Diseño experimental en química: un tutorial.

Resumen
En este tutorial se explicarán los principales conceptos y aplicaciones del
diseño experimental en química. Desafortunadamente, en la actualidad
el diseño experimental no es tan conocido y aplicado como debería ser,
y se pueden encontrar muchos artículos en los que la "optimización" de
un procedimiento se realiza una variable a la vez. El objetivo de este
documento es mostrar las ventajas reales en términos de esfuerzo
experimental reducido y de mayor calidad de información que se puede
obtener si se sigue este enfoque. Para ello, se mostrarán tres ejemplos
reales. Más que en los aspectos matemáticos, este documento se
centrará en la actitud mental requerida por el diseño experimental. Los
lectores interesados en profundizar su conocimiento de la parte
matemática y algorítmica pueden encontrar muy buenos libros y
tutoriales en las referencias [GEP Box, WG Hunter, JS
Hunter, Estadísticas para experimentadores: Introducción al diseño,
análisis de datos y construcción de modelos, John Wiley & Sons, Nueva
York, 1978; R. Brereton, Quimometría: Análisis de datos para el
laboratorio y la planta química, John Wiley & Sons, Nueva York,
1978; R. Carlson, JE Carlson, Diseño y optimización en síntesis
orgánica: Segunda edición revisada y ampliada, en: Manejo de datos en
ciencia y tecnología, vol. 24, Elsevier, Amsterdam, 2005; JA Cornell,
Experiments with Mixtures: Designs, Models and the Analysis of
Mixture Data, en: Series in Probability and Statistics, John Wiley &
Sons, Nueva York, 1991; RE Bruns, IS Scarminio, B. de Barros Neto,
Diseño estadístico — Quimometría, en: Manejo de datos en ciencia y
tecnología, vol. 25, Elsevier, Amsterdam, 2006; DC Montgomery,
Diseño y Análisis de Experimentos, 7ª edición, John Wiley & Sons, Inc.,
2009; T. Lundstedt, E. Seifert, L. Abramo, B. Thelin, Å. Nyström, J.
Pettersen, R. Bergman, Chemolab 42 (1998) 3; Y. Vander Heyden, LC –
GC Europe 19 (9) (2006) 469].

Introsducion

Para introducir los conceptos de diseño experimental, permítanme contarles.

una historia. Érase una vez, en el Reino de Lejos, el Rey Quería optimizar una
reacción química, encontrando el escenario que produce el mayor rendimiento. La
tarea fue bastante simple, ya que solo dos variables (temperatura y tiempo de
reacción) estuvieron involucradas en el proceso y el conocimiento previo indicó que
los rangos en los óptimos que debían buscarse eran 40–80 grados Celsius y 20–60
min, respectivamente. También se sabía que tanto la temperatura alta como el largo
tiempo de reacción podían descomponer el producto; para ambas variables se
esperaba un máximo. De todos modos, era tan importante optimizar esta reacción
que el Rey decidió que la persona que daba la mejor solución se habría casado con
su Hermosa hija o su hermoso hijo (dependiendo del sexo de
el ganador...).

La primera persona en aparecer fue un hombre muy famoso en

El Reino por haber “optimizado” muchas reacciones en su larga trayectoria.

Como siempre lo hizo, comenzó realizando el experimento "más barato" (40 grados,
20 min), con un rendimiento del 20,6%. Entonces, para ahorrar tiempo, mantuvo el
tiempo constante a los 20 minutos y comenzó a aumentar la temperatura: a 50
grados el rendimiento era del 32,3%, a 60 grados era 39.9%, a 70 grados fue 43.5%,
a 80 grados fue 43.0%. Ya que el rendimiento a 80 grados fue menor que a 70 grados,
este significado Que la mejor temperatura fue inferior a 80 grados, realizó.
un nuevo experimento a 75 grados, con un rendimiento del 43.7%, que fue
El más alto hasta entonces obtenido. Por lo tanto, concluyó que los mejores
La temperatura había sido encontrada y que podía mantenerla constante.
Y comenzó a cambiar el tiempo de reacción. Esto lo llevó a hacer los siguientes
experimentos, todos ellos a una temperatura de 75 grados:
30 min (50,2%), 40 min (52,1%), 50 min (49,5%). Dado que el rendimiento en
50 minutos fue menor que a los 40 minutos, lo que significa que el mejor momento
fue inferior a 50 min, realizó un nuevo experimento a los 45 min, Con un
rendimiento del 51,4%. Así, el mejor tiempo de reacción fue de 40 min.
El hombre terminó su trabajo y quedó muy satisfecho: ya que había optimizado a la
primera temperatura y luego a la hora, estaba bastante seguro de que
Había encontrado las mejores condiciones: cuando trabajaba a 75 grados con
un tiempo de reacción de 40 minutos se obtuvo un rendimiento de 52.1%, que fue
El mayor rendimiento posible. Todo el proceso requirió un total de diez.
experimentos Entonces, convertirse en el nuevo Príncipe había sido bastante fácil ...
Pero entonces un segundo hombre fue al rey. Él era un hombre joven,
No tan famoso como el primero, sin ninguna experiencia directa de eso.

Tabla 1

problema específico, y lo único de lo que estaba orgullosamente reportando

Su CV fue que había seguido un curso de diseño experimental. De
Por supuesto, el rey no sabía nada de experimental.
diseño, pero le gustaba tanto a este hombre que le dio la
Posibilidad de intentar optimizar su reacción. El hombre le dio
una hoja de papel que contiene la lista de los nueve experimentos que
Debería haberse realizado (tabla 1).
El rey estaba bastante molesto por este comportamiento inusual (teniendo
decidió qué experimentos realizar incluso antes de hacer realidad
la primera, y además cambiando ambas variables en la
mismo tiempo!) pero como era bastante abierto, permitió que
Hombre para hacer lo que había planeado.
Los nueve experimentos dieron los siguientes resultados: 20.6%, 44.9%,
51.0%, 39.9%, 55.1%, 52.1%, 43.0%, 49.1%, 37.0%.
Cómo se sorprendió al rey cuando vio que el quinto experimento (60 grados,
40 minutos), dio un rendimiento del 55,1%, más alto que el
52.1% que el primer experto había reclamado como el valor más alto posible!
El joven, cuando fue llamado por el rey, en lugar de mantenerse contento con
los resultados que obtuvo, sugirió probar un nuevo experimento a los 60 años.
grados y 45 min, pronosticando que el rendimiento hubiera sido parejo.
mayor. El experimento se realizó y el rendimiento fue de hecho.
56.1%!
Por supuesto, el rey estaba tan feliz que inmediatamente celebró la boda entre
este hombre y la bella princesa.
La princesa estaba fascinada por su nuevo marido y ella le susurró: "Cariño,
¿cómo pudiste hacer eso? ¿Eres un mago?
Y él respondió: "Mi querida princesa, no soy un mago, solo soy un
quimiometrista ... ". Y los dos vivieron felices para siempre,
Con el joven optimizando cada aspecto de su vida ...

