. 1 4
puede inferir que cuando se obtiene una solucin que representa un punto silla,
en una superficie de respuesta, muchas veces ste no corresponde al ptimo
que se est buscando. As pues, es recomendable explorar esta superficie,
utilizando alguna herramienta computacional, para localizar la regin de
respuesta ptima. En el experimento desarrollado se present este problema en
ambas respuestas y se sigui un procedimiento grfico para explorar cada una
de las superficies. Al analizarlas por separado, se puede llegar, como ya se
mencion, a resultados lejos del ptimo comn. Se sugiere, entonces, analizar
conjuntamente las respuestas, pues se tendr una regin de operabilidad que
las optimice simultneamente. Fue por lo tanto conveniente utilizar una
metodologa de multirrespuesta para encontrar ese ptimo comn. El mtodo
que se utiliz aqu fue el grfico, el cual es sencillo cuando solamente se tienen
dos respuestas.
El investigador puede escoger, dentro de esta regin, valores especficos para
cada uno de los factores, y validados en el laboratorio. En la tabla siguiente se
muestran los valores que el investigador escogi, dentro de esta regin comn
de operabilidad, para mejorar sus respuestas, as como lo predicho por el
modelo para stas y lo obtenido en su validacin:
V. de Perxidos RTOCOLES
Niveles de vanables
(mEq/kg)
X3
X2
XI
(%)
23
2.8
96
91.75
0.10
Predichas por el modelo
Validadas en el laboratorio 0.094 0.04 91.79 1.33
X1 =Temperatura,X 2 =% de tierras,X3 =Tiempo de contacto
Para poder analizar grficamente las dos respuestas y sus tres factores
involucrados, se tuvo que fijar uno de ellos a cierto nivel para estudiar el
comportamiento de los otros. El valor al que se fija este factor, depende de las
condiciones de operabilidad, de la experiencia del investigador y tambin puede
ser sugerido por anlisis grficos o experimentos previos. Por ejemplo, para este
experimento, se podra sugerir validar lo siguiente en un experimento posterior.
Niveles de variables
X,
X2
X,
25
97
3.4
Valores predichos
V. de Perxidos
(mEq/kg)
RTOCOLES
(%)
0.089
93.30
Ya que al explorar en estas superficies descubrimos puntos que nos dan mejor
retencin de tocoferol dentro de los rangos del experimento, como una
temperatura de 97 grados centgrados, una cantidad de tierras de 3.4 gramos
(por cada 200 gramos), es decir 1.7% de cantidad de tierras, y un tiempo de 25
86
87
APNDICE A
TABLAS ESTADSTICAS
Tabla A.1
.0
,..t .2
.3
.4
.5
.6
.00
.01
.02
.03
.04
.05
.06
.07
.08
.09
.5000
.5040
.5080
.5120
.5160
.5199
5239
.5279
.5319
.5359
5398
.5438
5478
.5517
.5557
.5596
.5636
.5675
.5714
.5753
.5793
.5832
.5871
.5910
.5948
.5987
6026
.6064
.6103
.6141
.6255
.6293
.6331
.6368
.6406
.6443
.6480
.6517
.6628
.6664
.6700
.6736
.6772
6808
.6844
.6879
.7088
.7123
.7157
.7190
.7224
.7422
.7454
.7486
.7157
.7549
.7794
.7823
.7852
6179
.6554
.6915
.7257
.6217
.6591
.6950
.7291
.6985
.7324
.7019
.7357
.7054
.7389
.7580
.7611
.7642
.7673
.7704
.7734
