Superficie de Respuesta

S SU UP PE ER RF FI IC CI IE ES S D DE E R RE ES SP PU UE ES ST TA A. .
M M T TO OD DO OS S Y Y D DI IS SE E O OS S. .

Carmen Dol ores Fernndez Mel cn
Montserrat Pi ei ro Barci a

S SU UP PE ER RF FI IC CI IE ES S D DE E R RE ES SP PU UE ES ST TA A. .
M M T TO OD DO OS S Y Y D DI IS SE E O OS S. .
1. INTRODUCCIN A LA METODOLOGA DE SUPERFICIES DE RESPUESTA
La Metodologa de Superficies de Respuesta (RSM) es un conjunto de tcnicas
matemticas utilizadas en el tratamiento de problemas en los que una respuesta de inters est
influida por varios factores de carcter cuantitativo. El propsito inicial de estas tcnicas es
disear un experimento que proporcione valores razonables de la variable respuesta y, a
continuacin, determinar el modelo matemtico que mejor se ajusta a los datos obtenidos. El
objetivo final es establecer los valores de los factores que optimizan el valor de la variable
respuesta.
Cuando decimos que el valor real esperado, , que toma la variable de inters considerada
est influido por los niveles de k factores cuantitativos, X
1
, X
2
, ..., X
k
, esto significa que existe
alguna funcin de X
1
, X
2
, ..., X
k
(que se supone continua en X
i
, i = 1, ..., k) que proporciona el
correspondiente valor de para alguna combinacin dada de niveles:
= f (X
1
, X
2
, ..., X
k
)
de tal forma que la variable respuesta puede expresarse como:
Y = + = f (X
1
, X
2
, ..., X
k
) +
donde es el error observado en la respuesta.
La relacin = f (X
1
, X
2
, ..., X
k
) existente entre y los niveles de los k factores puede
representarse a travs de una hipersuperficie (subconjunto de un espacio eucldeo (k+1)-
dimensional) a la que llamaremos superficie de respuesta.
Una tcnica utilizada para ayudar a visualizar la forma que puede tener una superficie de
respuesta tridimensional consiste en representar la grfica de contornos de la superficie, en la
que se trazan las denominadas lneas de contorno, que son curvas correspondientes a valores
Carmen D. Fernndez Melcn. Montserrat Pieiro Barcia
1

1. Introduccin a la Metodologa de Superficies de Respuesta

constantes de la respuesta sobre el plano X
1
X
2
(plano cuyos ejes coordenados vienen dados por
los niveles X
1
y X
2
de los factores). Geomtricamente, cada lnea de contorno es una proyeccin
sobre el plano X
1
X
2
de una seccin de la superficie de respuesta al intersecar con un plano
paralelo al X
1
X
2
. La grfica de contornos resulta til para estudiar los niveles de los factores en los
que se da un cambio en la forma o altura de la superficie de respuesta.
La existencia de grficas de contorno no est limitada a 3 dimensiones a pesar de que en el
caso en que haya ms de 3 factores de influencia no es posible la representacin geomtrica. No
obstante, el hecho de poder representar grficas de contorno para problemas en que haya 2 o 3
factores permite visualizar ms fcilmente la situacin general.
[EJEMPLO.-] Un agricultor quiere maximizar su produccin de almendras
(medida en Kg./Ha.) en funcin de las cantidades (medidas en Kg./Ha.) de dos tipos de
fertilizante, A y B, que utiliza. Una superficie de respuesta para la produccin de almendras viene
dada por la grfica siguiente:

Fig 1.1.- Superficie de respuesta tridimensional en la que se observa la produccin
esperada de almendras () en funcin de las cantidades de fertilizante A (X
1
) y
fertilizante B (X
2
) utilizadas.
En este ejemplo, dado que hay dos factores de influencia (k = 2), la superficie de respuesta se
visualiza en un espacio tridimensional en el que la tercera dimensin representa la produccin
esperada de almendras sobre el plano bidimensional definido por las combinaciones de los niveles
de los dos factores, X
1
y X
2
.
2

1. Introduccin a la Metodologa de Superficies de Respuesta

Para generar la grfica de contornos correspondiente se secciona la superficie de respuesta usando
planos paralelos al X
1
X
2
en ciertos valores de respuesta considerados, por ejemplo:

Fig 1.2.- Seccin de la superficie de respuesta por planos paralelos al plano X
1
X
2
,
en los valores esperados de produccin: 11.5, 12.1, 12.7, 13.3, 13.9.
Cada lnea de contorno representa un nmero infinito de combinaciones de las cantidades de los
dos fertilizantes, para las producciones de almendras esperadas consideradas. La produccin
mxima, que es de 14.12 Kg./Ha. se localiza en el centro de la elipse ms pequea y corresponde
a los niveles X
1
= 170.06 del fertilizante A y X
2
= 246.65 del fertilizante B.

Fig 1.3.- Grfica de contornos de la superficie de respuesta con lneas de contorno
correspondientes a los valores esperados de produccin: 11.5, 12.1, 12.7, 13.3, 13.9.
3

2. Superficies de Respuesta Polinmicas. Modelos de Primer y Segundo Orden

La grfica de contornos correspondiente a la superficie de respuesta del ejemplo que estamos
considerando nos indicara que sta tiene forma de loma.
A la hora de planificar el programa de experimentacin que nos va a permitir llevar a
cabo el estudio acerca del efecto de los factores sobre la variable respuesta, el primer paso que
debemos dar es la eleccin de los factores que usaremos en el experimento. Una vez
determinados, el siguiente paso es seleccionar los rangos de valores de cada factor que se
considerarn, pues aunque en el experimento es posible explorar la regin correspondiente al
espacio completo de los factores de influencia o regin operativa, lo ms frecuente consiste en
explorar nicamente una regin de inters limitada, la regin experimental, contenida en la
regin general. De este modo, durante la ejecucin del experimento, slo se utilizarn niveles de
los factores correspondientes a valores que caigan en esta regin, a menos que se descubra,
durante el conjunto inicial de experimentos, que pueda ser necesario explorar niveles que estn
ms all de los lmites de la regin considerada.
2. SUPERFICIES DE RESPUESTA POLINMICAS. MODELOS DE PRIMER Y
SEGUNDO ORDEN
La forma de la funcin f que determina la relacin entre los factores y la variable respuesta
es, en general, desconocida, por lo que el primer objetivo de la RSM consiste en establecer
experimentalmente una aproximacin apropiada de la funcin f. Para ello, se propone un modelo
de ecuacin, generalmente polinmico, en los k factores X
1
, X
2
, ..., X
k
y se selecciona un conjunto
de tratamientos sobre los que realizar las observaciones experimentales, que se utilizarn tanto
para obtener estimaciones de los coeficientes en el modelo propuesto (por ejemplo, a travs del
mtodo de mnimos cuadrados) como para obtener una estimacin de la variacin del error
experimental (para lo que es necesario tener al menos 2 observaciones por cada tratamiento). Se
realizan, entonces, contrastes sobre las estimaciones de los parmetros y sobre el ajuste del
modelo y si el modelo se considera adecuado, puede utilizarse como funcin de aproximacin. En
tal caso, el estudio de la superficie de respuesta se hace en trminos de la superficie ajustada, pues
su anlisis ser aproximadamente equivalente al del sistema real.
Los polinomios usados ms frecuentemente como funciones de aproximacin son los de
rdenes uno y dos, que nos proporcionan, respectivamente los siguientes modelos:
4


