Professional Documents
Culture Documents
experimentos
Variables
Deben ser variables w1 w2 ͙͘ wm
controlables
controlables
x y1
Variables de 1 y2 Variables de
entrada x2 Proceso salida
...
...
(factores) (Respuestas)
xp yn
Conocidas o
z1 z2 ͙͘ zq Variables desconocidas
incontrolables
Estrategias para la experimentación
Diseño estadístico de experimentos:
͞WƌŽĐĞƐŽĚĞƉůĂŶĞĂƌƵŶĞdžƉĞƌŝŵĞŶƚŽƉĂƌĂŽďƚĞŶĞƌĚĂƚŽƐĂƉƌŽƉŝĂĚŽƐ͕ƋƵĞƉƵĞĚĞŶƐĞƌĂŶĂůŝnjĂĚŽƐ
ŵĞĚŝĂŶƚĞŵĠƚŽĚŽƐĞƐƚĂĚşƐƚŝĐŽƐ͕ĐŽŶĞůŽďũĞƚŽĚĞƉƌŽĚƵĐŝƌĐŽŶĐůƵƐŝŽŶĞƐǀĄůŝĚĂƐLJŽďũĞƚŝǀĂƐ͘͘͘͟
Montgomery
Principios básicos del diseño estadístico de experimentos:
Obtención de réplicas (repetición del experimento)
Aleatorización
Análisis por bloques
Guías para el diseño estadístico de experimentos:
Compresión y planteamiento del problema
Elección de factores y niveles
Selección de variables de respuesta
Elección de diseño experimental
Realización del experimento
Análisis de datos
Conclusiones y recomendaciones
Definiciones importantes
5
Distribución de Probabilidades
3 2 2 3
6
Distribución normal
A manera de información existe una distribución que se ajusta mejor a los datos
experimentales de pequeñas muestras (n < 30 datos) conocida como distribución t-
student.
Características:
En forma de campana y
simétrica
teóricamente se extiende al
infinito por ambos lados
Área total bajo la curva es 1 ó
100%
Es más extendida y menos
puntiaguda que la normal
Realmente es una familia de
curvas que se hacen cada vez
mas parecidas a la distribución
normal para número de datos
grande.
9
Distribución Chi cuadrado
10
Distribución F
11
Pruebas de hipótesis con varianza conocida
Pruebas de hipótesis con variancia desconocida
Pruebas de hipótesis sobre la varianza de
distribuciones
Selección del nivel de confianza (p o alfa)
LEGAL ANALOGY:
Null Hypothesis : Innocent
Alternative Hypothesis: Guilty
Type I error: You are convicted and found guilty
even though you are innocent.
Type II error: The jury finds you innocent even
though you are guilty of the crime.
Diseños factoriales
Diseños factoriales
En muchas situaciones experimentales resulta de interés estudiar los efectos producidos por dos o
más factores simultáneamente; esto se logra con la ayuda de los Diseños Factoriales.
En general los Diseños Factoriales producen experimentos más eficientes, ya que cada observación
proporciona información sobre todos los factores, y es posible ver las respuestas de un factor en
diferentes niveles de otro factor en el mismo experimento.
Se entiende por Diseño Factorial a aquel diseño en el cual se pueden estudiar los efectos de dos o
más factores de variación a la vez; es decir, que se puede investigar todas las posibles
combinaciones de los niveles de los factores en cada ensayo completo o réplica del
experimento.
Ventajas de usar un diseño Factorial:
Ahorro y economía del recurso experimental; ya que cada unidad experimental provee
información acerca de dos o más factores, lo que no sucede cuando se realiza con una serie de
experimentos simples.
Da información respecto a las interacciones entre los diversos factores en estudio.
Permite realizar estimaciones de las interacciones de los factores, además de los efectos simples.
Permite estimar los efectos de un factor en diversos niveles de los otros factores,
produciendo conclusiones que son válidas sobre toda la extensión de las condiciones
experimentales.