Interacciones
Desafortunadamente, la gran mayoría de la gente se comporta como la
Primer “experto” de la historia. Al navegar por los documentos publicados en
Analytica Chimica Acta en 2009 (del volumen 631 al
volumen 645, más los documentos disponibles en la sección “Artículos en
prensa” el 3 de junio de 2009), encontré 165 de ellos con el título general
o un título de sección que contenga las palabras "optimización" o "desarrollo",
o "mejora", o "efecto de". Sólo en 11 artículos (es decir,
uno de cada 15 ...) se ha seguido un enfoque multivariado, mientras que
En la gran mayoría de ellos se realizó la “optimización”.
una variable a la vez, a veces con los títulos de las subsecciones
remarcándolo con orgullo ("3.1. Efecto del pH", "3.2. Efecto de la
temperatura", "3.3. Efecto del flujo", y así sucesivamente ...). Cinco de ellos [9-
13] tienen publicado en la sección “Extracción y manejo de muestras”,
dos [14,15] en la sección "Quimometría", dos [16,17] en la sección
"Electroquímica" y dos [18,19] en la sección "Separación
métodos ".
Como la historia ha demostrado, la "optimización" realizó OVAT
(Una variable a la vez) no garantiza en absoluto que se alcance el óptimo real.
Esto porque este enfoque solo sería válido si Las variables a optimizar serían
totalmente independientes de El uno al otro.

Si alguien te preguntara cuál es el mejor equipo para andar en bicicleta,

Su respuesta seguramente sería: "Depende".
"¿Cuál es el mejor tiempo de cocción para un pastel?" "Depende".
"¿Cuál es la mejor depilación para tus esquís?" "Depende".
"¿Cuál es la mejor configuración para un coche de carreras?" "Depende".

Esto significa que no tienes el mejor equipo, pero sí el mejor

equipo depende de los niveles de los otros factores involucrados, tales como
la pendiente de la carretera, la dirección y la velocidad del viento, el nivel
del ciclista, cuán cansado está el ciclista, la velocidad que quiere mantener.
Lo mismo, cuando se cocina un pastel el mejor momento depende de la
La temperatura del horno, la mejor depilación depende de las condiciones
climáticas y de la nieve, la mejor configuración para un automóvil de carreras.
Depende del circuito, y así sucesivamente.
Cada vez que su respuesta es "depende", entonces significa que usted
Reconozca intuitivamente que el efecto del factor que está hablando
Acerca de no es independiente de los niveles de los otros factores; esta
significa que una interacción entre esos factores es relevante y que
No tenerlo en cuenta puede dar resultados terribles.
Entonces, es evidente que la ama de casa sabe muy bien que hay
una fuerte interacción entre el tiempo de cocción y la temperatura del horno,
un ciclista sabe muy bien que hay una interacción entre el
engranaje y las condiciones circundantes, y así sucesivamente.
Por supuesto, nunca escuchará a una ama de casa usando la palabra
"interacción", pero su comportamiento demuestra claramente que ella
intuitivamente
Entiende lo que es una interacción.
¿Te imaginas a alguien buscando el mejor equipo en un piso?
curso (es decir, cambiar de marcha manteniendo todas las variables restantes
constante) y luego usarlo en cualquier otro curso simplemente porque el
¿El primer conjunto de experimentos demostró que era el mejor?
Bueno, los químicos optimizando sus procedimientos OVAT se comportan en
el de la misma manera!
Por qué las mismas personas que responden "depende" de muchas preguntas
sobre su vida cotidiana, cuando ingresan a un laboratorio y trabajan como
¿Los químicos nunca darán la misma respuesta?
Por eso, cuando se busca el mejor pH, los químicos suelen comportarse como
El tonto ciclista descrito anteriormente, cambiando el pH y manteniendo
constante todas las variables restantes en lugar de pensar que la
¿El “mejor pH” puede depender de la configuración de las otras variables?
En la historia narrada en la Introducción, esto fue absolutamente evidente: el
joven encontró un mejor rendimiento porque había un fuerte
Interacción entre las dos variables. Como consecuencia, el "mejor"
La temperatura encontrada por el primer hombre fue simplemente la mejor
temperatura cuando el tiempo de reacción fue de 20 minutos, mientras que
cada tiempo de reacción
tiene una temperatura óptima diferente (cuanto mayor es el tiempo de
reacción,
cuanto más baja sea la temperatura óptima).

Modelado

Otra diferencia extremadamente importante entre los dos

enfoques descritos en la historia es el hecho de que el primer hombre
decidió qué experimento hacer a continuación sobre la base del resultado de
Los experimentos anteriores, mientras que el segundo hombre ya tenía bien.
Aclaro en su mente todo el conjunto de experimentos (era una cuadrícula
simple
cubriendo todo el dominio experimental).
Como consecuencia de ello, en el primer caso solo un conocimiento local
se obtuvo, lo que significa que solo se podrían conocer los resultados de los
experimentos realizados, cada uno de ellos con un
Incertidumbre correspondiente al error experimental.
En cambio, a partir de los resultados obtenidos por el segundo hombre un
simple
Se pudo obtener un modelo matemático, relacionando la respuesta con
Las condiciones experimentales:

Ecuación 1 y fig 1

Después de haber estimado la constante y los coeficientes de los dos

términos lineales, de la interacción y de los dos términos cuadráticos
(cualquier software para regresión lineal múltiple lo hará), simplemente
reemplazando X1 y X2 con valores reales será posible predecir el
respuesta para cualquier posible ajuste (es decir, para cualquier punto del
dominio experimental), incluso para aquellos experimentos que no se han
realizado
en realidad realizado Desde la respuesta en cualquier punto del dominio
experimental.
se puede predecir, entonces una representación gráfica puede ser fácilmente
adquirido. En la Fig. 1, las curvas de isorrespuesta conectan todos los puntos.
teniendo la misma respuesta predicha, exactamente de la misma manera que
un mapa topográfico, los isohyps conectan todos los puntos que tienen la
misma altitud. Al observar esta trama, el comportamiento general del
El fenómeno se puede entender fácilmente y las condiciones
correspondientes al máximo global se pueden encontrar fácilmente. Así es
como El futuro Príncipe podría sugerir un experimento adicional después de
la primera
Serie, que lleva al máximo real!
Al mirar la trama, también es fácil entender que la mejor
los cambios de temperatura según el tiempo de reacción (y el otro
camino redondo), y esta es la interpretación física de la interacción
entre las dos variables (sin ninguna interacción, los ejes de la
Las elipses serían paralelas a los ejes de la trama).
Pero hay algo más ... La Fig. 2 muestra el gráfico de apalancamiento
del diseño experimental de la Tabla 1. El apalancamiento se puede calcular en
cada punto del dominio experimental (depende de la matriz experimental y
del modelo postulado), y su valor, multiplicado por la varianza experimental,
corresponde a la Varianza de la estimación de la respuesta en ese punto. Por
lo tanto, un apalancamiento de 1 significa que la respuesta se puede predecir
con La misma precisión del experimento real, mientras que un
apalancamiento <1
significa que la respuesta se puede predecir mejor que si uno real
El experimento se realizaría en el mismo punto. Ya que en el
todo el dominio experimental el apalancamiento es siempre mucho menor
que 1, esto significa que la respuesta en cualquier punto será conocida
Con una mejor precisión utilizando la predicción del modelo.
obtenida por las respuestas de los nueve experimentos del diseño
experimental que mediante la realización de un experimento real en el mismo
punto. Esta fue la razón por la cual el futuro Príncipe estaba tan confiado
Al sugerir una configuración correspondiente a un experimento, nunca
realizado!
Otro punto importante es que el apalancamiento depende solo de la
Diseño experimental y no sobre el resultado de los experimentos.
Esto significa que, ya que se puede calcular antes de comenzar a hacer el
experimentos, es posible saber de antemano si la precisión de la estimación
será aceptable o no (por supuesto, para tener esto)
Conocimiento de la varianza experimental que debe conocerse).