modelo de primer orden Y X
i
k
1 i
i 0
+ + =

=
modelo de segundo orden X X X X Y
j i
j i
j i,
ij
2
i
k
1 i
ii i
k
1 i
i 0
+ + + + =

<
= =
2.1. UTILIZACIN DE VARIABLES CODIFICADAS
En la construccin de modelos de superficies de respuesta, es muy comn la codificacin
de los valores reales de los niveles de los factores, pues las distancias medidas sobre los ejes de las
variables codificadas en el espacio k-dimensional se convierten en estndar, lo que facilita
considerablemente los clculos que deben llevarse a cabo para obtener el modelo de
aproximacin e incrementa el ajuste en la estimacin de los coeficientes.
Una frmula que suele resultar til para codificar los valores de los factores es la siguiente:
( )

X - X
X - X

X - X
2
X X
- X
x
iNInf iNSup
i i
iNInf iNSup
iNSup iNInf
i
i
~
=
|
|
.
|
\
| +
= i = 1, 2, ..., k
donde X
iNInf
valor del nivel ms bajo del factor i y X
iNSup
valor del nivel ms alto del factor i y
,
2
X X
X
iNSup iNInf
i
+
=
~
es la media entre los valores ms alto y ms bajo del nivel i = 1, ...,n. La
frmula anterior verifica que y transforma las medias 0 x
k
1 i
i
=
=
k 1
X ..., X
~
,
~
en el punto
(x
1
, ..., x
k
) = (0, ..., 0) al que se denomina centro del diseo.
La frmulas empleadas para la codificacin dan lugar a transformaciones biyectivas entre
variables reales y codificadas, de manera que cualquier ecuacin polinmica en los valores de x
i
se
puede expresar equivalentemente como una ecuacin polinmica del mismo grado en los valores
de X
i
. Por tanto, a partir de ahora se trabajar con las variables codificadas, pues las conclusiones
que se obtengan sobre stas pueden extrapolarse a las variables reales.
5


2.2. MODELOS DE PRIMER ORDEN
Cuando no se tiene suficiente informacin acerca de la forma que presenta la superficie de
respuesta, el primer intento de ajuste se hace, generalmente, aproximando a travs de un modelo
de primer orden.
La forma general de un modelo de primer orden con k factores, X
1
, X
2
, ..., X
k
, es:

X Y
i
k
1 i
i 0
+ + =

=

(2.1)

variable
respuesta
parmetros
desconocidos
error
aleatorio

o, equivalentemente, en forma matricial:
Y = X +
donde la matriz X puede escribirse alternativamente como X = [ 1 : D ], con D la matriz de
combinaciones de niveles de los factores, denominada matriz de diseo.
Si la matriz X es de rango completo, entonces el estimador de obtenido por el mtodo
de mnimos cuadrados es b = (X X)
-1
X Y (que es, de hecho, el mejor estimador lineal insesgado
de ) y la matriz de varianzas-covarianzas de b viene dada por Var(b) = (X X)
-1

2
.
El modelo de primer orden ajustado es, entonces:
i
k
1 i
i 0
X b b Y

=
+ =

Si el modelo est bien ajustado, la parte no aleatoria del modelo representa la respuesta
real esperada y es el error experimental. Sin embargo, si el modelo no est ajustado a la funcin
respuesta real, lo que ocurre cuando la relacin entre la respuesta y los factores est demasiado
simplificada, contiene, adems del error experimental, una parte de error no aleatorio que se
debe a la falta de ajuste.
2.3. MODELOS DE SEGUNDO ORDEN
Cuando existe curvatura en la superficie de respuesta, el modelo de primer orden no es
una aproximacin adecuada y es necesario utilizar un modelo que ajuste mejor. Se emplea
entonces un modelo de segundo orden.
6


La forma general de un modelo de segundo orden con k factores, X
1
, X
2
, ..., X
k
es:

X X X X Y
j i
1 - k
1 i
k
i j
2 j
ij
2
i
k
1 i
ii i
k
1 i
i 0
+ + + + =

=
>
= = =

(2.2)

variable
respuesta
parmetros desconocidos error
aleatorio

De manera anloga a como se hizo para los modelos de primer orden se obtiene que el
modelo ajustado de segundo orden es:
j i
1 - k
1 i
k
i j
2 j
ij
2
i
k
1 i
ii i
k
1 i
i 0
X X b X b X b b Y

=
>
= = =
+ + + =

2.4. NATURALEZA SECUENCIAL DE LA METODOLOGA DE SUPERFICIES DE RESPUESTA
La RSM es una tcnica secuencial. A menudo, la estimacin inicial de las condiciones
ptimas de operacin est alejada del ptimo real, as que el objetivo es, usando un mtodo lo
ms simple y menos costoso posible, moverse rpidamente hacia las cercanas del ptimo.
En general, se sabe muy poco o nada acerca de la relacin existente entre la variable
respuesta y los factores, as que, en un principio, se propone el modelo de aproximacin ms
simple posible, el de primer orden, que suministra la base para ejecutar un conjunto inicial de
experimentos que proporcionarn datos correspondientes a los puntos del diseo de primer
orden. Si los datos recogidos permiten hacer una estimacin de la varianza del error, se puede
llevar a cabo un contraste para evaluar el ajuste del modelo. Esto nos lleva a una segunda etapa,
que consiste en localizar reas de la regin experimental en las que se sospeche que puedan estar
los valores ms deseables de la variable respuesta. El plan que vamos a seguir, que nos llevar
hacia valores mximos en la respuesta, se conoce como mtodo de mxima pendiente en
ascenso (en descenso si lo que queremos es minimizar los valores de la respuesta).
MTODO DE MXIMA PENDIENTE EN ASCENSO