Desventajas de usar un diseño Factorial:
Si el número de niveles de algunos de los factores o el número de factores es demasiado grande,
entonces el número de todas las combinaciones posibles de tratamientos de factores llega a ser un
número grande, en consecuencia la variabilidad en el experimento podría ser grande.
Estas dos situaciones, pueden hacer difícil detectar los efectos significativos en el experimento.
Diseños factoriales
Los diseños de experimentos de
comparación simple pueden no conducir
al óptimo (como se ilustra si se varía
primero la temperatura y luego el
tiempo)
Tratamientos A SSA
a
Yi.. 2 Y... 2 a-1 MS A
SS A
F0
MS A
i 1 bn abn a 1 MSE
SSB
b Y Y 2 2
SSB MSB
MSB F0
. j. ...
Tratamientos B b-1
j an abn b 1 MSE
a
SSAB
b Y Y 2 2
SSA SSB
SSAB F0
MS AB
MSAB
ij . ...
Interacción (a-1)(b-1)
i 1 j 1 n abn a 1b 1 MSE
Error
SSE SST SSA SSB SSAB SSE
(dentro de ab(n-1) MSE
tratamientos) abn 1
𝑦𝑖𝑗𝑘 = 𝜇 + 𝜏𝑖 + 𝛽𝑖 + 𝜏𝛽 𝑖𝑗 + 𝜀𝑖𝑗𝑘
Diseño Bifactorial
Modelo de efectos fijos para un diseño bifactorial:
𝑦𝑖𝑗𝑘 = 𝜇 + 𝜏𝑖 + 𝛽𝑗 + 𝜏𝛽 𝑖𝑗 + 𝜀𝑖𝑗𝑘
Donde:
es el efecto medio
𝒊es el efecto del i-esimo nivel del factor A ( 𝒊=0)
𝐣es el efecto del i-esimo nivel del factor B (𝐣=0)
𝒊𝐣es el efecto de la interacción entre A y B ( 𝒊𝐣 =0)
ijkcomponente del error aleatorio (variable aleatoria con media 0 y desviación estándar )
i=1,2,͙,a (niveles del factor A)
j=1,2,͙,b (niveles del factor B)
i=1,2,͙,n (número de réplicas)
Diseño Bifactorial
Ejemplo 7.1 (D.C. Montgomery):
Un ingeniero diseña una batería que será sometida a ciertas variaciones de temperatura. El
ingeniero prueba tres materiales distintos y evalúa la batería a tres niveles de temperatura. Qué
efecto tiene el tipo de material y la temperatura sobre la duración de la batería (horas)?
Temperatura (°F)
Tipo de 15 70 125
material 1 2 3 4 1 2 3 4 1 2 3 4
1 130 155 74 180 34 40 80 75 20 70 82 58
2 150 188 159 126 136 122 106 115 25 70 58 45
3 138 110 168 160 174 120 150 139 96 104 82 60
Nivel de confianza 5%
Diseño Bifactorial
Ejemplo 7.1 (D.C. Montgomery): Solución por Excel.
Factores T
T1 T2 T3
M1 130 34 20
M1 155 40 70
M1 74 80 82
M1 180 75 58
M2 150 136 25
M2 188 122 70
Factores M
M2 159 106 58
M2 126 115 45
M3 138 174 96
M3 110 120 104
M3 168 150 82
M3 160 139 60
ANÁLISIS DE VARIANZA
Origen de las Suma de Grados de Promedio de los Valor crítico
variaciones cuadrados libertad cuadrados F Probabilidad para F
Muestra 10683.72222 2 5341.861111 7.911372269 0.001976083 3.354130829
Columnas 39118.72222 2 19559.36111 28.96769195 1.9086E-07 3.354130829
Interacción 9613.777778 4 2403.444444 3.5595354 0.018611168 2.727765306
Dentro del grupo 18230.75 27 675.212963
Total 77646.97222 35
Diseño factorial 22
Método alternativo para calcular el ANOVA en un diseño 22
n es el número de réplicas
Diseño factorial 22 con tres réplicas
Ejemplo factorial 2^2 con tres réplicas (D.C. Montgomery): Se estudió el efecto de la
concentración de un reactivo y de la presencia de un catalizador sobre el tiempo de reacción.
