UNIVERSIDAD MAYOR DE SAN SIMÓN

FACULTAD DE CIENCIAS Y TECNOLOGÍA

CARRERA DE INGENIERIA QUÍMICA

Estudiante:

Nogales Villarroel Alejandra

Docente:

Materia:

Diseño experimental

Semestre:

II2017

Fecha:

08/12/17

Cochabamba - Bolivia

0
1 Contenido
1. INTRODUCCIÓN ........................................................................................................................... 2
2. OBJETIVO DEL ESTUDIO............................................................................................................... 2
2.1. OBJETIVOS GENERALES ....................................................................................................... 2
2.2. OBJETIVOS ESPECÍFICOS ...................................................................................................... 3
3. MARCO TEORICO ......................................................................................................................... 3
3.1. DEFINICIÓN.......................................................................................................................... 3
3.2. . CARACTERISTICAS .............................................................................................................. 4
3.3. FINALIDAD ........................................................................................................................... 5
3.4. TERMINOLOGÍA ................................................................................................................... 5
3.5. VENTAJAS Y DESVENTAJAS DEL ANALISIS DE SUPERFICIES DE RESPUESTAS ...................... 9
3.6. ELEMENTOS DE LA MSR ...................................................................................................... 9
3.7. METODOLOGÍA DE SUPERFICIE DE RESPUESTA ................................................................ 10
3.8. PRINCIPALES PROPIEDADES DE SUPERFICIE DE RESPUESTA ............................................. 10
3.9. DISEÑOS DE SUPERFICIE DE RESPUESTA ........................................................................... 11
4. CONCLUSIONES ......................................................................................................................... 16

1
1. INTRODUCCIÓN

La metodología de superficie de respuesta (MSR), es una colección de técnicas

que permite al investigador inspeccionar una respuesta, que se puede mostrar
como una superficie, cuando los experimentos investigan el efecto que tiene al
variar factores cuantitativos en los valores que toma una variable dependiente o
respuesta Esto es, se trata de encontrar los valores óptimos para las variables
independientes que maximizan, minimizan o cumplen ciertas restricciones en la
variable respuesta. La MSR es un conjunto de técnicas matemáticas y estadísticas
que son útiles para la modelización y análisis en aplicaciones en las que una
respuesta de interés es influenciada por distintas variables y el objetivo es
optimizar esta respuesta.

Originada por el trabajo de Box y Wilson (1951) Box, G. E. P., Wilson, K. G.

(1951), “On the experimental attainment of optimum conditions”, Journal of the
Royal Statistical Society, B 13, 1-45.

Desarrollo teórico y primeras aplicaciones (década 1990) por: Box y Draper

(1987), Cornell (1991), Montgomery y Myers (1996) y Araujo y Brereton (1996).

Las aplicaciones en expansión (softwares comerciales) están en: Procesos de

fabricación industrial: JMP-IN, MINITAB, STATISTICA, STATGRAPHICS,
DESIGN-EXPERT: Química, Farmacéutica, Biotecnológica, Alimenticia,
Metalúrgica, Electrónica.

En este trabajo se hablara de qué es la Metodología de Superficies de Respuesta,

su representación gráfica, el procedimiento a seguir hasta encontrar un óptimo y los
diseños experimentales que pueden utilizar.

2. OBJETIVO DEL ESTUDIO

2.1. OBJETIVOS GENERALES

 Explicar el concepto de optimización y su relación con la superficie de
respuesta.

2
  Aplicar la metodología de superficie de respuesta y sus respectivos
diseños y modelos.
 Describir las técnicas de optimización y aplicarlas adecuadamente.

2.2. OBJETIVOS ESPECÍFICOS

 Acopiar información precisa y necesaria para el desarrollo de la Análisis
de superficies de Respuesta.
 Implementar el modelo de Análisis de Superficies de Respuesta con
bases aplicables a la ingeniería comercial.
 Desarrollar el modelo de Análisis de Superficies de Respuesta de manera
clara y específica para su debida comprensión.
 Demostrar la utilización de paquetes estadísticos como una forma fácil y
practica en el Análisis de Superficie de Respuesta.
 Saber aplicar el Análisis de Superficies de Respuesta, con ayuda del
statgraphics.