El mtodo de mxima pendiente en ascenso consiste en ejecutar una secuencia de
experimentos a lo largo de la lnea de mximo incremento de la respuesta. Si el modelo ajustado
de primer orden es adecuado, la informacin que ste proporciona se utiliza para determinar una
direccin en la cual se espere observar mayores valores de la variable respuesta. A medida que se
avanza sobre la superficie ajustada en la direccin en que se incrementan los valores de la
7

3. Diseos de superficies de respuesta

respuesta y se va llegando a una regin en la que haya curvatura en la superficie real, el
incremento en la respuesta se estabilizar en el punto ms alto de la superficie ajustada. Si se
contina en esta direccin y la altura de la superficie disminuye, se lleva a cabo un nuevo conjunto
de experimentos y se ajusta de nuevo el modelo de primer orden. Se determina una nueva
direccin hacia valores crecientes de la respuesta y se ejecuta otra secuencia de experimentos en la
direccin determinada. Este proceso contina hasta que se hace evidente que a partir del mtodo
no se puede obtener un incremento en la respuesta o ste es muy pequeo.
Si los tests de ajuste detectan que puede haber curvatura en la superficie, se aumenta un
grado al modelo aadindole los trminos del producto cruzado y/o los trminos cuadrticos
puros y se completa el diseo de primer orden aadindole los puntos necesarios para ajustar el
nuevo modelo de segundo orden. Si el modelo de segundo orden se ajusta adecuadamente, se
utiliza para describir la forma de la superficie a travs de la grfica de contornos en la regin
experimental. Se utiliza entonces el modelo ajustado de segundo orden para localizar, en el lugar
en el que la pendiente de la superficie ajustada es cero, las coordenadas del punto estacionario,
que es el punto que proporciona el valor ptimo de la variable respuesta y, si se detecta que ste
se encuentra dentro de los lmites de la regin experimental, se pasa a determinar su naturaleza (si
es mximo, mnimo o punto de silla). Si, por el contrario, el punto estacionario no se halla dentro
de la regin experimental, hemos de realizar una nueva experimentacin en la direccin en la que
ste se encuentra. Una vez que se ha localizado el punto que proporciona valores ptimos de la
variable respuesta, se describe la superficie en un entorno prximo a ste.
3. DISEOS DE SUPERFICIES DE RESPUESTA
La eleccin de un diseo adecuado del experimento a realizar es fundamental para
modelar y explorar la superficie de respuesta usada para ajustar un modelo polinmico al
conjunto de datos recogidos en los puntos del diseo. As pues, sera deseable que el diseo
tuviera, de las caractersticas que se enumeran a continuacin, y dado que algunas de ellas resultan
conflictivas entre s, las que ms sirvan al inters del experimento:
1. Generar una distribucin razonable de puntos y, por tanto, de informacin, en toda la
regin de inters, pero utilizando el menor nmero posible de puntos experimentales.
2. Asegurar que, para cada punto x, el valor ajustado, (x), est tan cerca como sea posible
del valor real, Y(x).
8


3. Permitir la deteccin de falta de ajuste en el modelo.
4. Permitir la ejecucin de los experimentos en bloques.
5. Permitir la construccin secuencial de diseos de orden creciente.
6. Proporcionar una estimacin interna de la varianza del error.
7. Asegurar simplicidad en los clculos de las estimaciones de los parmetros del modelo.
Adems de las propiedades mencionadas, sera muy conveniente que el diseo elegido
fuera ortogonal y/o invariante por rotacin:
Un diseo ortogonal es aquel en el que los trminos del modelo ajustado son
incorrelados y, por tanto, tambin las estimaciones de los parmetros lo son, en cuyo caso, la
varianza de la respuesta esperada en cualquier punto de la regin experimental se puede expresar
como la suma ponderada de las varianzas de los parmetros estimados del modelo.
Por otro lado, en un diseo invariante por rotacin, la varianza de (x), que depende de
la situacin del punto x, es funcin nicamente de la distancia del punto al centro del diseo, lo
que significa que es la misma en todos los puntos equidistantes del centro del diseo. Teniendo
en cuenta que el objetivo de la RSM es la optimizacin de la respuesta y que se desconoce la
localizacin del ptimo antes de ejecutar el experimento, esta propiedad resulta muy interesante,
puesto que garantiza que el diseo proporciona estimaciones igualmente precisas en todas las
direcciones.
3.1. DISEOS DE PRIMER ORDEN
Si el modelo (2.1) es una representacin adecuada de la respuesta real esperada, entonces
el diseo elegido para estimar los parmetros debe proporcionar valores razonables de la
respuesta sobre la regin de inters. Los diseos considerados con el propsito de recoger datos
para ajustar un modelo de primer orden se conocen como diseos de primer orden.
Un criterio razonable para la eleccin de un diseo de primer orden adecuado es la
minimizacin de Var(), lo que se logra minimizando la varianza de los estimadores de los
parmetros
i
, i = 1, ..., k. Hay una nica clase de diseos que lo consiguen, los ortogonales, que
en los modelos de primer orden son aquellos para los que se verifica que los elementos de fuera
de la diagonal principal de la matriz XX son cero, lo que nos permite determinar de manera
independiente los efectos de los k factores (medidos a travs de los valores de b
i
, i = 1, ..., k).
Adems, se verifica que todo diseo ortogonal de primer orden es invariante por rotacin. Por
9


tanto, consideraremos nicamente aquellos diseos de primer orden que son ortogonales y, en
particular, los diseos factoriales 2
k
y las fracciones de diseos factoriales 2
k
.
DISEOS FACTORIALES 2
K
En un diseo factorial 2
k
, para cada factor se consideran dos niveles, que pueden
codificarse en los valores +1 (para el ms alto) y 1 (para el ms bajo). Considerando todas las
posibles combinaciones de los niveles de los k factores, se obtiene una matriz de diseo de 2
k

filas, cada una de las cuales representa un tratamiento.
Los diseos factoriales 2
k
presentan el inconveniente de que, salvo que se repitan algunas
observaciones, no permiten la estimacin del error experimental. Una tcnica habitual para incluir
repeticiones consiste en aumentar el diseo con algunas observaciones en el centro, pues esto no
influye sobre las estimaciones de los parmetros y no altera la ortogonalidad del diseo, aunque
como resultado, la estimacin de
0
es la media de todas las observaciones.
FRACCIONES DE DISEOS FACTORIALES 2
K
Estamos considerando los diseos factoriales 2
k
para ajustar los modelos de primer orden,
pero si se recogen datos en todos los puntos es posible, en realidad, estimar todos los coeficientes
de un modelo de la forma:
x ... x x ... x x x x x x Y
k 2 1 12...k l j
k
l j 1 i
i ijl j
k
j 1 i
i ij i
k
1 i
i 0
+ + + + + + =