La concentración del reactivo es el factor A y tiene dos niveles 15 y 20%. El catalizador es el
factor B y tiene un nivel alto y un nivel bajo.
Catalizador Tiempo (h)
Experimento Concentración A
B Réplica 1 Réplica 2 Réplica 3
1 -1 -1 28 25 27
2 1 -1 36 32 32
3 -1 1 18 19 23
4 1 1 31 30 29
Suma
Experimento A B AB Réplica 1 Réplica 2 Réplica 3 Total
Cuad
(1) -1 -1 1 28 25 27 80 2138
a -1 1 -1 36 32 32 100 3344
b 1 -1 -1 18 19 23 60 1214
ab 1 1 1 31 30 29 90 2702
Efectos 8.3 -5.0 1.7 Total 9398
Promedio 9075
SST 323
ANOVA para un factorial 2^2 con 5 repeticiones centrales
Suma de Grados de Promedio de los Valor crítico
Origen de las variaciones cuadrados libertad cuadrados F Probabilidad para F
A (concentración) 208.3 1 208.3 53.2 8.44372E-05 5.317655072
B (catalizador) 75.0 1 75.0 19.1 0.002361571 5.317655072
AB 8.3 1 8.3 2.1 0.182776481 5.317655072
Error 31.3 8 3.9
Total 323.0 11
Nivel de confianza 5%
Diseño factorial 22 con repeticiones del punto central
Ejemplo 9.5 (D.C. Montgomery): Una ingeniera química se encuentra estudiando el
rendimiento de un proceso, en función de tiempo y la temperatura. Por lo que decide
realizar un diseño factorial 22 con cinco puntos centrales.
curvatura
40.3
40.5
155 0 40.7 nc es el número de repeticiones centrales
40.2 nF es el número de puntos en el diseño factorial
40.6
YF promedio de los puntos factoriales
YC promedio de los puntos factoriales
150 -1
39.3 40.9
-1 0 1
30 35 40
Diseño factorial 22 con repeticiones del punto central
Ejemplo 9.5 (D.C. Montgomery): Una ingeniera química se encuentra estudiando el
rendimiento de un proceso, en función de tiempo y la temperatura. Por lo que decide
realizar un diseño factorial 22 con cinco puntos centrales.
Tiempo Temperatura
Experimento Rendimiento
(min) (°C)
(1) -1 -1 39.3
b -1 1 40.0
a 1 -1 40.9
ab 1 1 41.5 Scuad
o1 0 0 40.3 0.0256
o2 0 0 40.5 0.0016
o3 0 0 40.7 0.0576
o4 0 0 40.2 0.0676
o5 0 0 40.6 0.0196
nc 5 0.172
nf 4
YF 40.425
YC 40.460 Significativos
ANOVA para un factorial 2^2 con 5 repeticiones centrales
Suma de Grados de Promedio de los Valor crítico
Origen de las variaciones cuadrados libertad cuadrados F Probabilidad para F
A (Tiempo) 2.4025 1 2.4025 55.87209302 0.001712537 7.708647421
B (presión) 0.4225 1 0.4225 9.825581395 0.035030253 7.708647421
AB 0.0025 1 0.0025 0.058139535 0.821316445 7.708647421
Curvatura 0.0027 1 0.0027 0.063307494 0.813740849 7.708647421
Error 0.1720 4 0.0430
Total 3.0022 8
Nivel de confianza 5%
Diseños factoriales
R1 – Sabor
A - Marca (Cálculo del efecto)
42 32
71 80
Time
81 77
er
Effect y y
y
ow
74 75 n n
P
Brand
75 80 77 32 74 71 81 42
y A 1
4 4
Diseño factorial 23
Análisis de Varianza ANOVA ara un diseño factorial 23
SS A
a
Yi... 2 Y.... 2 SS A MS A
A a-1 MS A F0
i 1 bcn abcn a 1 MSE
SSB
b Y Y
. j ..