.7764
.8
.7881
.7910
.7939
.7969
.7995
.8023
8051
.8078
.8106
.8133
.9
.8159
.8186
.8212
.8238
8264
.8289
.8315
.8340
.8365
.8389
.8529
.8621
1.0
.8413
.8438
8461
.8485
.8508
.8513
.8554
.8577
1.1
.8643
.8665
.8686
.8708
.8729
.8749
.8770
.8790
.8810
.8830
1.2
.8849
.8869
.8888
.8907
.8925
.8944
.8962
.8980
.8997
.9015
1.3
.9032
.9049
.9066
.9082
.9099
.9115
.9131
.9147
.9162
.9177
1.4
.9192
.9207
.9222
.9236
.9215
.9265
.9279
.9292
.9306
.9319
1.5
.9332
.9345
.9357
.9370
.9382
.9394
.9406
.9418
.9492
.9441
1.6
.9452
.9463
.9474
.9484
.9495
.9505
.9515
.9525
.9535
.9545
1.7
.9554
.9564
.9573
.9582
.9591
.9599
.9608
.9616
.9625
.9633
1.8
.9641
.9649
.9656
.9664
.9671
.9678
.9686
.9693
.9699
.9706
1.9
.9713
.9719
.9726
.9732
.9738
.9744
.9750
.9756
.9761
.9767
2.0
.9772
.9778
9783
.9788
.9793
.9798
.9803
.9808
.9812
.9817
2.1
.9821
.9826
.9830
.9834
.9838
.9842
.9846
.9850
.9854
.9857
2.2
9861
.9864
.9868
.9871
.9875
.9878
.9881
.9884
.9887
.9890
2.3
.9893
.9896
.9898
.9901
.9904
.9906
.9909
.9911
.9913
.9916
2.4
.9918
.9920
.9922
.9925
.9927
.9929
.9931
.9932
.9934
.9936
2.5
.9938
.9940
.9941
.9943
.9945
.9946
.9948
.9949
.9951
.9952
2.6
.9953
.9955
.9956
.9957
.9959
.9960
.9961
.9962
.9963
.9964
2.7
.9965
.9966
.9967
.9968
.9969
.9970
.9971
.9972
.9973
.9974
2.8
.9974
.9975
.9976
.9977
.9977
.9978
.9979
.9979
.9980
.9981
2.9
.9981
.9982
.9982
.9983
.9984
.9984
.9985
.9985
.9986
9986
3.0
.9987
.9987
.9987
.9988
.9988
.9989
.9989
.9989
.9990
.9990
3.1
.9990
.9991
.9991
.9991
.9992
.9992
.9992
.9992
.9993
.9993
3.2
.9993
.9993
.9994
.9994
.9994
.9994
.9994
.9995
.9995
.9995
.9996
.9996
.9996
.9996
.9997
.9997
.9997
.9997
.9998
3.3
3.4
.9995
.9997
.9995
.9997
.9995
.9997
.9996
.9997
.9996
.9997
.9997
88
Tabla A.2
g. de I
.60
.70
.75
.80
.90
.95
.975
.99
.995
.9995
.325
.727
1.000
1.367
3.078
6.314
12.706
31.821
63.657
636.619
.289
.617
.816
1.061
1.886
2.920
4.303
6.965
9.925
31.598
.277
.584
.765
.978
1.638
2.353
3.182
4.541
5.841
12.924
.271
.569
.741
.941
1.533
2.132
2.776
3.747
4.604
8.61
.267
.559
.727
.920
1.476
2.015
2.571
3.365
4.032
6.869
.265
.553
.718
.906
1.440
1.943
2.447
3.143
3.707
5.959
.263
.549
.711
.896
1.415
1.895
2.365
2.998
3.499
5.408
.262
.546
.706
.889
1.397
1.860
2.306
2.896
3.355
5.041
.261
.543
.703
.883
1.383
1.833
2.262
2.821
3.250
4.781
10
.260
.542
.700
.879
1.372
1.812
2.228
2.764
3.169
4.587
11
.260
.540
.697
.876
1.363
1.796
2.201
2.718
3,106
4.437
12
.259
.539
.695
.873
1.356
1.782
2.179
2.681
3.055
4.318
13
.259
.538
.694
.870
1.350
1.771
2.160
2.650
3.012
4 221
14
.258
.537
.692
.868
1.345
1.761
2.145
2.624
2.977
4.140
15
.258
.536
.691
.866
1.341
1.753
2.131
2.602
2.947
4.073
16
.258
.535
.690
.865
1.337
1.746
2.120
2.583
2.921
4.015
17
.257
.534
.689
.863
1.333
1.740
2.110
2.567
2.898
3.965
18
.257
.534
.688
.862
1.330
1.734
2.101
2.552
2.878
3.922
19
.257
.533
.688
.861
1.328
1.729
2.093
2.539
2.861
3.883
20
.257
.533
.687
.860
1.325
1.725
2.086
2.528