< < = < = =

en el que los trminos adicionales de mayor orden estn asociados con las interacciones entre los
factores. De esta manera, el nmero de puntos del diseo, y por tanto, el nmero de
observaciones, junto con el nmero de posibles trminos del modelo con parmetros estimables,
se incrementan rpidamente a medida que aumenta el nmero k de factores.
As pues, hay que valorar, en funcin del coste del experimento, si para ajustar un modelo
de primer orden es necesario llevar a cabo las 2
k
combinaciones, o si es ms conveniente omitir
algunas utilizando nicamente un subconjunto de los puntos de un diseo factorial 2
k
. Se puede
considerar en este ltimo caso una fraccin 2
-m
de un diseo 2
k
que consiste en 2
k-m
tratamientos
(k

m), siempre y cuando el diseo resultante tenga, al menos, k+1 puntos, que es el nmero de
parmetros que han de estimarse y mantenga las mismas propiedades que las del factorial
completo, en particular, sea ortogonal.
10


3.2. DISEOS DE SEGUNDO ORDEN
Los diseos utilizados para recoger observaciones que permitan estimar los parmetros de
los modelos de segundo orden se denominan diseos de segundo orden. stos deben tener, al
menos, (k+1)(k+2)/2 puntos, que es precisamente el nmero de coeficientes del modelo que se
necesita estimar y deben involucrar, como mnimo 3 factores, dado que el modelo contiene
trminos cuadrticos puros. Por otro lado, sera conveniente, por las razones que se han
comentado, que fueran ortogonales y/o invariantes por rotacin. As pues, se van a considerar los
diseos factoriales 3
k
, que son ortogonales, pero no invariantes por rotacin, y los diseos
compuestos centrales, que verifican ambas propiedades.
DISEOS FACTORIALES 3
K
En los diseos factoriales 3
k
cada uno de los k factores presenta 3 niveles, de manera que
el nmero de observaciones experimentales es N = 3
k
. Este nmero puede hacerse excesivamente
grande, especialmente cuando se estn estudiando muchos factores, de manera que en ocasiones
conviene ms considerar diseos fraccionales 3
k-m
de los diseos factoriales 3
k
, tal y como se hizo
para los diseos factoriales 2
k
.
Los diseos 3
k
y sus fracciones presentan el inconveniente de que, aunque son
ortogonales, no son invariantes por rotacin, lo que hace que no sean muy buena eleccin como
diseos de superficies de respuesta de segundo orden.
DISEOS COMPUESTOS CENTRALES

Los diseos compuestos centrales se presentan como una alternativa a los diseos
factoriales 3
k
.
Un diseo compuesto central consiste en:
1. parte factorial: un diseo factorial 2
k
, completo o fraccional, en el que los niveles
estn codificados en la forma habitual como 1 ,
2. n
0
( 1) puntos centrales,
3. parte axial: dos puntos axiales en los ejes correspondientes a cada uno de los
factores, situados a una distancia del centro del diseo.
de manera que el nmero total de puntos del diseo es N = 2
k
+ 2k + n
0
.
11


En principio, los diseos compuestos centrales as definidos no tienen por qu ser ni
ortogonales ni invariantes por rotacin. Se convierten en invariantes por rotacin mediante una
eleccin adecuada del valor de , que debe depender del nmero de puntos de la parte factorial
del diseo para conseguirlo. Por otro lado, a travs de una eleccin apropiada de n
0
el diseo
puede hacerse ortogonal o incluso de precisin uniforme (diseo que verifica que Var() en el
origen es la misma que en un punto a una distancia unitaria del origen), que permite mayor
proteccin que un diseo ortogonal contra el sesgo de los coeficientes de regresin producido
por la presencia de trminos de orden mayor que 2 en la superficie real. Se muestra a
continuacin una tabla con los valores que deben tomar y n
0
, segn el nmero de factores del
modelo, para que el diseo correspondiente sea ortogonal o de precisin uniforme:
2 3 4 5 5 6 6 7 8
k
rep. rep. rep. rep.
puntos
factoriales
4 8 16 32 16 64 32 64 128
puntos
axiales
4 6 8 10 10 12 12 14 16
DISEO ORTOGONAL
n
0
8 9 12 17 10 24 15 22 33
N 16 23 36 59 36 100 59 100 177
DISEO DE PRECISIN UNIFORME
n
0
5 6 7 10 6 15 9 14 20
N 13 20 31 52 32 91 53 92 164

1.414 1.682 2 2.378 2 2.828 2.378 2.828 3.364
Una propiedad muy interesante de los diseos centrales compuestos es que se pueden
construir a partir de un diseo de primer orden (el 2
k
) sin ms que agregar los puntos axiales y
quiz algunos puntos centrales.
Por todas las propiedades que verifican, los diseos compuestos centrales son
posiblemente los ms utilizados para ajustar superficies de respuesta de segundo orden.
12

4. Algunas consideraciones finales

4. ALGUNAS CONSIDERACIONES FINALES
BLOQUES

En los diseos de superficies de respuesta es frecuente que, por diversas causas, se haga
necesaria la utilizacin de bloques para asegurar la homogeneidad de las condiciones de trabajo.
Por ejemplo:
si se ha de trabajar con varias remesas de material, diferentes entre s por cuestiones de
composicin, procedencia u otras caractersticas cualesquiera, resulta conveniente hacer
bloques para asegurar la homogeneidad del material,
cuando se construye un diseo de segundo orden a partir de uno de primer orden, puede
ocurrir que las condiciones de trabajo se vean modificadas durante el tiempo que transcurre
entre la ejecucin de los experimentos iniciales y la ejecucin de los experimentos
complementarios, lo que hace necesaria la formacin de bloques,
si el nmero de factores es tan elevado como para necesitar que una gran cantidad de
observaciones se lleven a cabo bajo las mismas condiciones y esto no es posible, la creacin
de bloques garantiza la homogeneidad de las condiciones de trabajo.
EXPERIMENTOS DE MEZCLA

Los desarrollos acerca de la RSM que se han llevado a cabo en los epgrafes anteriores se
han hecho bajo la suposicin de que los niveles de cada factor son independientes de los niveles
de los dems factores. Sin embargo, puede ocurrir que esto no sea as, como es el caso de los
experimentos de mezcla, en los que los factores son ingredientes de una mezcla y sus niveles
no son independientes. En este caso, se supone que la variable respuesta depende nicamente de
las proporciones relativas de los componentes presentes en la mezcla.
En los experimentos de mezcla, el propsito del programa experimental es modelar la
superficie a travs de una funcin que permita, por un lado, determinar empricamente los
valores esperados de la variable respuesta para alguna combinacin de ingredientes y, por otro,
obtener alguna medida de la influencia de cada componente sobre la variable respuesta, tanto
por separado como en combinacin con los otros ingredientes.
13