2
....
2 SS
MSB B F0
MSB
B
acn abcn
b-1
b 1 MSE
j 1
SSC
c
Y..k . 2 Y.... 2 MSC
SSC
F0
MSC
C
abn abcn
c-1
c 1 MSE
k 1
SSAB
a b Y Y 2 2
SSA SSB MSAB
SSAB
F0
MS AB
a 1b 1
ij .. ....
AB (a-1)(b-1)
cn abcn MSE
i 1 j 1
SS AC
a c
Yi.k . 2 Y.... 2 SS SSC MSAC
SSAC F0
MS AC
AC
i 1 k 1 bn abcn
A
(a-1)(c-1)
a 1c 1 MSE
SSBC
b c Y Y 2 2
SSB SSC MSBC
SSBC
F0
MSBC
b 1c 1
. jk . ....
BC (b-1)(c-1)
an abcn MSE
j 1 k 1
a
SSABC
b c Y Y 2 2
SS MS
a 1b 1c 1 F0 MS
ABC
ijk . ....
SSA SSB SSC SSAB SSAC SSBC (a-1)(b-1)(c-1) MS ABC ABC ABC
i 1 j 1 k 1 n abcn E
Error SSE
SSE SST SSA SSB SSC SSAB SSAC SSBC MSE
abc(n-1)
abcn 1
R² = 0.9321
Cummulative normal probability
0.99
0.90
0.50
-2 -1 0 1 2
0.10
0.001
0.99
Cummulative normal probability
0.90
0.50
-3 -2 -1 0 1 2 3
0.10
R² = 0.9754
0.001
Diseño factorial 23
Método alternativo para calcular el ANOVA en un diseño 23
n es el número de réplicas
Diseño factorial 23
Ejemplo 9.1 (D.C. Montgomery): Efecto del % de carbonatación (A), la presión (B) y la
velocidad de la línea (C), en la desviación del volumen de envasado de una bebida gaseosa. Se
utilizó un diseño 23 con dos réplicas
Presión (B)
Rapidez de la línea ( C ) Rapidez de la línea ( C )
%Carbonatación 200 250 200 250
-3 -1 -1 1
10 -1 0 0 1
-4 =(1) -1 =c -1 =b 2 = bc
0 2 2 6
12 1 1 3 5
1 =a 3 = ac 5 = ab 11 = abc
Diseño factorial 23
Ejemplo 9.1 (D.C. Montgomery): Efecto del % de carbonatación (A), la presión (B) y la
velocidad de la línea (C), en la desviación del volumen de envasado de una bebida gaseosa. Se
utilizó un diseño 23 con dos réplicas
Diseño factorial 23
Ejemplo 9.1 (D.C. Montgomery): Efecto del % de carbonatación (A), la presión (B) y la
velocidad de la línea (C), en la desviación del volumen de envasado de una bebida gaseosa. Se
utilizó un diseño 23 con dos réplicas
Diseños factoriales por
bloques
Diseños factoriales por bloques
Existen problemas en los que es muy complejo realizar una réplica completa de un diseño factorial,
usando un solo bloque (un día, un lote de materia prima, un laboratorio, etc.).
La técnica de confusión es una técnica de diseño de experimentos utilizada para acomodar un
experimento factorial completo en bloques, donde el tamaño y bloque es menor que el número de
tratamientos en una réplica.
Al usar esta técnica, la información sobre ciertos efectos (generalmente las interacciones de mayor orden),
no se puede distinguir y se confunde con los bloques.