Una forma diferente de pensar

Como hemos visto, la calidad de la información, es decir, la precisión
de la estimación, depende tanto de la varianza experimental como de
El apalancamiento. La gran mayoría de los químicos lo intentan con cualquier
medio.
para reducir la varianza experimental (por ejemplo, comprando una más
precisa instrumento, o haciendo los experimentos lo más cuidadosamente
posible), pero Ya que no hacen ningún diseño experimental no les importa.
El apalancamiento. Mientras que la varianza experimental no puede ser
reducida Mucho (quizás por un orden de magnitud), el apalancamiento puede
Salta a valores extremadamente altos.
Comparando la información obtenida por un enfoque OVAT
Con la información obtenida por un diseño experimental podemos.
dilo:
• El diseño experimental tiene en cuenta las interacciones.
entre las variables, mientras que el OVAT no lo hace;
• El diseño experimental proporciona un conocimiento global (en el
dominio experimental completo), mientras que OVAT proporciona un
conocimiento local (solo donde se han realizado los experimentos);
• en cada punto del dominio experimental, la calidad de la información
obtenida por el diseño experimental (apalancamiento siempre <1)
es mayor que la información obtenida por el OVAT (apalancamiento = 1,
y solo para aquellos puntos donde se hayan realizado los experimentos);
• El número de experimentos requeridos por un diseño experimental.
es más pequeño que el número de experimentos realizados con un
Enfoque OVAT.
Resumiendo, debe quedar bien claro que:
• la calidad de los resultados depende de la distribución de los experimentos
en el dominio experimental;
• la distribución óptima de los experimentos depende del modelo postulado;
• Teniendo en cuenta el modelo, las limitaciones experimentales y el
presupuesto.
disponible (= número máximo de experimentos), el experimental
El diseño detectará el conjunto de experimentos resultando en la más alta
información posible.

Las personas también deben ser conscientes de que la construcción del

experimental
matriz (es decir, decidir qué experimentos deben realizarse) es la
La parte más fácil de todo el proceso. Lo que es difícil es, en cambio, la
definición del problema (¿Cuáles son los factores que deben estudiarse?
¿Es el dominio de interés? ¿Cual modelo? ¿Cuántos experimentos?).
Para realizar un diseño experimental, los siguientes cinco pasos deben
ser considerado:

(1) Definir el objetivo de los experimentos. Aunque puede parecer totalmente

absurdo, mucha gente empieza a hacer experimentos sin tener
Claros en sus mentes para qué se hacen los experimentos. Esta
es una consecuencia de la forma general de pensar, de acuerdo con
que una vez que tienes los resultados, entonces puedes extraer de todos
modos
información de ellos (y los más experimentos han sido
realizado, el mejor).
(2) Detectar todos los factores que pueden tener un efecto. Se debe prestar
especial atención a las palabras "todos" y "puede". Esto significa
que no es correcto considerar un número predefinido de factores
(por ejemplo, tomemos en cuenta solo tres factores) y dicho dicho
Que un factor "puede" tener un efecto es totalmente diferente de decir
Que pensamos que un factor tiene un efecto. Uno de los errores más comunes
es el de realizar lo que se ha definido.
una “evaluación sentimental”, a menudo basada solo en algunos datos
personales
sentimientos en lugar de hechos científicos.
(3) Planea los experimentos. Una vez seleccionados los factores, su
Se han definido rangos y se ha definido el modelo a aplicar.
Postulado, este paso requiere solo unos minutos.
(4) Realizar los experimentos. Mientras que en la forma clásica de pensar.
Esta es la parte más importante del proceso, en la filosofía.
del diseño experimental haciendo los experimentos es solo algo
Eso no se puede evitar, para obtener resultados que serán utilizados.
para construir el modelo.
(5) Analizar los datos obtenidos por los experimentos. Este paso transforma
los datos en información y es la conclusión lógica de la
todo el proceso.

Muy a menudo, un solo diseño experimental no conduce a la

Solución del problema. En esos casos la información obtenida.
en el punto 5 se utiliza para reformular el problema (eliminación de la
variables no significativas, redefinición del dominio experimental,
Modificación del modelo postulado), después de lo cual se remonta.
al paso 3.
Dado que la posibilidad de tener que realizar más de una sola
El diseño experimental siempre debe ser tomado en cuenta, es sabio
No invertir más del 40% del presupuesto disponible en el primer conjunto.
de experimentos.
Diseños factoriales

Una empresa química producía un polímero, cuya viscosidad tenía que ser>
46.0 × 103 mPa s. Como consecuencia de la variación.
de una materia prima, obtuvieron un producto final bastante diferente de
El producto “original” (producido desde hace varios años), con
Una viscosidad por debajo del valor aceptable. Por supuesto, esta fue una muy
Gran problema para la empresa, ya que el producto no pudo ser vendido.
nunca más. La persona encargada del producto comenzó a actuar.
experimentos OVAT, pero después de unos treinta experimentos no pudo
Encuentra cualquier solución aceptable.
Una joven, que acababa de seguir un curso de tres días en diseño
experimental, decidió tratar de aplicar a este problema específico lo que
ella había aprendido
Al principio, detectó tres variables que podrían haber sido relevantes: eran
las cantidades de tres reactivos (llamémoslos A, B
y C). La formulación original fue de 10 g de A, 4 g de B y 10 g de C.
Decidió mantener este escenario experimental como punto de partida y
Para explorar sus alrededores. Dado que el número de experimentos posibles
era bastante limitado, decidió aplicar un Diseño Factorial 23,
Se requiere un total de ocho experimentos.