5. Un ejemplo numrico

EVOP
En muchas ocasiones puede resultar inviable, por diversas razones, llevar a cabo los
procedimientos experimentales de la RSM en procesos de produccin a gran escala. En estos
casos es frecuente que la RSM se aplique a operaciones en plantas piloto, para posteriormente
extrapolar las conclusiones obtenidas a los procesos a escala normal. El problema que plantean
estos procedimientos es que el paso del entorno de trabajo de la planta piloto al real puede llevar
aparejada una distorsin en las condiciones ptimas, pues aunque la planta a escala normal
comienza su operacin con niveles ptimos, generalmente se desva de estos niveles como
consecuencia de la variacin en las condiciones del entorno de trabajo. El objetivo en estos casos
es hacer un seguimiento del proceso en su escala normal que permita ir redirigiendo las
condiciones de operacin hacia el ptimo o, en todo caso, permita hacer un seguimiento de las
desviaciones que aparezcan. Con este fin se emplean los mtodos de operacin evolutiva o
EVOP, que consisten en introducir sistemticamente pequeos cambios en los niveles de los
factores de tal manera que no se provoquen alteraciones importantes en el rendimiento, calidad
o cantidad, pero que permitan la deteccin de potenciales mejoras en el desempeo del proceso.
Para llevarlas a cabo se emplean, en general, diseos factoriales 2
k
.
5. UN EJEMPLO NUMRICO
El rendimiento (Y) de un determinado proceso qumico se puede medir en trminos de
la cantidad de material residual eliminado durante la reaccin, resultando as una medida de la
pureza del producto final, y se conoce que depende, entre otros factores, de la temperatura (X
1
)
y el tiempo de reaccin (X
2
). El proceso opera actualmente en un rango de porcentaje de pureza
entre el 55% y el 75%, pero se cree que es posible un mayor porcentaje de rendimiento, as que
un investigador, interesado en determinar si efectivamente esto es as, decide llevar a cabo un
experimento variando la temperatura y el tiempo de reaccin pero manteniendo fijos el resto de
los factores. Para el conjunto inicial de experimentos, considera dos niveles de temperatura (70
C y 90 C) y dos niveles de tiempo (30 seg. y 90 seg.) y realiza dos observaciones de cada una de
las posibles combinaciones temperatura-tiempo. Los datos recogidos, que se muestran en la tabla
5.1., se utilizarn para ajustar el modelo bifactorial Y =
0
+
1
X
1
+
2
X
2
.
14


Tiempo
(seg.)

Temp.
( C)

30 90
49.8 65.7

70
48.1 69.4
57.3 73.1

90
52.3 77.8
(5.1.)
Se codifican las variables X
1
y X
2
utilizando las transformaciones siguientes:
10
80 - X
x
1
1
=
30
60 - X
x
2
2
=
que nos proporcionan los siguientes valores codificados:

X
1
x
1
X
2
x
2

70 -1 30 -1

90 1 90 1

La localizacin de los cuatro puntos del diseo sobre la regin completa de combinaciones
temperatura-tiempo se muestra a continuacin:

Fig 5.1.- Valores observados en los cuatro tratamientos iniciales sobre la regin
experimental definida por los niveles de los dos factores que influyen en el porcentaje de
rendimiento del proceso qumico considerado.
15


Los valores del porcentaje de rendimiento, expresados en funcin de las variables codificadas,
vienen dados a travs del siguiente modelo:
Y =
0
+
1
x
1
+
2
x
2
+ (5.2)
en el que los parmetros
0
,
1
,
2
son funcin de
0
,
1
,
2
:

0
=
0
+ 80
1
+ 60
2
1
= 10
1
2
= 30
2
y el trmino representa el error aleatorio.
En notacin matricial:
Y = X +
(
(
(
(
(
(
(
(
(
(
(
+
(
(
(
(
(
(
(
(
(
(
(
(
(
(
=
(
(
(
(
(
(
(
(
(
(
(
8
7
6
5
4
3
2
1
2
1
0

1 1 1
1 1 1
1 1 - 1
1 1 - 1
1 - 1 1
1 - 1 1
1 - 1 - 1
1 - 1 - 1

8 . 77
1 . 73
4 . 69
7 . 65
3 . 52
3 . 57
1 . 48
8 . 49

donde
i
, i = 1, 2, ..., k, se suponen independientes e igualmente distribuidos segn una
distribucin N(0,
2
).
Los estimadores de los parmetros del modelo de primer orden se obtienen resolviendo la
ecuacin normal:
XX b = XY
b = (XX)
-1
XY

(
(
(
=
(
(
(
(
(
(
78.5
27.5
493.5

b
b
b

8 0 0
0 8 0
0 0 8
2
1
0
(
(
(
=
(
(
(
(
(
(
(
(
(
=
(
(
(
9.8125
3.4375
61.6875

78.5
27.5
493.5

8
1
0 0
0
8
1
0
0 0
8
1

b
b
b
2
1
0
Por tanto, el modelo ajustado de primer orden en las variables codificadas es:
( x ) = 61.6875 + 3.4375 x
1
+ 9.8125 x
2
(5.3)
y el modelo equivalente en las variables originales es:
( x ) = 14.5625 + 0.3437 X
1
+ 0.3271 X
2
(5.4)
Las sumas de cuadrados necesarias para llevar a cabo el anlisis de la varianza se calculan como
sigue:
16


g.l. 7 con 898.749
8
Y) (1'
- Y Y' S.C.Total
2
= =
g.l. 2 con 864.812
8
Y) (1'
- Y X' b' in S.C.Regres
2
= =
g.l. 5 con 33.936 Y X' b' - Y Y' al S.C.Residu = =
( ) ( ) ( ) ( ) | |
4 g.l. con 31.835
77.8 - 73.1 69.4 - 65.7 52.3 - 57.3 48.1 - 49.8
2
1
S.C.Error
=
= + + + =
2 2 2 2

g.l. 1 con 2.101 SCError - SCResidual Ajuste de S.C.Falta = =
El anlisis de la varianza (ANOVA) se muestra en la siguiente tabla:
Fuente
Suma de
cuadrados gl
Media
cuadrtica F
Regresin 864,812 2 432,406 63,709
Residual 33,936 5 6,787
Falta de Ajuste 2,101 1 2,101 0,264
Error 31,835 4 7,959
Total 898,749 7
El primer paso consiste en determinar si el modelo ajustado es adecuado. En vista de los datos
contenidos en la tabla, dado que F
Falta de ajuste
= 0.264 < F
0.05,1,4
= 7.71, podemos considerar que el
modelo ajustado es una buena aproximacin de la superficie de respuesta en la regin
experimental en que estamos trabajando.
Al no descubrir evidencia de la falta de ajuste del modelo, el siguiente paso es determinar si el
modelo ajustado explica una cantidad significativa de la variacin de los valores de rendimiento
observado. Para ello se realiza el siguiente contraste:
H
0
:
1
=
2
= 0 la temperatura y el tiempo no influyen sobre el rendimiento
del proceso
H
1
:
1
0 o
2
0 la temperatura y/o el tiempo influyen sobre el
rendimiento del proceso
Los datos contenidos en la tabla, dado que F
regresin
= 63.71 > F
0.01,2,5
= 13.27, nos llevan a rechazar
la hiptesis nula, lo que significa que uno de los parmetros
1
o
2
, o ambos, son no nulos en la
ecuacin (5.2.).
17