2.845
3.850
21
.257
.532
.686
.859
1.323
1.721
2.080
2.518
2.831
3.819
22
.256
.532
.686
.858
1.321
1.717
2.074
2.508
2.819
3.792
23
.256
.532
.685
.858
1.319
1.714
2.069
2.500
2.807
3.767
24
.256
.531
.685
.857
1.316
1.708
2.060
2.485
2.787
3.745
2.485
2.787
3.725
3.707
25
.256
.531
.684
.856
1.316
1.708
2.060
26
.256
.531
.684
.856
1.315
1.706
2.056
2.479
2.779
27
.256
.531
.684
.855
1.314
1.703
2.052
2.473
2.771
3.690
28
.256
.530
.683
.855
1.313
1.701
2.048
2.467
2.763
3.674
29
.256
.530
.683
.854
1.310
1.697
2.042
2.457
2.750
3.659
30
.256
.683
.854
1.310
1.697
2.042
2.457
2.750
3.646
40
.255
.530
.529
.681
.851
1.303
1.684
2.021
2.423
2.704
3.551
60
.254
.527
.679
.848
1.296
1.671
2.000
2.390
2.660
3.460
120
.254
.526
.677
.845
1.289
1.658
1.980
2.358
2.617
3.373
co
.253
.524
.674
.842
1.282
1.645
1.960
2.326
2.576
3.291
89
Tabla A.3
11
12
15
8
9
10
5
6
7
3
4
2
reas 1
161 200 216 225 230 234 237 239 241 242 243 244 246
.05
1
5859 5928 5981 6022 6056 6082 6106 6157
.01
4052 4999
.05 18.5119. 0019. 1 619.2519. 3919.3319.3619.3719.3819.3919.4 19.4 19.4
2
099.3399.3 4 99.3699.3899.4099.4 99.4 99.4
9
9
9
.01 9 919
9
8.94 8.88 8.84 8.81 8.78 8.76 8.74 8.70
9.12
9.28
10.139.55
.05
3
427.9127.6727.4927.3427.2327.1327.0526.87
.8129.4628.71
34.1230
.01
.05 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00 5.96 5.93 5.91 5.86
4
215.2114.9814.8014.6614.5414.9514.3714.2
21.2018.0016.6915.98
.01
.05 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.78 4.74 4.70 4.68 4.62
5
10.6710.4510.2710.1510.059.96 9.89 9.72
16.2613.2712.0611.39
.01
.05 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06 4.03 4.00 3.94
3
13.7410.929.78 9.15 8.75 8.47 8.26 8.10 7.98 7.87 7.79 7.72 7.56
.01
.05 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.63 3.60 3.57 3.51
7
12.259.55 8.45 7.85 7.46 7.19 7.00 6.84 6.71 6.62 6.54 6.47 6.31
.01
.05 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.34 3.31 3.28 3.22
8
11.268.65 7.59 7.01 6.63 6.37 6.19 6.03 5.91 5.82 5.74 5.67 5.52
.01
.05 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.14 3.10 3.07 3.01
9
10.568.02 6.99 6.42 6.06 5.80 5.61 5.47 5.35 5.26 5.18 5.11 4.96
.01
.05 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.97 2.94 2.91 2.85
10
10.047.56 6.55 5.99 5.64 5.39 5.21 5.06 4.95 4.85 4.78 4.71 4.56
.01
.05 4.30 3.44 3.05 2.82 2.66 2.55 2.46 2.40 2.34 2.30 2.31 2.28 2.20
20
7.95 5.72 4.82 4.31 3.99 3.76 3.59 3.45 3.35 3.26 3.30 3.23 3.09
.01
.05 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21 2.16 2.12 2.09 2.01
30
.01 7.56 5.39 4.51 4.02 3.70 3.47 3.30 3.17 3.07 2.98 2.90 2.84 2.70
05 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12 2.08 2.04 2.00 1.92
40
.01 7.31 5.18 4.31 3.83 3.51 3.29 3.12 2.99 2.89 2.80 2.73 2.66 2.52
05 4.03 3.18 2.79 2.56 2.40 2.29 2.20 2.13 2.07 2.03 1.98 1.95 1.87
50
7.17 5.06 4.20 3.72 3.41 3.19 3.02 2.89 2.78 2.70 2.62 2.56 2.42
.01
4.00 3.15 2.76 2.53 2.37 2.25 2.17 2.10 2.04 1.99 1.95 1.92 1.84