Tabla 2

Los diseños factoriales 2k son el diseño más simple posible, que requieren
una cantidad de experimentos igual a 2k, donde k es el número de
Variables en estudio. En estos diseños, cada variable tiene dos niveles,
codificados como −1 y +1, y las variables pueden ser cuantitativas
(por ejemplo, temperatura, presión, cantidad de un ingrediente) o cualitativo
(por ejemplo, tipo de catalizador, tipo de aparato, secuencia de operaciones).
La matriz experimental se reporta en la Tabla 2, y puede verse
que es bastante fácil de construir (no se requiere software!). La matriz
tiene ocho filas (23, cada fila correspondiente a un experimento) y
3 columnas (cada columna correspondiente a una variable); en el primero
la columna −1 y +1 se alternan en cada fila, en la segunda columna
alternan cada segunda fila, en la tercera columna alternan
cada cuarta fila El mismo procedimiento se puede utilizar para construir
cualquier
Diseño factorial, sea cual sea el número de variables.
Desde un punto de vista geométrico, como se muestra en la Fig. 3, un factorial
el diseño explora las esquinas de un cubo (si las variables son más
de tres será un hipercubo; nuestra mente ya no podrá
visualizarlo, pero desde el punto de vista matemático nada lo hará.
cambio).
Contrariamente a lo que sucede en el enfoque OVAT, en el cual la variable 1
se cambia mientras que las variables 2 y 3 se mantienen constantes, en el
La variable de diseños factoriales 1 se cambia mientras que las variables 2 y
3 tienen Valores diferentes (por supuesto, lo mismo ocurre con todas las
variables).
Esto significa que el diseño factorial es adecuado para estimar la
interacciones entre variables (es decir, la diferencia en el cambio de la
variable 1 cuando la variable 2 está en su nivel más alto o en su nivel más bajo,
y pronto).
El modelo matemático es por lo tanto el siguiente:

Ecuación 2

Como consecuencia, con solo ocho experimentos es posible estimar un

término constante, los tres términos lineales, los tres términos de dos
términos
Las interacciones y la interacción de tres términos.

Figura 3 y tabla 3
El siguiente paso fue definir los niveles de las variables y
Anote el plan experimental.
Como se dijo antes, ella decidió mantener la receta original como centro
apunte y establezca los niveles −1 y +1 de cada variable simétricamente
al valor original (9 y 11 para los reactivos A y C, 3.6 y 4.4 para
Reactivo B), esto conduce al plan experimental reportado en la Tabla 3.
Como puede verse, mientras que la matriz experimental contiene el código
codificado.
valores (−1 y +1), el plan experimental informa los valores reales de
Las variables y por lo tanto pueden ser entendidas por cualquiera.
Después de haber realizado los ocho experimentos (en orden aleatorio,
no introducir efectos sistemáticos no deseados) y haber grabado
las respuestas, quedó inmediatamente claro que en varios casos la
¡La viscosidad fue mucho más alta que el valor mínimo aceptable!
¿Cómo fue posible no haber encontrado esas soluciones en más de
30 experimentos previos?
Para computar los coeficientes, debemos partir de lo experimental.
Matriz a la matriz del modelo (Tabla 4). Mientras que el primero tiene tantos
filas como experimentos y tantas columnas como variables, la última
tiene tantas filas como experimentos y tantas columnas como coeficientes y
se puede obtener fácilmente de la siguiente manera: la primera
la columna (b0) es una columna de +1, las columnas de los términos lineales
son
Al igual que la matriz experimental, las columnas de las interacciones se
obtienen mediante un producto punto a punto de las columnas de la
términos lineales de las variables involucradas en la interacción (por ejemplo,
la Se obtiene la columna b12 de la interacción entre las variables 1 y 2.
multiplicando punto a punto la columna b1 por la columna b2).
Calcular los coeficientes es muy simple (de nuevo, no hay software
¡necesario!). Para cada uno de ellos, multiplica punto a punto la columna.
correspondiente al coeficiente que debe ser estimado por el
columna de la respuesta, y luego tomar el promedio de los resultados.
Por ejemplo, para estimar b1 (el término lineal de X1), simplemente haga
(−51.8 + 51.6 - 51.0 + 42.4 - 50.2 + 46.6 - 52.0 + 50.0) / 8 = −1.8.
Una cosa interesante de notar es que, ya que cada columna de
La matriz del modelo tiene cuatro -1 y cuatro +1, cada coeficiente será
computarse como la mitad de la diferencia entre el promedio de la
Cuatro experimentos con signo positivo y la media de los cuatro.
Experimentos con signo negativo. Esto significa que cada coeficiente es
computado con la misma precisión, y que esta precisión, siendo
La diferencia de dos promedios de cuatro valores, es mucho mejor que
la de un experimento OVAT, donde la diferencia entre dos
experimentos (uno realizado a un nivel superior y uno realizado
en el nivel inferior) se suele calcular. Una vez más, se puede ver.

Tabla 4 y figura 4

cómo el diseño experimental puede dar mucha más información (la

términos de interacción) de una calidad mucho mayor (mayor precisión de la
coeficientes).
Se ha obtenido el siguiente modelo:

Escuacion

Dado que se han estimado ocho coeficientes con ocho experimentos (y, por lo
tanto, no hay grados de libertad disponibles) y desde
La variabilidad experimental que se desconoce es imposible de definir.
Una significación estadística de los coeficientes. De todos modos, los de la
término lineal de X1 (Reactivo A) y la interacción X2 – X3 (Reactivo
B – Reactivo C) tiene valores absolutos mayores que los otros.
El gran coeficiente de X1 indica que al aumentar el
cantidad de Reactivo A se obtiene una disminución de la viscosidad (la
el signo del coeficiente es negativo), y por lo tanto se obtienen mejores
resultados
Se obtiene reduciendo su cantidad. Dado que X1 no está involucrado en
ningún
interacción relevante, podemos concluir que este efecto está presente
cualesquiera que sean los valores de los otros dos reactivos.
En lo que concierne a la interacción Reactivo B – Reactivo C, puede
solo se interpretará mirando la superficie de respuesta mostrada en
Fig. 4. Dado que estamos trazando la respuesta en el plano definido por
dos variables (piense en una rebanada del cubo representado en la Fig. 3),
nosotros
debemos definir el nivel de la variable 1 en el que queremos representar el
respuesta (es decir, donde cortar la rebanada ...). El efecto claro del reactivo.
A (cuanto más bajo, mejor), nos lleva a la elección de establecer el valor
de X1 en su nivel inferior (−1, correspondiente a 9 g).
La forma geométrica de un modelo lineal sin interacciones es.
Un plano (las líneas de isorrespuesta son paralelas); si hay interacciones
relevantes
están presentes, entonces se convierte en un plano distorsionado (las líneas
isoresponse no son paralelos). Este es el caso de la superficie de respuesta en
el plano Reactivo B – Reactivo C. Al observar la trama, se puede ver
que un aumento del Reactivo B disminuye la viscosidad cuando el Reactivo C
está en su nivel más bajo, mientras que tiene el efecto opuesto cuando el
Reactivo C está en su nivel más alto. Del mismo modo, un aumento de Reactivo
C.
disminuye la viscosidad cuando el Reactivo B está en su nivel más bajo,
mientras que tiene el efecto opuesto cuando el Reactivo B está en su nivel más
alto.
En cuanto a la trama, también se puede entender por qué el OVAT
El enfoque no produjo ningún buen resultado. Si vas al centro
Punto (correspondiente a la formulación original) y se cambia
la cantidad de Reactivo B o Reactivo C (pero no ambos en
al mismo tiempo!), este significado se mueve en paralelo a los ejes, te darás
cuenta de que, cualquier experimento que hagas, nada lo hará.
cambio. En cambio, debido a la fuerte interacción, solo tienes
variaciones relevantes cuando cambias ambas variables al mismo tiempo
hora

Dos combinaciones producen la misma respuesta: 3.6 g de Reactivo.