3. MARCO TEORICO

3.1. DEFINICIÓN
La Metodología de Superficies de Respuesta es un conjunto de técnicas
Matemáticas y estadísticas utilizadas para modelar y analizar problemas en los
que una variable de interés es influenciada por otras. El objetivo es optimizar la
variable de interés. Esto se logra al determinar las condiciones óptimas de
operación del sistema.
La MSR es la estrategia experimental y de análisis que permite resolver el
problema de encontrar las condiciones de operación óptimas de un proceso, es
decir, aquellas que dan por resultado “valores óptimos” de una o varias
características de calidad del producto.
La Metodología de la Superficie de Respuesta (RSM) es un conjunto de técnicas
matemáticas y estadísticas utilizadas para modelar y analizar problemas en los
que una variable de interés es influenciada por otras. El propósito inicial de
estas técnicas es diseñar un experimento que proporcione valores razonables

3
 de la variable respuesta y, a continuación, determinar el modelo matemático
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. Esto se
logra al determinar las condiciones óptimas de operación del sistema.
La diferencia entre (RSM) y un diseño experimental corriente estriba en que un
diseño experimental por si solo tiene como objetivo localizar el tratamiento
“ganador” entre todos aquellos que se han probado. En cambio, RSM pretende
localizar las condiciones óptimas de operación del proceso. Ello supone un reto
para el investigador, requiere una estrategia más completa e incluye la
posibilidad de efectuar varios experimentos secuenciales y el uso de técnicas
matemáticas más avanzadas.

3.2. . CARACTERISTICAS
La característica del sistema de superficie de respuesta (máximo, mínimo, o
punto silla) ver fig 1:
 Genera una distribución satisfactoria de los puntos experimentales sobre
la región experimental. Los diseños más utilizados son puntos distribuidos
de manera uniforme sobre la región experimental, o cuando menos tienen
alguna simetría con respecto al centro de ésta.
 Requiere un número mínimo de corridas experimentales, ya que en cada
prueba realizada se gastan recursos que siempre son escasos.
 Permitir que otros diseños de orden mayor se construyan a partir de él.
Esto permite que, cuando el comportamiento de la respuesta resulta ser
más complicado de lo que se pensaba (por ejemplo, se detecta
curvatura), se agregan puntos adicionales al diseño para tratar de explicar
ese comportamiento.
 Permite la detección de la falta de ajuste, para lo cual se requieren
repeticiones al menos en el centro del diseño.
 Proporciona un estimador puro de la varianza del error, lo cual se logra
con repeticiones al menos en el punto central.

4
 Figura 1: La característica del sistema de superficie de respuesta.

3.3. FINALIDAD
Es optimizar la variable de interés. Esto se logra al determinar las condiciones
óptimas de operación del sistema. La Metodología de Superficies de Respuesta es
la estrategia experimental y de análisis que permite resolver el problema de
encontrar las condiciones de operación óptimas de un proceso, es decir, aquellas
que dan por resultado “valores óptimos” de una o varias características de calidad
del producto.

3.4. TERMINOLOGÍA
Factores. Son las condiciones del proceso que influencian la variable de respuesta.
Estos pueden ser cuantitativos o cualitativos. En el presente trabajo los factores se
corresponden con el ángulo de la lámina correspondiente, por tanto tendremos
tantos factores como número de láminas.

Respuesta. Es una cantidad medible cuyo valor se ve afectado al cambiar los

niveles de los factores. El interés principal es optimizar dicho valor. En el presente
trabajo la Respuesta no es más que el resultado de la aplicación del Criterio de Tsai-
Wu
5
Función de respuesta. Al decir que un valor de respuesta Y depende de los niveles
x1, x2, ... Xk de k factores, ξ1, ξ2,... ξk, estamos diciendo que existe una función
matemática de x1, x2, ... xk cuyo valor para una combinación dada de los niveles
de los factores corresponde a Y, esto es Y=f(x1, x2, ... xk).

Función de respuesta predicha. La función de respuesta se puede representar

con una ecuación polinomial. El éxito en una investigación de una superficie de
respuesta depende de que la respuesta se pueda ajustar a un polinomio de primer
o segundo grado.

Supongamos que la función de respuesta para los niveles de dos factores se puede
expresar utilizando un polinomio de primer grado:

Y = 𝐛0 + 𝐛1 X1 + 𝐛2 X2

Donde 𝐛0 , 𝐛1 , 𝐛2 son los coeficientes de regresión a estimar, x1 y x2 representan los

niveles de x1 y x2 respectivamente. Suponiendo que se dispone de N≥3 valores de
respuesta (Y), con los estimadores b0, b1 y b2 se obtienen 𝐛0 , 𝒃1𝑦 𝐛2
respectivamente. Al remplazar los coeficientes de regresión por sus estimadores
obtenemos:

Y = b0 + b1 X1 + b2 X 2

Donde Y denota el valor estimado de Y dado por x1 y x2.