60
7.08 4.98 4.13 3.65 3.34 3.12 2.95 2.82 2.72 2.63 2.56 2.50 2.35
.01
.05 3.98 3.13 2.74 2.50 2.35 2.23 2.14 2.07 2.01 1.97 1.93 1.89 1.82
70
.01 7.01 4.92 4.08 3.60 3.29 3.07 2.91 2.77 2.67 2.59 2.51 2.45 2.32
. 05 3.96 3.11 2.72 2.48 2.33 2.21 2.12 2.05 1.99 1.95 1.91 1.88 1.80
80
.01
6.96 4.88 4.04 3.56 3.25 3.04 2.87 2.74 2.64 2.55 2.48 2.41 2.28
2.19 2.10 2.03 1.97 1.93 1.88 1.85 1.77
.05 3.94 3.09
100
2.99 2.82 2.69 2.59 2.50 2.43 2.36 2.22
6.90 4.82
.01
2.26
2.14 2.06 1.98 1.93 1.88 1.83 1.80 1.72
.05 3.89 3.04
200
2.89 2.73 2.60 2.50 2.41 2.34 2.28 2.13
6.76 4.71
.01
2.39 2.23 2.12 2.03 1.96 1.90 1.85 1.81 1.78 1.70
.05 3.86 3.02
400
3.06 2.85 2.69 2.55 2.46 2.37 2.29 2.23 2.08
6.70 4.66
.01
05 3.85 3.00 2.61 2.38 2.22 2.11 2.02 1.95 1.89 1.84 1.80 1.76 1.68
1000,
6.66 4.63 3.80 3.34 3.04 2.82 2.66 2.53 2.43 2.34 2.26 2.20 2.06
.01
.05 3.85 2.99 2.60 2.37 2.21 2.09 2.01 1.94 1.88 1.83 1.79 1.75 1.66
Inf
.01
6.64 4.60 3.78 3.32 3.02 2.80 2.64 2.51 2.41 2.32 2.24 2.18 2.03
' 05
90
A.4
Tamao
de
muestra
15
20
25
30
40
50
60
80
100
di.
du
d1,
du
.01
.025
.05
.01
.025
.05
.01
.025
.05
.01
.025
.05
.01
.025
.05
.01
.025
.05
.01
.025
.05
.01
.025
.05
.01
.025
.05
.81
.95
1.08
.95
1.08
1.20
1.05
1.13
1.20
1.13
1.25
1.35
1.25
1.35
1.44
1.32
1.42
1.50
1.38
1.47
1.55
1.47
1.54
1.61
1.52
1.59
1.65
1.07
1.23
1.36
1.15
1.28
1.41
1.21
I.34
1.45
1.26
1.38
1.49
1.34
1.45
1.54
1.40
1.50
1.59
1.45.
1.54
1.62
1.52
1.59
1.66
1.56
1.63
1.69
.70
.83
.95
.86
.99
1.10
.98
1.10
1.2 I
1.07
I.18
I.28
1.20
1.30
1.39
1.28
1.38
1.46
1.35
1.44
1.51
1.44
1.52
1.59
1.50
1.57
1.63
1.25
1.40
1.54
1.27
1.41
1.54
1.30
1.43
1.55
1.34
1.46
1.57
1.40
1.51
1.60
1.45
1.54
1.63
1.48
1.57
1.65
1.54
1.62
1.69
1.58
I.65
1.72
.59
.71
.82
.77
.89
1.00
.90
1.02
1.12
1.01
1.12
1.21
1.15
1.25
1.34
1.24
1.34
1.42
1.32
1.40
1.48
1.42
1.49
1.56
1.48
1.55
1.61
du
dr,
du
de
du
1.46
1.61
1.75
1.41
1.55
1.68
1.41
1.54
1.66
1.42
1.54
1.65
1.46
1.57
1.66
1.49
1.59
1.67
1.52
.49
.59
.69
.63
.79
.90
.83
.94
1.04
.94
1.05
1.14
1.10
1.20
1.29
1.20
1.30
1.38
1.28
1.37
1.44
1.39
1.47
1.53
1.45
1.53
1.59
I30
1.84
1.97
1.57
1.70
1.83
1.52
1.65
1.77
1.51
1.63
1.74
1.52
1.63
132
1.54
1.64
I 32
1.56
1.65
1.73
1.60
1.67
1.74
1.63
1.70
136
.39
.48
.56
.60
.70
.79
.75
.86
.95
.813
.98
1.07
1.05
1.15
1.23
1.16
1.26
1.34
1.25
1.33
1.41
1.36
1.44
1.51
1.44
1.51
1.57
1.96
2.09
2.21
1.74
1.87
1.99
1,65
1.77
1.89
1.61
1.73
1.83
1.58
1.69
139
1.59
1.69
1.61
1.69
1.57
1.65
1.72
1.60
1.67
1.74
137
1.60
1.69
1.77
1.62
1.70
1.77
1.65
1.72
138
91
APNDICE B
USO DE JMP IN EN SUPERFICIES DE RESPUESTA
Para analizar un diseo de superficie de respuesta en el JMP IN podemos seguir
los pasos que a continuacin se detallan:
1. En el men JMP Starter seleccionamos la opcin que aparecer en una
pestaa con el nombre DOE (Design of Experiments), en donde escogemos
Response Surface Designs, pues as indicamos que se desea un modelo de
superficie de respuesta en JMP IN.