B y 9 g de Reactivo C, y 4.4 g de Reactivo B y 11 g de Reactivo
C. Dado que una mayor cantidad de reactivos aumenta la velocidad del
reacción, y por lo tanto el rendimiento final, este último ha sido
seleccionado y por lo tanto la mejor combinación fue: 9 g de Reactivo A,
4.4 g de Reactivo B y 11 g de Reactivo C. Todos los experimentos fueron
realizado a escala de laboratorio, y por lo tanto esta formulación tuvo que ser
probado en la planta. Al hacerlo, los resultados obtenidos en el laboratorio.
fueron confirmados, con una viscosidad en el rango 50.0–52.0 × 103 mPa s,
muy por encima del valor de aceptabilidad.
Feliz pero no totalmente satisfecha, la mujer probó un experimento más. Los
resultados del diseño experimental mostraron que una
La disminución del Reactivo A estaba conduciendo a mejores productos, y eso
esta variable no estuvo involucrada en las interacciones con las otras
variables. Por supuesto, este comportamiento se demostró sólo dentro de la
dominio experimental, pero podría haber valido la pena comprobar
Si el efecto era el mismo también fuera de él. El desarrollo más lógico hubiera
sido hacer un diseño experimental adicional centrado
en la nueva formulación, pero ella no tenía tiempo suficiente para hacer ocho
más experimentos. Entonces, ella solo trató de reducir aún más el Reactivo A,
y probó la formulación con 7 g de Reactivo A, 4.4 g de
Reactivo B y 11 g de Reactivo C. Este experimento fue un éxito total, ya que el
producto obtenido en la planta tenía una viscosidad en el
rango 55.0–60.0 × 103 mPa s, muy por encima del valor aceptable.
Por supuesto, todos en la compañía estaban muy contentos con el
resultado. Todos excepto una persona. ¿Puedes adivinar quién? Era
El experto a cargo del problema, quien no pudo aceptar que
alguien más podría tener éxito con solo nueve experimentos donde
Él fracasó totalmente, a pesar de haber realizado un gran número de
experimentos
Este no es un cuento de hadas como el de la Introducción. Esto es un
verdadero
historia [20]. La consecuencia de este éxito es que hoy en día el
La misma compañía usa regularmente diseños experimentales cuando
puede.
Un comentario más. El ejemplo anterior no es una optimización.
Probablemente, si se hubieran realizado más experimentos.
Con más diseños experimentales, incluso mejores resultados podrían haber
tenido.
sido obtenido. De todos modos, el objetivo inmediato de la empresa era
no para encontrar el óptimo, sino para salir de una situación embarazosa y
encontrar una solución comercialmente válida tan rápido como sea posible.
posible, y el diseño factorial, el más simple de todos los diseños
experimentales, permitió obtener una mejora sustancial con un
Esfuerzo experimental muy limitado.

Diseño centrado en la cara

Una empresa tenía que encontrar las mejores condiciones operativas para un
carbón.
molino. Se estudiaron dos variables: la carga del molino (toneladas h − 1)
y la posición del clasificador (una cortina que cierra parcialmente el molino).
De los conocimientos previos, se sabía que ambas variables tenían
un comportamiento cuadrático y por lo tanto un modelo que contiene
también la
Se necesitaban términos cuadráticos. Por este motivo no fue posible.
usar el diseño factorial mostrado en el ejemplo anterior, ya que,
teniendo cada variable solo dos niveles, no es conveniente estimar
Los términos cuadráticos.
Luego se decidió utilizar un diseño centrado en la cara (el mismo
utilizado por el futuro Príncipe), con la matriz experimental reportada
en la tabla 5.
También en este caso, construir la matriz experimental es muy simple.
Teniendo k variables, los primeros 2k experimentos son los mismos que para
un
Diseño factorial. Entonces, los siguientes 2xk experimentos se obtienen por

Tabla 5

manteniendo todas las variables excepto una en su nivel central, con la

otra variable que tiene los valores de −1 y +1. Por último, la última n
Los experimentos (en nuestro caso fue solo uno) se realizan con todos los
Variables a su valor central. Hay que tener en cuenta que al aumentar
el número de puntos centrales (hasta tres) una mejora de la
Se pueden obtener características matemáticas del modelo (principalmente,
Un menor apalancamiento y por lo tanto una mejor predicción en la región.
alrededor del centro); De todos modos, uno siempre debe evaluar si tal
La mejora justifica un trabajo experimental más elevado.
La figura 5 muestra una representación gráfica de un diseño centrado en la
cara.
en tres variables. Se puede ver que abarca un dominio cúbico y
que está compuesto por un diseño factorial (los puntos en los vértices
del cubo) y por un diseño estrella. El nombre "Cara centrada" deriva
del hecho de que la ubicación de los puntos estrella corresponde a la
Centro de las caras del cubo.
En términos más generales, el Diseño Centrado en la Cara es un especial
caso de un diseño central compuesto, este nombre indica los diseños
Compuesto por un diseño factorial y un diseño estrella.
En el diseño central compuesto circunscrito, la longitud del
"Brazos" de la estrella es la raíz cuadrada del número de variables. En
En ese caso, cada variable tiene cinco niveles (frente a los tres niveles de la
Cara).
Diseño Centrado), todos los puntos son equidistantes del centro y
el diseño abarca un dominio esférico (Fig. 6).
Los diseños compuestos centrales permiten estimar la constante, los
términos lineales, las interacciones entre variables y
Los términos cuadráticos, de acuerdo con el siguiente modelo (usualmente,
las interacciones entre más de dos términos no se toman en cuenta
cuenta):

ecuación

Tras haber decidido los niveles de las variables, el experimental.

Se ha obtenido el plan reportado en la tabla 5. La posición del clasificador es
una variable continua. En el plan experimental ha sido codificado como 1
(cerrado), 2 (abierto al 50%) y 3 (abierto), pero puede tomar
algún valor.