Consideraremos la construcción y análisis del diseño factorial 2k en 2p bloques incompletos, siendo p<k.
Estos diseños pueden correrse en dos bloques, cuatro bloques, ocho bloques, etc.
Diseño 22 en dos bloques: (a) representación geométrica, Debido a que la interacción AB con signo
(b) asignación de las ocho corridas en dos bloques positivo quedó en el bloque 1 y la
interacción AB con signo negativo quedó
en el bloque 2, el efecto de la interacción
queda confundido (con el bloque)
Diseños factoriales por bloques
Supongamos que luego de realizar la experimentación en un orden aleatorio se obtuvieron las respuestas
que aparecen a continuación
Factor Respuesta
(rapidez
Tratamiento A=BCD B=ACD C=ABD D=ABC AB=CD AC=BD AD=BC filtrado)
1 -1 -1 -1 -1 1 1 1 45
6 -1 -1 1 1 1 -1 -1 75
2 -1 1 -1 1 -1 1 -1 45
4 -1 1 1 -1 -1 -1 1 80
7 1 -1 -1 1 -1 -1 1 100
5 1 -1 1 -1 -1 1 -1 60
3 1 1 -1 -1 1 -1 -1 65
8 1 1 1 1 1 1 1 96
Diseños factoriales por bloques
Ejemplo 10.1 (D.C. Montgomery):
En la tabla siguiente se muestra el cálculo de los efectos
Factor Respuesta
(rapidez
Tratamiento A=BCD B=ACD C=ABD D=ABC AB=CD AC=BD AD=BC filtrado)
1 -1 -1 -1 -1 1 1 1 45
6 -1 -1 1 1 1 -1 -1 75
2 -1 1 -1 1 -1 1 -1 45
4 -1 1 1 -1 -1 -1 1 80
7 1 -1 -1 1 -1 -1 1 100
5 1 -1 1 -1 -1 1 -1 60
3 1 1 -1 -1 1 -1 -1 65
8 1 1 1 1 1 1 1 96
Ave- 61.25 70.00 63.75 62.50 71.25 80.00 61.25
Ave+ 80.25 71.50 77.75 79.00 70.25 61.50 80.25
Efecto 19.00 1.50 14.00 16.50 -1.00 -18.50 19.00
0.90
(Presión) y sus interacciones no
son significativas. Podría
0.50
convertirse el diseño de un 24 a
-20 -15 -10 -5 0 5 10 15 20 uno 23 (eliminando B)
0.10
0.001
Diseños factoriales por bloques
Ejemplo 10.1 (D.C. Montgomery):
Conversión en un diseño completo 23 (descartando la presión, factor B)
Factor Respuesta
(rapidez
Tratamiento A C D AC AD CD ACD filtrado)
1 -1 -1 -1 1 1 1 -1 45
2 -1 -1 1 1 -1 -1 1 45
4 -1 1 -1 -1 1 -1 1 80
6 -1 1 1 -1 -1 1 -1 75
3 1 -1 -1 -1 -1 1 1 65
7 1 -1 1 -1 1 -1 -1 100
5 1 1 -1 1 -1 -1 -1 60
8 1 1 1 1 1 1 1 96
Ave- 61.25 63.75 62.50 80.00 61.25 71.25 70.00
Ave+ 80.25 77.75 79.00 61.50 80.25 70.25 71.50
Efecto 19.00 14.00 16.50 -18.50 19.00 -1.00 1.50
Aparentemente los factores A, C y D son significativos, así como las interacciones de AC y AD. Para estimar
mejor la significancia de los efectos sería necesario efectuar una réplica o repetir un experimento central
varias veces.
Diseños de superficies de
respuesta
Diseños de superficies de respuesta
Conjunto de técnicas estadísticas que permiten modelar y analizar problemas en los cuales una respuesta
de interés es influenciada por varias variables y el objetivo es optimizar esta respuesta.