92
[
y oprimiendo Continue se establece segn los intereses del experimentador el
valor de los puntos axiales.
93
Con Make Table se generar una hoja para la captura de los valores que toma la
variable Respuesta (Y), a partir de los factores. Se puede llenar esta tabla, o bien
establecer un orden para la captura de datos en este paso.
Central Compostte Design
Gmx
--
94
2. Una vez que los datos se han capturado, se recomienda salvar el diseo.
Para analizar la superficie de respuesta, en el men principal de JMP IN se
escoger Analyze, luego Fit Model
431-1P111 - Central Composste DesIgn
@ Pattem _
xz
0 X3
@Y
X1& RS
X2& RS
X3.1 RS
X1'92
Xl*X3
X14X3
X12X1
XIAX2
X3*X3
Bbck
APNDICE C
MATERIAL SUPLEMENTARIO
C.1 Prueba de Bardett
cy,n2
,
1
r+
3(k 1).;
- (N -41
con
2
Sp
=
l=
i(n, 1)51,2
Nk
Donde
96
Bajo el supuesto de que la hiptesis nula sea cierta, el estadstico tiene una
distribucin aproximadamente 2,2 con k -1 grados de libertad, cuando el muestreo
se realiza en poblaciones normales. Para todo valor de probabilidad menor que el
nivel de significanca establecido en la prueba a , se rechazar Ho .
c,2
i=1
W=
(n- 1)S2
Ea,(x,,_,,, - x,)]
2 " 2 exp
= (27ra )
1
T
2cr
2 (y,
flpx,)21
"
E(y,
AAx,) 2
-2 ird
20
Los estimadores de mxima posibilidad son los valores de los parmetros, por
ejemplo flo ,fil y as e , que maximizan aL , o lo que es lo mismo alnL .As,
afii
1 A,A,Lr
aln L
ao-2 ' 0-A.er2
1 "
DY;
n
2 y2
1 n
4I(y
'
2o
=0
fi x )2 =0
' '
98
= cfi o +
)= fioI c, +
1=1
:=1
E(e, )=
c, x,
z=1
= 1 1 entonces
E(1) = Yt
Esto es, si se supone que el modelo es correcto [que E(y,)= fio + fi,x1 lentonces A
es un estimador insesgado de fi 1 . De igual manera se puede demostrar que po es
un estimador insesgado de flo , es decir,
E(480) =
flo
99
Var(A). cr 2 Ec
1-4
o. 2
sn2
st,
La varianza de A es
Var(A)=Var(y -Ax)
=Var( y)+ X 2 Var(8 1 )- 2x-Cov(y , p,)
Ahora bien, la varianza de y no es ms que Var(y) u 2 /n,y se puede demostrar
que la covarianza entre
!!
Var(fi,)=Var( y )+ x2Var(f3,)
2
Ij
1 x2
= Cr (--
Szr
SCR
n.
Por definicin,
-y)2
SCR =(y,
,=1
SCR
en la forma
SCR =(y i -y)2
i=1
= --
pyr -iy]
100
EX(X
lj
lrj
=traza X T X(X r X)' traza I r fr r lr 1
= trazatX(X T X)' XltrazallO r
=traza(Ip)traza(1)
=p-1=k
flo/xidi,
i T T
=" fi
= , [fi
[MX
T -I T -10 T 1r 1 T X13
X)
= _1
2 [1 0
13
o-
[i X
Rtflo]
fi
oT
fl ;
101.