Figura 5 y figura 6
Para cada experimento, se midieron dos respuestas: el porcentaje de
partículas "pequeñas" (con un diámetro <200 malla) y el
porcentaje de partículas “grandes” (con un diámetro> 50 mallas) (ver
Tabla 5). El objetivo del estudio fue encontrar las condiciones operativas.
dando lugar a un producto de calidad aceptable (Y1> 70 e Y2 <1).
Al comparar este estudio con los anteriores, podemos detectar
inmediatamente dos diferencias relevantes:
• Se estudia más de una respuesta, lo que significa que debemos
mire a todos al mismo tiempo, encontrando el mejor compromiso;
• En lugar de buscar las "mejores" condiciones, estamos interesados en
identificar la región del dominio experimental correspondiente a un producto
de calidad "aceptable"; dentro de esta región el
Se seleccionará la configuración más rentable (en nuestro caso, la que
corresponde a la carga más alta).
Se han obtenido los siguientes modelos:

Escuaiones 1, 2

Desde que se han realizado nueve experimentos y seis coeficientes.

han sido estimados, tres grados de libertad están disponibles y
por lo tanto, la importancia de los coeficientes puede ser estimada
El nivel de significación se indica según la convención habitual:
* = p <0.05, ** = p <0.01, *** = p <0.001). Una forma más fácil de ver el
Los coeficientes y en su magnitud relativa es el gráfico de barras informado
en la figura 7

La figura 8 muestra las superficies de respuesta. Para la primera respuesta

(ser
maximizado) se puede ver que disminuye cuando aumenta la carga.
El término lineal de X2 sugiere que la respuesta disminuye cuando el
El clasificador está abierto, pero el término cuadrático altamente significativo
indica que el comportamiento no es lineal, como lo confirma la respuesta
superficie, desde donde se puede ver fácilmente que los mejores resultados
son
Obtenido con el clasificador en una posición intermedia. De todas formas,
la respuesta no es aceptable solo cuando el clasificador es casi
completamente abierto y cuando el clasificador está totalmente cerrado y el
la carga es maxima
La segunda respuesta (para ser minimizada) aumenta con la carga.
(término lineal muy fuerte para X1), pero este aumento es particularmente
rápido

Figura 7

en cargas más altas (como consecuencia del término cuadrático significativo

para X1). Cuanto más se abra el clasificador, mejor será esta respuesta.
es (término lineal significativo para X2). La interacción entre los dos.
Las variables se pueden ver por el hecho de que a cargas más altas el efecto
de la
clasificador es más alto que en cargas más bajas y que cuando el clasificador
está cerrado el efecto de la carga es mayor que cuando el clasificador es
totalmente abierto. La superficie de respuesta también muestra que la
respuesta es
Siempre aceptable, a excepción de una región muy pequeña con mayor carga
y
Clasificador cerrado, eso era inaceptable también para la primera respuesta.
Por lo tanto, la combinación más rentable parece ser la carga máxima y el
clasificador con un 30% de apertura.
Esta forma de pensar sería correcta si no tuviéramos que
Hacer frente al error experimental. De hecho, la curva de isorrespuesta en
El 70% conecta todos los puntos con una respuesta predicha del 70%. Pero
También sabemos que cualquier predicción tiene un intervalo de confianza, y
Al producir un producto debemos estar razonablemente seguros de que tiene
Las características deseadas. Así, en lugar de mirar lo previsto
valor como tal, deberíamos tener en cuenta el límite inferior de
el intervalo de confianza si la respuesta debe ser maximizada (o la
límite superior si la respuesta tiene que ser minimizada).
Figura 8

¿Cómo calcular el intervalo de confianza de la predicción? Nosotros

Ya hemos visto que si multiplicamos el apalancamiento por la varianza
experimental obtenemos la varianza de la predicción. Nosotros también
Sabemos que es posible calcular el apalancamiento para cualquier punto de
la
dominio experimental (no te preocupes si no sabes como hacerlo
Matemáticamente: un software lo hará por ti ...). Sobre la varianza
experimental, en este caso no tenemos réplicas pero, desde
Tenemos grados de libertad, podemos estimarlo a partir de los residuos.
de la regresión: en nuestro caso la desviación estándar de los residuos es 1.18
para Y1 y 0.06 para Y2, ambos calculados con 3 grados de
libertad.
Por lo tanto si multiplicamos el apalancamiento de un punto por 1.182
tenemos
La varianza de la predicción de Y1 en ese punto. Haciendo la plaza
raíz tenemos la desviación estándar de la predicción, y si nosotros
multiplíquelo por 3.18 (la t en p = 0.05, con 3 grados de libertad) nosotros
tener la semiamplitud del intervalo de confianza del 95% en el mismo
punto.
El apalancamiento de este diseño es el mismo que se muestra en la Fig. 2. El
apalancamiento relativamente alto en el centro depende del hecho de que no
Las repeticiones se han realizado en el punto central. Añadiendo más
Replica, este bache hubiera sido más pequeño: por ejemplo, con
Figura 9

tres puntos centrales (es decir, dos experimentos más) un plano muy ancho
Se habría obtenido la región. Por supuesto, al diseñar un conjunto de
Experimenta el mejor compromiso entre calidad de información.
Y se debe buscar esfuerzo experimental. Dos experimentos mas
habría mejorado nuestro diseño, pero habría valido la pena realizarlos (es
decir, cuál habría sido el costo adicional en
términos de tiempo y dinero)? Esta es una decisión que solo la gente.
En cargo del problema específico puede tomar!
La Fig. 9 muestra las gráficas de la semiamplitud del intervalo de confianza
del 95% para cada una de las dos respuestas. Estas parcelas, derivadas
De la trama del apalancamiento, son mucho más fáciles de interpretar.
Ya que dan una idea directa de la incertidumbre de lo previsto.
valor. Entonces, podemos ver inmediatamente que para la primera respuesta
el
la incertidumbre está entre aproximadamente ± 2 y aproximadamente ± 3,
mientras que para el segundo
La respuesta está en el rango ± 0.1– ± 0.2. Es muy importante darse cuenta.
que el intervalo de confianza cambia de acuerdo con la posición en
El dominio experimental y su forma dependen de la distribución de los
experimentos en el dominio experimental. De nuevo, que es
¡Lo importante es qué experimentos se realizan, no cuántos!
Para cualquier punto del dominio experimental tanto el predicho como el
Se conocen las respuestas y sus intervalos de confianza. Esto nos permite
para dibujar las parcelas reportadas en la Fig. 10. Como se esperaba, las
regiones en
lo que es "seguro" para trabajar son un poco más reducidos que cuando
figura 10