Como consecuencia de la conclusin a la que hemos llegado, el siguiente paso que debemos dar
es ejecutar contrastes por separado para determinar los efectos que, sobre el rendimiento, pueden
tener la temperatura y el tiempo:
1. H
0
1
:
1
= 0 la temperatura no tiene efecto sobre el rendimiento del proceso
2. H
0
2
:
2
= 0 el tiempo no influye sobre el rendimiento del proceso
para los que se calcula el valor de 2 1, i
)] Est[Var(b
0 - b
t
i
i
i
= = , utilizando que:
2 1, 0, i 0.8484 Est.[
8
1
Est.[Var(b 6.7873 SC Est.[
2
i Residuos
2
= = = = = ] )] ]
De esta manera obtenemos que t
1
= 3.73 > t
0.025,5
= 2.571 y t
2
= 10.75 > t
0.025,5
= 2.571, lo que
nos lleva a rechazar la hiptesis nula en ambos casos. Esto significa que tanto la temperatura
como el tiempo tienen efecto sobre el porcentaje de rendimiento. Es ms, dado que tanto b
1

como b
2
son positivos, los efectos de x
1
y x
2
son positivos, lo que significa que si se eleva la
temperatura o se aumenta el tiempo, se produce un incremento significativo en el rendimiento del
proceso.
El modelo ajustado (5.4.) puede utilizarse ahora para representar, a travs de una grfica de
contornos, valores de la superficie de respuesta estimada sobre la regin experimental, tal y como
se muestra a continuacin:

Fig 5.2.- Grfica de contornos de la superficie de respuesta dada por la ecuacin
(5.4.). La flecha, perpendicular a las lneas de contorno de la superficie ajustada, indica
la direccin de mximo ascenso.
La flecha perpendicular a las lneas de contorno de la superficie ajustada apunta hacia arriba y
hacia la derecha, lo que indica que los valores ms altos de la respuesta se espera que se consigan
18


aumentando los valores de x
1
y x
2
por encima de 1, accin que correspondera a aumentar la
temperatura por encima de 90 C y el tiempo de reaccin por encima de 90 seg.
Por tanto, en la regin de las condiciones iniciales de que partamos hemos ajustado una
superficie de respuesta plana, que nos indica que es posible una mejora en el rendimiento, en
trminos de un mayor valor de la variable respuesta. As que, llegados a este punto, resulta natural
preguntarse que, si es posible ejecutar experimentos adicionales, con qu valores de tiempo y
temperatura deberan realizarse. Esto nos lleva a la segunda etapa en el proceso secuencial de
experimentacin que estamos llevando a cabo, que es determinar qu estrategia seguir que nos
permita movernos en la direccin que indicaba la flecha de la grfica anterior. Para ello recurrimos
al mtodo de mxima pendiente en ascenso.
Dado que b
2
> 0 en el modelo ajustado (5.3.), sabemos que la superficie crece en altura a medida
que aumenta el valor de x
2
, esto es, para valores de tiempo mayores de 60 seg. Vamos a buscar
ahora el valor del multiplicador de Lagrange que corresponde a un incremento arbitrario en el
tiempo (X
2
) de
2
= 45 seg., incremento que en las variables codificadas corresponde a un
aumento de 45/30 = 1.5 unidades. Por tanto:
0.536
3.27 2
3.4375

2
b
x 3.27
1.5 2
9.8125

x 2
b

1
1
2
2
=
= =
=
de manera que el cambio incremental en la temperatura es
1
= 0.53 10 = 5.3C
El primer punto en la pendiente de mximo ascenso se localiza, por tanto, en las coordenadas
(x
1
, x
2
) = (0.53, 1.5) (que corresponde, en las variables originales a (X
1
, X
2
) = (85.3, 105)). Para
comprobar si es de esperar aqu un incremento en el valor de la variable respuesta, se compara la
estimacin del modelo en dicho punto con la estimacin en el centro del diseo:
(0.53, 1.5) (0, 0) = 78.2281 - 61.6875 = 16.5406
Aunque la estimacin (0.53, 1.5) corresponde a un punto de fuera de la regin experimental,
parece que, dado que la diferencia es positiva, sera posible observar valores de la respuesta ms
altos en la direccin especificada por el punto (x
1
, x
2
) = (0.53, 1.5).
As pues, se ejecutan experimentos a lo largo de la pendiente de mximo ascenso en puntos
correspondientes a incrementos de la distancia de 1.5
i
, 2
i
, 3
i
y 4
i
, i = 1, 2, cuyas
coordenadas, junto con los correspondientes valores observados de porcentaje de rendimiento se
muestran en la tabla siguiente:
19


DIRECCIN
1
Temperatura
(C)
Tiempo
(seg.)
Porcentaje
de rendimiento
Centro 80.0 60
i
5.3 45
Centro +
i
85.3 105 74.3
Centro + 1.5
i
87.95 127.5 78.6
Centro + 2
i
90.6 150 83.2
Centro + 3
i
95.9 195 84.7
Centro + 4
i
101.2 240 80.1

Los valores observados de porcentaje de rendimiento crecen hasta un valor de 84.7% para valores
de temperatura de 95.9 C y de tiempo de 195 seg. y entonces el valor cae hasta 80.1% para
valores de temperatura de 101.2 C y de tiempo de 240 seg. Esto nos lleva a pensar que o bien
101.2 C es una temperatura demasiado alta o bien 240 seg. es un tiempo demasiado largo para la
reaccin. As pues, no sera til ejecutar experimentos adicionales a lo largo de la pendiente para
valores ms altos de X
1
y X
2
. Lo que se hace entonces es llevar a cabo un nuevo grupo de
experimentos para intentar ajustar de nuevo un modelo de primer orden, tal y como se hizo en un
primer momento, pero tomando como centro de diseo el punto (X
1
, X
2
) = (95.9, 195), pues es
aqu donde se ha observado un mayor rendimiento. Por tanto, se codifican nuevamente las
variables X
1
y X
2
pero utilizando ahora las siguientes transformaciones:
10
95.9 - X
x
1
1
=
30
195 - X
x
2
2
=
que nos proporcionan los siguientes valores reales para los valores estndar de las variables
codificadas:

x
1
X
1
x
2
X
2

-1 85.9 -1 165

1 105.9 1 225

Se realiza entonces un nuevo experimento en el que se llevan a cabo 2 observaciones en cada
uno de los puntos del nuevo diseo, ms el centro. Los datos recogidos se muestran en la tabla
(5.5.):
20


Tiempo
(seg.)