r a
a2
aT
tro
=
f 0reto]
or
xraR_n i (iTi)1 i T xRIflie
II R[x ; , R
cr
x ,T M T
xleleR
12
x21 - X1
X 22
Xil
Xc =
'2
lk
5C1
X 2k
Xk
X 1 -
Xkk Xk
X n2
siendo x l el valor promedio del primer regresor, x 2 el valor promedio del segundo
regresor, y asi sucesivamente, se puede demostrar con facilidad que el parmetro
de no centralidad se expresa como sigue:
gpcpc,l,
1r
1. 0.2
El valor esperado de SC R es
E(SCR )-= E(y1X(X r X r -10 r 1T lly)
MCM
14JCX,11R
SC E - 2,
)2
/=1
9)
=[y- X(X r X r yjr [y - X(X r Xry]
= y r k - X(X T X) I XTIV
La demostracin que
trivial; en consecuencia
x@
9) T
X) -I x
r ] es simtrica e idempotente es
102
Sc
2
2 yr
- X(X r Xr Xrly
E(y)= Xfi
12
a2
= fi r x r k -x(xT
= 12 fi r k T X-X T MX T Xrinjp= 0
Y como resultado,
SCE
2
o-
v2
Anp
X r ly)
X r kr
Ehfil - X(X r X
(y)
- p)o-2
Y como resultado,
.E(CM E )= E(
SCE :=CY2
n- p)
- XT
1r x(x T XT
SCR CMR
SCE
ica 2 0.2
- p 2
CME
a2
CME -F
.
kn-p,A
siendo
=
IntreXcfiR
=E(x, :=I
-F
CME
siendo 2, -= flE(X i
- x)2 .
j=1
Teorema 4.1
Si f : R 3 --> R es diferenciable, entonces todas las derivadas direccionales
existen. La derivada direccional en x en la direccin de V est dada por
Df( x Jv gradf ( x )'v = Vf( x ) .v =[9: ( x )]vi +[1. x
4-81 ( x )1v3
ax
ay
donde v =
v3 /
104
d .x12 + c ry' 2
donde x' , y' son los ejes obtenidos al rotar los ejes x y y un ngulo de 0 en el
sentido de las manecillas del reloj. Adems, los nmeros a' y c' son los valores
son llamad os los ejes
propios de la matriz A= a b/2 Los ejes x' Y
b/ 2 c
105
Bibliografa
Bockisch, M. (1998). Fats and oils handbook. Champaign, IL: AOCS
Press, 29-35.
Box, G. E. P. & Draper, N. R. (1987). Empirical model-building and
response surfaces. New York: John Wiley & Sons.
Box, G. E. P. & Behnken, D. W. (1960). Some new three leve) designs
for the study of quantitative variables. Technometrics 2, 455-476.
Box, G. E. P. & Hunter, J. S. Multifactor experimental designs for
exploring response surfaces. Annals of Mathematical Statistics. (vol.
28),195-242.
Box, G. E. P., Hunter, J. S. y Hunter, W. G. (,1998). Estadstica para
investigadores. Barcelona, Espaa: Revert.
Box, G. E. P. , Hunter, J. S. & Hunter, W. G. (1978). Statistics for
experimenters. New York: John Wiley & Sons.
Box, G. E. P. y Wilson, K G. (1951). On the experimental attainment of
optimum conditions. Journal of the Royal Statistical Society, B 13, 1-45.
Buyske, S. & Trout, R. (2001). Advanced design of experiments. Rutgers
University. Retrieved, from,
http://www.stat.rutgers.edu/-buyske/591/lect07.pdf
Cornell, J. A. (1984). How to apply response surface methodology. .
Milwaukee, WI: American Society for Quality Control.
De La Vara , R. & Domnguez, J. (1998). Metodologa de Superficie
de Multirrespuesta. Articulo publicado en Guanajuato, Gto: CIMAT.
Draper, N. R. & Smith H. (1981). Applied regression analysis. (2nd
ed.). New York: John Wiley & Sons.
Dudewicz, E. J. & Mishra, S. N. (1988). Modem mathematical
statistics. New York: John Wiley & Sons.
Durbin, J. & Watson, G. S. (1951). "Testing for serial correlation in
least square regression II", Biometrika, 38, 159-178.
Engineering statistics handbook. Retrieved January 17, 2003, from,
http://www.ittnist.gov/div898/handbook/pri/section3/pri3361.htm
106
[221
Kuehl, R. 0. (2001). Diseo de Experimentos. (r ed.). Thomson
Learning.
f231
Marsden, J. E. & Tromba, A. J.(1998). Clculo vectorial. (4a ed).
Pearson Education.
Medina-Jurez L. A, et al.(1998). Effects of processing on the
oxidative stability of soybean oil produced in Mexico. J. Am. Oil Chem,
75(12):1729-1733.
Medina-Jurez L. A, et al. (2000). Trans fatty acid composition and
tocopherol content in vegetable oils produced in Mexico. J. Am. Oil
Chem, 77(7): 721-724.
Montgomery, D. C.(2002). Diseo y Anlisis de Experimentos.(2 a ed).
[261
Editorial Limusa Wiley.
[271
107
108