teniendo en cuenta las respuestas previstas. Además, hay

Dos comentarios más que se pueden hacer.
Mientras que las curvas de isorrespuesta son elipsis muy bien formadas, en
En este caso las curvas no son del todo regulares. Esto depende de la
De hecho, como se muestra en la Fig. 9, el tamaño del intervalo de confianza
es
No es lo mismo en ningún punto.
Al mirar las curvas de isorrespuesta de la segunda respuesta.
(Fig. 8), se puede ver que alguna parte del dominio tiene un predicho
respuesta <0. Por supuesto, esto es totalmente absurdo de la química
punto de vista, ya que significaría que una cantidad negativa de grandes
¡Se han producido partículas! De todos modos, los valores previstos de esta
la región no es significativamente diferente de 0. Y de hecho, cuando se toma
en cuenta el límite superior del intervalo de confianza como se muestra
en la Fig. 10, ningún punto en el dominio experimental tiene un valor <0.
Fig. 11, que muestra las gráficas superpuestas de los límites de confianza de
Interés, se puede utilizar para tomar la decisión final. Puede observarse que
La región de aceptabilidad de la primera respuesta es una subregión de
La de la segunda respuesta. Si la carga máxima de carbón posible es
El objetivo principal del estudio, luego una carga de aproximadamente 14
toneladas h − 1 con
El clasificador en la posición 1.6 (30% abierto) dará un producto que tiene
Tanto las respuestas a niveles aceptables. También se puede ver que por
reduciendo un poco la carga, el porcentaje de partículas grandes
figura 11

disminuir bastante rapido Así, por ejemplo, cuando se trabaja con una carga
de
12 toneladas h − 1 y el clasificador en la posición 2.4 (70% abierto), el
porcentaje de partículas grandes disminuirá a no más del 0.4%, y
por lo tanto la calidad del producto será mucho mayor.
Ahora, la pregunta es: ¿vale la pena producir 2 toneladas h − 1 menos?
¿Para tener tal aumento en la calidad del producto? Por supuesto,
Nadie más que la persona a cargo de la planta puede responder.
Esto muestra cómo el diseño experimental da muy buenas herramientas de
fabricación.
más fácil de entender el problema; De todos modos, la decisión final debe
confiar en una base practica
Diseño de la mezcla

Una empresa farmacéutica debe encontrar la mejor formulación para

Una tableta. La composición es la siguiente: sustancia farmacológica al 4,0%,
desintegrante 0,2%, lubricante A 4,0%, lubricante B 1,0%, ligandos 90,8%.
Hay tres posibles ligandos disponibles: alfa-lactosa monohidratada
(X1), beta-lactosa anhidra (X2) y almidón de arroz modificado (X3). los
El objetivo es encontrar la mejor mezcla de los tres ligandos para tener
el mejor compromiso entre la carga de rotura, es decir, el máximo
forzar una tableta puede soportar sin romperse (Y1) y velocidad de disolución
(Y2). En este caso, es lógico pensar que no sería posible
para optimizar ambas respuestas al mismo tiempo, ya que mayor ruptura
Las cargas corresponderán a menores tasas de disolución (y viceversa).
Dado que la cantidad de los otros componentes es fija y no puede ser
cambiado, se puede considerar solo la cantidad relativa de los ligandos,
teniendo en cuenta entonces que la suma de los ligandos es el 90,8% de la
total.
En los casos estudiados hasta ahora (diseños experimentales para variables
independientes), cada variable podría establecerse en cualquier valor dentro
de
Su rango, independientemente del valor tomado por las otras variables.
En cambio, en una mezcla debemos hacer frente a la restricción implícita que
La suma de todos los componentes debe ser 1 (o 100%). Esto significa que
Los componentes de una mezcla no se pueden variar independientemente, ya
que
Al variar el porcentaje de un componente también los porcentajes.
de los demás componentes serán cambiados.
Otra diferencia relevante con el diseño para autónomos.
variables es que el objeto del estudio en estos problemas no es
El efecto de la variación de la cantidad absoluta de las variables.
pero el efecto de la variación de los ratios entre las variables (un
cóctel hecho por 10 ml de componente A, 20 ml de componente B y 25 ml de
componente C serán exactamente iguales a un cóctel hecho
por 1 L de A, 2 L de B y 2.5 L de C).

figura 12

Como consecuencia de ello, no es posible aplicar a los problemas de las

mezclas los diseños experimentales previamente estudiados.
La figura 12 muestra la representación gráfica de un tricomponente.
mezcla. Es un triángulo equilátero, en el que los vértices corresponden a los
componentes puros, los lados a las mezclas binarias.
y los puntos internos a las mezclas ternarias. En tal representación, hay una
correspondencia biunívoca entre la trama
y la composición, ya que a cada composición le corresponde una
y solo un punto de la trama, y viceversa. Lo mismo vale para
cualquier número de componentes de una mezcla, cuyo dominio será el
Figura regular que tiene tantos vértices como componentes, tendida en el
Espacio que tiene dimensionalidad igual al número de componentes.
menos uno (el triángulo equilátero es la figura regular que tiene tres
vértices en un espacio bidimensional; el tetraedro es el regular
Figura que tiene cuatro vértices en un espacio tridimensional). Para más
de cuatro componentes, no podemos visualizar todo el dominio ya que
se encuentra en un espacio que tiene más de tres dimensiones, pero esto es
sólo un
problema de nuestra mente limitada: desde el punto de vista matemático,
El número de dimensiones no hace ninguna diferencia.
La Tabla 6 reporta los siete experimentos que se han realizado, junto con las
respuestas que se han obtenido,
medido en unidades arbitrarias (los experimentos también se destacan
en la figura 12).
Al hacer estos experimentos, los coeficientes de los siguientes
El modelo puede ser estimado:

Ecuación

Comparándolo con el modelo para variables independientes, puede

Inmediatamente se verá que la constante no está presente. Esto aparece

Tabla 6

bastante lógico si pensamos que la constante corresponde a la

Respuesta cuando todas las variables tienen nivel 0. En el caso de la variable.
Diseños para variables independientes, tiene un significado práctico, ya que
corresponde a la respuesta en el punto central. En el caso de
mezclas, ya que la suma de todos los componentes debe ser 1, no es
Es posible tener una condición en la que todas las variables tengan nivel 0.
El modelo para la primera respuesta es:

Ecuación
Se puede observar que los coeficientes de los términos lineales corresponden.
A la respuesta obtenida con los componentes puros.
Los coeficientes de las interacciones de dos términos indican el efecto
sinérgico de los dos componentes. En el ejemplo descrito arriba,
el experimento con X1 puro dio una respuesta de 31, mientras que el
experimento con X2 puro dio una respuesta de 113. Si no hay efecto sinérgico
estaría presente, la mezcla hecha por 0.5 X1 y 0.5 X2
Da una respuesta de 72 (el promedio de 31 y 113). La respuesta de
esta mezcla es en cambio 42 (30 unidades menos), lo que significa que un
negativo
El efecto sinérgico está presente. Esto se puede encontrar en el término X1X2,
cuyo
coeficiente es −120. Se puede observar que la magnitud de la sinergia
Los efectos de las mezclas de dos componentes están dados por los
coeficientes.
dividido por 4.
De la misma manera, el coeficiente de la interacción de tres términos,
dividido por 27, corresponde a la magnitud del efecto sinérgico
de los tres componentes (esta es la razón por la cual los coeficientes de
las interacciones superiores suelen ser muy grandes).
A partir de la gráfica de isorrespuesta mostrada en la Fig. 13 se puede ver que
X2 tiene el mayor efecto en Y1 (carga de rotura). Para entender el
El efecto de cada variable debe seguir cómo cambia la respuesta.
al pasar de una composición sin ese componente a la
Componente puro (sin cambiar las cantidades relativas de la
otros componentes). En la parcela, comienza desde el centro del borde.
opuesto al componente en estudio (es decir, una mezcla hecha por
Los dos componentes restantes, al 50% cada uno) y van al vértice.
Representando el componente puro. En el caso de X2, la respuesta en
el punto de partida (sin X2) es 39, y luego continúa aumentando bastante
Regularmente hasta 113 para X2 puro.
Al hacer lo mismo con X1, se puede ver que tiene un efecto negativo:
la respuesta es 70 sin él, y luego disminuye regularmente a
31 para X1 puro.
X3 es el componente con el efecto más bajo y, debido a la
Interacción de tres componentes, tiene un comportamiento diferente: inicio.
de 42 para la mezcla hecha por 50% X1 y 50% X2, se reduce a
38 para X3 puro, pero la adición de X3 al principio aumenta la respuesta
(hasta 60 para la mezcla realizada en un 33,3% de cada uno de los
componentes),
luego lo disminuye.
El modelo para la segunda respuesta es:

Ecucacion
Al observar los coeficientes de las interacciones podemos entender
que el efecto sinérgico más fuerte es la sinergia positiva entre
X1 y X3. Al observar la gráfica de isorrespuesta de la Fig. 13, puede ser
Visto que la respuesta más alta corresponde a la mezcla hecha.
aproximadamente un 50% de X1 y un 50% de X3.
También para esta respuesta X2 es el componente con la mayor
efecto, ya que la respuesta disminuye de 67 (no X2) a 26 (puro
X2). Al comenzar a agregar X1, la respuesta aumenta de 30 hasta
más de 55 (aproximadamente 50% de X1), luego disminuye a 44
(X1 puro). X3 es el componente con el menor efecto, ya que el
la respuesta va desde 41 (sin X3) hasta aproximadamente 50
(aproximadamente 20%).
de X3), para permanecer casi constante hasta el X3 puro, teniendo una
respuesta de
52.
En los diseños experimentales para variables independientes vimos.
que el efecto de los factores y la importancia relativa de los términos se
pueden entender de inmediato con solo mirar el modelo
(cuanto mayor sea el coeficiente, más importante es el término)

Figura 13

Desafortunadamente, esto no es más cierto en los diseños de mezcla. por

Por ejemplo, en el caso de la segunda respuesta del ejemplo anterior, se
desprende claramente de la superficie de respuesta isométrica que X2 es, con
mucho, el
componente con el efecto más relevante, pero su coeficiente es el
el más pequeño! Esto porque, como se explicó anteriormente, los coeficientes
de los términos lineales corresponden a las respuestas con componentes
puros, y por lo tanto no tienen nada que ver con los efectos de la
componentes Al ir a las interacciones, para darles
un significado práctico, debemos recordar dividirlos por 4 (en
caso de una interacción de dos términos) o 27 (para interacciones de tres
términos),
o 256 (para interacciones de cuatro términos).
Como consecuencia, la única manera de entender el significado de
Un modelo es mirar las superficies isoresponse. Esto es fácil en el
caso de tres componentes (el dominio es solo un triángulo), se convierte en
más complejo pero aún posible en el caso de cuatro componentes (el
El dominio es un tetraedro, y debemos tener en cuenta los "cortes"
obtenido cortándolo con planos paralelos a una de las caras, que
significa mantener uno de los componentes constante), y es extremadamente
difícil con más de cuatro componentes (con n componentes, para tener un
plano, debemos cortar el dominio experimental con
hiperplanos obtenidos manteniendo constantes los componentes n-3).

Figura 14
Esta es la razón por la cual el número de componentes bajo estudio
en una mezcla de diseño por lo general no es superior a cuatro. En caso de un
Sistema más complejo, se sugiere dividir todo el dominio.
en dos o más subdominios, cada uno de ellos con un "aceptable"
Número de componentes, y luego estudiar cada uno de ellos por separado.
Por supuesto, al hacerlo, uno tiene que darse cuenta de que las interacciones
entre
los componentes de los diferentes subdominios no pueden ser estudiados,
pero
Este es el precio a pagar para aumentar la comprensibilidad.
de todo el sistema.
De vuelta a nuestro problema, la compañía farmacéutica estaba buscando.
para el mejor compromiso, con un valor mínimo aceptable de 50 para
Ambas respuestas. Como se esperaba, y como se muestra por las superficies
de respuesta,
Las dos respuestas tienen un comportamiento opuesto, y cuando una de ellas
Se incrementa el otro se disminuye.
La figura 14 muestra la región de aceptabilidad conjunta. Ya que es totalmente
interno al dominio, entonces solo las mezclas ternarias pueden producir
Resultados aceptables. El productor puede seleccionar la formulación más
conveniente sobre la base de las respuestas, pero también teniendo en cuenta
El precio de cada uno de los componentes.
Cabe destacar que, aparte de la industria farmacéutica,
Los diseños de mezclas son extremadamente importantes en muchos campos,
tales como
productos alimenticios (por ejemplo, formulación de una nueva receta),
bebidas (por ejemplo,
formulación de una mezcla), pinturas (por ejemplo, formulación de una
pintura),
Optimización del método (por ejemplo, fase móvil óptima para HPLC).
Conclusiones
Las aplicaciones descritas en este documento muestran claramente la
superioridad del diseño experimental en comparación con el OVAT "clásico"
enfoque. A pesar de que sus ventajas son bien conocidas.
y reconocido desde hace más de 70 años [21], el diseño experimental todavía
se aplica solo en una minoría muy pequeña de los casos
en el que podría (y debería) ser utilizado.
Por lo tanto, uno de los principales esfuerzos de la comunidad quimiométrica
debe ser hacerlo tan conocido y comprensible como
posible, de tal manera que podría convertirse en la forma estándar de
operando.
Es bien sabido que el OVAT no es en absoluto la forma correcta de
realizar una optimización o estudiar el efecto de varias variables,
Como no tiene en cuenta las interacciones entre las variables, solo
proporciona un conocimiento local del fenómeno y, a menudo,
requiere un esfuerzo experimental mucho mayor; por lo tanto, sería
Es recomendable que las principales revistas no acepten más artículos.
en el que el enfoque OVAT se realiza cuando un experimental
El diseño debe ser aplicado en su lugar.