Temp.
( C)

165 195 225
85.9
82.9
81.4

74.6
77.0
95.9
84.7
81.9

105.9
87.4
89.5

84.5
83.1
(5.5.)
El modelo ajustado de primer orden en las variables codificadas, obtenido tal y como se hizo para
el conjunto inicial de observaciones, es:
( x ) = 82.7 + 3.575 x
1
2.750 x
2
(5.6)
y el modelo equivalente en las variables originales es:
( x ) = 66.2908 + 0.3575 X
1
- 0.0917 X
2
(5.7)
Fuente
Suma de
cuadrados gl
Media
cuadrtica F
Regresin 162,745 2 81,373 42,334
Residual 13,455 7 1,922
Falta de Ajuste 2,345 2 1,173 0,53
Error 11,110 5 2,222
Total 176,200 9
Nuevamente, el primer paso consiste en determinar si el modelo ajustado es adecuado, de
acuerdo con los datos contenidos en la tabla. Dado que F
falta de ajuste
= 0.53 < F
0.05,2,5
= 5.79,
podemos considerar que el modelo ajustado es una buena aproximacin de la superficie de
respuesta en la regin experimental en que estamos trabajando actualmente.
Ahora, como el test de significacin genera un valor F
regresin
= 42.34 altamente significativo, la
informacin obtenida del modelo ajustado (5.6.) puede utilizarse para obtener una nueva
direccin en la cual ejecutar experimentos adicionales en busca de valores ms altos de porcentaje
de rendimiento, tal y como se hizo con el primer modelo de primer orden que se utiliz. Se indica
a continuacin, de manera esquemtica, el proceso seguido:
Dado que b
1
> 0 en el modelo ajustado (5.6.), sabemos que la superficie crece en altura a medida
que aumenta el valor de x
1
, esto es, para valores de temperatura mayores de 95.9 C. Para un
incremento en la temperatura (X
1
) de
1
= 10 C, incremento que en las variables codificadas
21


corresponde a un aumento de 1 unidad y que supone un incremento en el tiempo de
2
= -077 30 = -23.1 seg. El primer punto en la pendiente de mximo ascenso se localiza, por
tanto, en las coordenadas (x
1
, x
2
) = (1, -0.77) (que corresponde, en las variables originales a
(X
1
, X
2
) = (105.9, 171.9)). Dado que la diferencia (1, -0.77) (0, 0) = 5.6925 es positiva, sera
posible observar valores de la respuesta ms altos en la direccin especificada por el punto (x
1
, x
2
).
As, el modelo ajustado (5.7.) puede utilizarse para representar, a travs de una grfica de
contornos, valores de la superficie de respuesta estimada sobre la regin experimental, tal y como
se muestra a continuacin:

Fig 5.3.- Grfica de contornos de la superficie de respuesta dada por la ecuacin
(5.7.). La flecha, perpendicular a las lneas de contorno de la superficie ajustada, indica
la direccin de mximo ascenso.
La flecha perpendicular a las lneas de contorno de la superficie ajustada apunta ahora
hacia abajo y hacia la derecha, indicando la direccin en la que se espera obtener valores ms altos
de porcentaje de rendimiento. As pues, se ejecutan experimentos a lo largo de la pendiente de
mximo ascenso en puntos correspondientes a incrementos de la distancia de
i
, 2
i
, 3
i
y 4
i
,
i = 1, 2, cuyas coordenadas, junto con los correspondientes valores observados de porcentaje de
rendimiento se muestran en la tabla siguiente:

Paso
DIRECCIN
2
Temperatura
(C)
Tiempo
(seg.)
Porcentaje
de rendimiento
Centro 95.9 195

i
10 -23.1
1 Centro +
i
105.9 171.9 89.0
2 Centro + 2
i
115.9 148.8 90.2
3 Centro + 3
i
125.9 125.7 87.4
4 Centro + 4
i
135.9 102.6 82.6

22


Los valores observados de rendimiento crecen hasta un valor de 90.2%, en el punto
(X
1
, X
2
) = (115.9, 148.8) y luego vuelven a caer.
Esta secuencia de experimentos ejecutada a lo largo de la nueva direccin se muestra en la grfica
siguiente:

Fig 5.4.- Secuencia de experimentos realizados a lo largo de la direccin indicada por
la segunda pendiente de mximo ascenso.
Para verificar los altos valores de rendimiento observados se lleva a cabo una nueva serie de
observaciones, cuyos resultados se muestran en la siguiente tabla y cuya forma de ejecucin se
detalla a continuacin:

Paso
DIRECCIN
3
Temperatura
(C)
Tiempo
(seg.)
Porcentaje
de rendimiento
5 Centro + 2
i
115.9 148.8 91.0
6 Centro + 3
i
125.9 171.9 93.6
7 Centro + 4
i
135.9 195 96.2
8 Centro + 5
i
145.9 218.1 92.9

En primer lugar, se lleva a cabo una nueva observacin (paso 5) en el punto (115.9, 148.8), que
era el que corresponda, en el anterior grupo de experimentos, a un mayor porcentaje de
rendimiento. El valor obtenido en esta nueva observacin confirma el alto valor observado en
aquel momento. Se realiza entonces (paso 6) una observacin en la que se espera obtener un valor
ms alto de rendimiento, incrementando los valores tanto de temperatura como de tiempo a
partir del punto (115.9, 148.8). De hecho, en el paso 6 las variables codificadas de las
combinaciones de tiempo y temperatura son +1 en ambos casos, en una replicacin 3/4 de un
factorial 2
2
consistente en los puntos de los pasos 1, 3 y 6 con el punto 5 como centro. Dado que
23


en el paso 6 se observa un mayor rendimiento que en el paso 5, se ejecutan experimentos
adicionales (pasos 7 y 8) a partir de una tercera direccin definida por la lnea que une los puntos
de los pasos 5 y 6. La eleccin de esta tercera direccin representa una desviacin de la
aproximacin convencional de la pendiente de mximo ascenso, pero se toma en un intento de
reducir el trabajo que supondra hacer un experimento correspondiente a un diseo factorial 2
2

completo con centro en el punto del paso 5 y el consiguiente ajuste de un nuevo modelo de
primer orden.
Como el valor observado en el paso 8 es ms bajo que el del paso 7, se decide no ir ms all del
paso 8, as que se establece un nuevo diseo usando como centro el punto del paso 7, (X
1
, X
2
) =
(135.9, 195). Por tanto, se codifican nuevamente las variables X
1
y X
2
pero utilizando ahora las
siguientes transformaciones:
10
135.9 - X
x
1
1
=
23.1
195 - X
x
2
2
=
Se realiza una serie de observaciones hasta completar un diseo 2
2
aumentado con observaciones
en el centro, lo que nos proporciona la siguiente tabla de datos:

Tiempo
(seg.)

