Prueba Quimiometría.

Prueba Quimiometría

Ezequiel Saldivia

Nestor Gutierrez

1. Set de Datos :

[pic 1]

1. Tipo de modelo a utilizar:   diseño central compuesto circunscrito (CCC)

1. La validación del modelo R2, Q2, model validity y reproducibility. Discutir resultados.

R2  :  0,91626  -  Q2 : 0,85263 -  Model Validity:  0,89273 - Reproducibility:  0,88315

Como podemos ver el R2 es de 0,91626 lo que nos habla de una que un gran porcentaje de los datos puede ser representado por una línea recta, en segunda instancia el valor de Q2  nos señala que el modelo es capaz de  predecir  de buena manera una respuesta a través de los datos tabulados , podemos  ver que el modelo tiene una alta reproductibilidad .

[pic 2]

1. Incluye figuras y explique los resultados del modelo para replicate plot, histograma (indicar si fue necesaria una transformación y ¿cuál?). Coeficientes (indicar los que fueron eliminados).

Gráfica Replicate Plot

Como se puede apreciar en el gráfico encontramos las tres réplicas (15 a 17), no muy separadas entre sí, por lo cual podemos decir que hay una variación menor frente a la variación apreciada por la serie de experimentos (1 a 14), entonces podemos concluir que el error de replicación no complica el análisis.

[pic 3]

Histograma

De acuerdo al histograma obtenido, podemos determinar que no es necesaria un transformación, ya que este tiene a una distribución normal con una ligera distribución asimétrica hacia la derecha.

[pic 4]

Coeficientes:

En este primer gráfico podemos ver el aporte tanto de las variables por separado como el efecto de dos de de las tres variables combinadas, se puede ver que tanto qué hay combinación de variables que tienen un efecto antagónico ( T*T° ,A*A, T°*A y T°*Tie)  y otras un efecto sinérgico ( Tie*Tie y  Tie*A) , pero estas no generan un impacto significativo sobre la respuesta es por esto que las hemos descartado.

[pic 5]

Podemos ver que tanto la variable temperatura, A y tiempo tienen un impacto negativo sobre el rendimiento Yd , por lo tanto podemos inferir que a medida que aumentemos la magnitud de estas variables obtendremos  un menor rendimiento de Yd .

[pic 6]

1. Incluir la ecuación que describe los resultados del modelamiento.

[pic 7]

1. Incluir gráficos de contorno de las respuestas obtenidas y discutir los valores óptimos.

[pic 8]

En el gráfico de contorno se puede apreciar la relación entre las tres variables (T, t y A) con la respuesta Y^d, entonces podemos observar lo siguiente: a medida que la magnitud de los factores disminuyen se obtiene una mejor respuesta y el caso contrario que cuando aumenta la magnitud de los factores se obtiene una respuesta menor , entonces los valores óptimos serán cuando los tres factores son bajos, ya que la mejor situación se encuentra cuando A= 15% seguido por A=18% y finalmente A=21%.

...