Nombres: MSR ó RSM Response surface methodology
𝑦 = 𝑓 𝑥1 , 𝑥2 + 𝜀
Condiciones Diagrama de contorno de una
actuales de superficie de respuesta
operación
E 𝑦 = 𝑓 𝑥1 , 𝑥2 = η
y0 = máximo
Diagrama de contorno es el conjunto de
valores de x1 y x2 que cumplen la
condición de tener un mismo valor de
esperado de la respuesta (corresponden
a una altura específica de la superficie de
x2 = Presión (psi) respuesta)
x1 = Temperatura (°C)
Diseños de superficies de respuesta
Por lo general, la relación entre la respuesta y las variables independientes se desconoce y se debe buscar
una aproximación
Función lineal (primera opción):
𝑦 = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + ⋯ + 𝛽𝑘 𝑥𝑘 + 𝜀
Función cuadrática (segunda opción): cuando se sospecha de curvatura
𝑘 𝑘 𝑘 𝑘
𝑦 = 𝛽0 + 𝛽𝑖 𝑥𝑖 + 𝛽𝑖𝑖 𝑥𝑖 2 + ⋯ + 𝛽𝑖𝑗 𝑥𝑖 𝑥𝑗 + 𝜀
𝑖=1 𝑖=1 𝑖=1 𝑗=1
Se suele utilizar una aproximación secuencial, primero utilizar un polinomio lineal y cuando se tiene
certeza de la posición del óptimo, utilizar un polinomio de segundo orden.
Aunque es poco probable que la relación entre la respuesta y las variables independientes sea un
polinomio, sin embargo en intervalos pequeños de las variables independientes es una aproximación
razonable.
Los diseños de experimentos apropiados para ajustar estas superficies de respuestas se denominan
diseños de superficies de respuesta.
Diseños de superficies de respuesta
Método de la máxima pendiente en ascenso:
Procedimiento para recorrer secuencialmente a lo largo de una trayectoria de la máxima pendiente
(dirección de máximo incremento de la respuesta)
Se usa generalmente un modelo lineal ajustado: 𝑘
𝑦 = 𝛽0 + 𝛽𝑖 𝑥𝑖
𝑖=1
Promedio 40,44
Diseños de superficies de respuesta
Ejemplo 16.1 (D.C. Montgomery) Método de la máxima pendiente en ascenso:
Estimación del error experimental:
El error experimental se calculó con las réplicas centrales como se indicó en el ejemplo 9.5
Análisis significancia de la interacción entre x1 y x2:
Se efectuó un análisis de varianza como se indicó en el ejemplo 9.5
La interacción no es significativa
Análisis curvatura:
Se efectuó un análisis de varianza como se indicó en el ejemplo 9.5
La curvatura no es significativa
Conclusión: el modelo lineal es idóneo!!!!