Temp.
( C)

171.9 195 218.1
125.9 93.6 91.7
135.9
96.2
97.0

145.9 92.5 92.9
(5.8.)
A partir de estos datos, el modelo de primer orden ajustado que se obtiene es el siguiente:
( x ) = 93.983 + 0.025 x
1
0.375 x
2
(5.9)
Fuente
Suma de
cuadrados gl
Media
cuadrtica F
Regresin ,565 2 ,282 ,038
Residual 22,183 3 7,394
Falta de Ajuste 21,863 2 10,931 34,159
Error 0,320 1 0,320
Total 22,748 5
La secuencia de experimentos completa hasta llegar a este ltimo modelo ajustado de primer
orden se muestra en la grfica siguiente:
24


Fig 5.5.- Secuencia completa de experimentos realizados a lo largo de las direcciones
indicadas por las sucesivas pendientes de mximo ascenso que se han ido obteniendo,
sobre la grfica de contornos del ltimo modelo de primer orden ajustado.
Resulta obvio de los datos contenidos en la tabla ANOVA que, dado que F
regresion
= 0,038, el
modelo ajustado (5.9) no explica una cantidad significativa de toda la variacin en el porcentaje de
rendimiento. As pues, debemos recurrir a un ajuste de la superficie de respuesta a travs de un
modelo de segundo orden:
Y =
0
+
1
x
1
+
2
x
2
+
11
x
1
2
+
22
x
2
2
+
12
x
1
x
2
+ (5.10)
Se considera entonces el ltimo diseo de primer orden que habamos considerado, del que ya
disponemos de datos, y se completa con observaciones en los puntos axiales (x
1
, x
2
) = (2, 0) y
(x
1
, x
2
) = (0, 2) para conseguir un diseo central compuesto. Los datos recogidos se muestran
en la siguiente tabla:

Tiempo
(seg.)

Temp.
( C)

162.3 171.9 195 218.1 227.7
121.75 92.7
125.9 93.6 91.7
135.9 93.4
96..2
97.0
92.7
145.9 92.5 92.9
150.04 92.8
(5.11.)

25


A partir de estos datos, el modelo de segundo orden ajustado que se obtiene es el siguiente:
( x ) = 96.60 + 0.03 x
1
0.31 x
2
1.98 x
1
2
1.83 x
2
2
+ 0.58 x
1
x
2
(5.12)
Fuente
Suma de
cuadrados gl
Media
cuadrtica F
Regresin 25,447 5 5,089 44,447
Residual ,458 4 ,115
Falta de Ajuste ,138 3 ,046 0,144
Error ,320 1 ,320
Total 25,905 9
El test para comprobar el ajuste del modelo (5.12.) proporciona un valor F < 1 que es claramente
no significativo y las estimaciones de los coeficientes cuadrticos puros son todas altamente
significativas (p < 0.0001), lo que indica que existe curvatura en la superficie ajustada y que sta es
una buena aproximacin de la superficie de respuesta real. Entonces se representa en la regin
experimental la grfica de contornos asociada a la superficie ajustada:

Fig 5.6.- Puntos del diseo utilizados para ajustar la superficie de segundo orden,
sobre la grfica de contornos de la superficie ajustada de segundo orden.
Las lneas de contorno son elpticas y el punto de respuesta mxima, esto es el punto estacionario,
se hallar en el centro de la elipse ms pequea. El siguiente paso consiste, entonces, en
determinar las coordenadas del punto estacionario. Para ello, representamos la ecuacin (5.12) en
notacin matricial:
26


(x) = b
0
+ x b + x B x
| | | |
(
(
(
(
+
(
+ =
(
2
1
2 1 2 1 0
2
1
x
x

2
0.58
2
0.58
1.98 -
x x
0.31 -
0.03
x x b
) (x Y
) (x Y
83 . 1

Se igualan a cero las derivadas parciales de (x) con respecto a x
1
y x
2
, y resolviendo para los
valores de los x
i
se obtiene que las coordenadas del punto estacionario vienen dadas de la
siguiente manera:
(
=
(
=
0.08568 -
0.0486 -
2
b B
-
x
x
x
-1
02
01
0

que en las variables originales corresponden al punto X
0
= (x
10
, x
20
) = (135.85, 193.02), que se
muestra en la grfica siguiente:

Fig 5.7.- Punto estacionario del sistema, representado sobre la grfica de contornos
de la superficie ajustada.
As pues, el mximo valor de porcentaje de rendimiento se alcanza, segn nos indican las
coordenadas del punto estacionario, para una temperatura de 135.85 C y un tiempo de reaccin
de 193.02 seg. Si nos alejamos de este punto, aumentando o disminuyendo los valores de
temperatura o tiempo, el valor esperado de la variable respuesta decrece. Por tanto, para alcanzar
un porcentaje de rendimiento ptimo en el proceso qumico que estamos considerando, debemos
trabajar con los valores de temperatura y tiempo que nos indica el punto estacionario, esto es,
135.85 C y 193.02 seg.
27

6. Bibliografa

28

6. BIBLIOGRAFA
[ 1 ] RESPONSE SURFACES. DESIGN AND ANALYSES.
Khuri, Andr I., Cornell, John A.
Statistics: Textbooks and monographs. 81.
Marcel Dekker, 1987. New York.
[ 2 ] DISEO DE EXPERIMENTOS.
Kuehl, Robert O.
International Thomson, 2001.
[ 3 ] DISEO Y ANLISIS DE EXPERIMENTOS.
Montgomery, Douglas C.
Grupo Editorial Iberoamrica, 1991.

Superficie de Respuesta

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Superficie de Respuesta

Uploaded by

Copyright:

Available Formats

S SU UP PE ER RF FI IC CI IE ES S D DE E R RE ES SP PU UE ES ST TA A. .

You might also like