ANOVA para un factorial 2^2 con 5 repeticiones centrales
Promedio
Suma de Grados de de los Valor crítico
Origen de las variaciones cuadrados libertad cuadrados F Probabilidad para F
A (Ti empo) 2,4025 1 2,4025 55,872093 0,001712537 7,70864742
B (pres i ón) 0,4225 1 0,4225 9,8255814 0,035030253 7,70864742
AB 0,0025 1 0,0025 0,0581395 0,821316445 7,70864742
Curva tura 0,0027 1 0,0027 0,0633075 0,813740849 7,70864742
Error 0,1720 4 0,0430
Total 3,0022 8
Nivel de confianza 5%
Diseños de superficies de respuesta
Ejemplo 16.1 (D.C. Montgomery) Método de la máxima pendiente en ascenso:
De acuerdo con los coeficientes del modelo lineal, habría que desplazarse 0.775 unidades en dirección de
x1 por cada 0.325 unidades en dirección de x2, para alejarse del centro del diseño:
Promedio 78,97
Diseños de superficies de respuesta
Ejemplo 16.1 (D.C. Montgomery) Método de la máxima pendiente en ascenso:
Análisis significancia de la interacción entre x1 y x2:
Se efectuó un análisis de varianza como se indicó en el ejemplo 9.5
La interacción no es significativa
Análisis curvatura:
Se efectuó un análisis de varianza como se indicó en el ejemplo 9.5
La curvatura es significativa
Conclusión: el modelo lineal no es idóneo!!!! Para mayor precisión utilizar un modelo cuadrático
Promedio Valor
Suma de Grados de de los crítico para
Origen de las variaciones cuadrados libertad cuadrados F Probabilidad F
A (Ti empo) 4,0000 1 4,0000 75,471698 0,000966411 7,7086474
B (pres i ón) 1,0000 1 1,0000 18,867925 0,012217153 7,7086474
AB 0,2500 1 0,2500 4,7169811 0,095610781 7,7086474
Curva tura 10,6580 1 10,6580 201,09434 0,000143578 7,7086474
Error 0,2120 4 0,0530
Total 16,1200 8
Nivel de confianza 5%
Diseños para ajustar superficies de respuesta
El ajuste y análisis de superficies de respuesta se facilita con la elección apropiada de un diseño
experimental.
Características deseables de un diseño de experimentos para ajustar superficies de respuesta:
Debe proporcionar una distribución razonable de los puntos en toda la región de interés
Permitir investigar la idoneidad del modelo
Permitir la realización de experimentos en bloques
Permitir la construcción secuencial de diseños de orden superior
Proporcionar estimación del error experimental
No requerir un número muy grande de tratamientos
No requerir un número grande de niveles de los factores
Simplicidad en los cálculos
Diseño central
Diseño central compuesto 2^3
compuesto 2^2
Diseño central
compuesto centrado
en las caras Diseño de Box-
Behnken
Diseños para ajustar superficies de respuesta
Caracterización de la superficie de respuesta:
Máximo Mínimo
Punto de silla
Diseños para ajustar superficies de respuesta
Ejemplo 16.2 (D.C. Montgomery) Diseño central compuesto 2^2:
Continuando con el ejemplo 16.1, se decide ajustar a un modelo de segundo orden (cuadrático). En este
caso el uso de un diseño central compuesto es ventajoso.
X´ = 1 1 1 1 1 1 1 1 1 1 1 1 1
-1.000 -1.000 1.000 1.000 0.000 0.000 0.000 0.000 0.000 1.414 -1.414 0.000 0.000
-1.000 1.000 -1.000 1.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 1.414 -1.414
1.000 1.000 1.000 1.000 0.000 0.000 0.000 0.000 0.000 1.999 1.999 0.000 0.000
1.000 1.000 1.000 1.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 1.999 1.999
1.000 -1.000 -1.000 1.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
X´X = 13.000 0.000 0.000 7.999 7.999 0.000 (X´X)-1 = 0.200 0.000 0.000 -0.100 -0.100 0.000
0.000 7.999 0.000 0.000 0.000 0.000 0.000 0.125 0.000 0.000 0.000 0.000
0.000 0.000 7.999 0.000 0.000 0.000 0.000 0.000 0.125 0.000 0.000 0.000
7.999 0.000 0.000 11.995 4.000 0.000 -0.100 0.000 0.000 0.144 0.019 0.000
7.999 0.000 0.000 4.000 11.995 0.000 -0.100 0.000 0.000 0.019 0.144 0.000
0.000 0.000 0.000 0.000 0.000 4.000 0.000 0.000 0.000 0.000 0.000 0.250
Diseños para ajustar superficies de respuesta
Ejemplo 16.2 (D.C. Montgomery) Diseño central compuesto 2^2:
Obtención del modelo de segundo orden (técnica de mínimos cuadrados):
yˆ 0 1 x1 2 x2 3 x1 4 x2 5 x1 x2
2 2