Superficie de respuesta. La relación Y=f(x1, x2,... xk) entre Y y los niveles de los k
factores x1, x2,... xk representa una superficie. Con k factores la superficie está en
k+1 dimensiones. Por ejemplo cuando se tiene Y=f(x1) la superficie esta en dos
dimensiones, mientras que si tenemos Y=f(x1, x2.) la superficie está en tres
dimensiones.

6
 Figura 2 Superficie de respuesta tridimensional

Gráfica de contornos. La gráfica de contornos facilita la visualización de la forma

de una superficie de respuesta en tres dimensiones. En ésta las curvas de los
valores iguales de respuesta se grafican en un plano donde los ejes coordenados
representan los niveles de los factores.

Figura 3 a.Grafica de contornos

7
 Figura 4 b. gráfico de contornos 3D Y 2D

Figura 5 Grafica de contorno y superficie de respuesta

Cada curva representa un valor específico de la altura de la superficie, es decir un

valor específico de Y ˆ(X). Estas gráficas nos ayudan a enfocar nuestra atención en
los niveles de los factores a los cuales ocurre un cambio en la altura de la superficie.

8
Región experimental. La región experimental especifica la región de valores para
los niveles de los factores. Esto se puede hacer empleando los niveles actuales de
operación para cada factor; si se desea explorar el vecindario se incrementa y
decrementa el valor del nivel en una cantidad determinada.

3.5. VENTAJAS Y DESVENTAJAS DEL ANALISIS DE SUPERFICIES DE

RESPUESTAS
3.5.1. Ventajas

 La MSR es la estrategia experimental y de análisis que permite resolver el

problema de encontrar las condiciones de operación óptimas de un proceso.
 Ofrece por resultado “valores óptimos” de una o varias características de
calidad de un producto.

3.5.2. Desventajas:

 Tiene un nivel de complejidad elevado al de un diseño experimental simple.

3.6. ELEMENTOS DE LA MSR

La metodología de superficie de respuesta implica tres aspectos: diseño,
modelo y técnica de optimización. El diseño y el modelo se piensan al mismo tiempo,
y dependen del tipo de comportamiento que se espera en la respuesta. De manera
específica, el modelo puede ser de primero o segundo orden (plano o con
curvatura); por ello, el tipo de diseño utilizado y el método de optimización se
clasifican, según sea el caso, como de primero o segundo orden.

El aspecto diseño implica que para optimizar un proceso se debe aplicar el

diseño de experimentos, en particular aquellos que sirven para ajustar un
modelo de regresión lineal múltiple. Más adelante se presentan algunos de
estos diseños, conocidos genéricamente como diseños para superficie de
respuesta.
El aspecto del modelo utiliza el análisis de regresión lineal múltiple, junto con
sus elementos básicos que son: parámetros del modelo, modelo ajustado,

9
 significancia del modelo, prueba de falta de ajuste, residuos, predichos,
intervalos de confianza para predichos y coeficiente de determinación.
Por último, el aspecto de optimización está formado por algunas técnicas
matemáticas que sirven para que, dado un modelo ajustado, explorarlo a fin
de obtener información sobre el punto óptimo. Conviene recordar técnicas
como: derivadas de funciones, multiplicadores de Lagrange, operaciones con
matrices, valores y vectores propios y sistemas de ecuaciones simultáneas.

3.7. METODOLOGÍA DE SUPERFICIE DE RESPUESTA

Se distinguen tres etapas en la búsqueda del punto óptimo, que son:

Cribado: La optimización de un proceso se inicia con esta etapa cuando tiene

muchos factores (más de 6 u 8) que influyen en la variable de interés.
Búsqueda I o de primer orden: Esta etapa se aplica cuando se tienen pocos
factores (k £5), y se sabe que éstos influyen en la variable de respuesta. En
esta etapa se corre un diseño de primer orden que permita caracterizar en
forma preliminar el tipo de superficie de respuesta y detectar la presencia de
curvatura. Por lo general se utiliza un diseño factorial completa o fraccionada
con repeticiones al centro.
Búsqueda II o de segundo orden: En el momento en que se detecta la
presencia de curvatura, o bien, que la superficie es más complicada que un
hiperplano, se corre o se completa un diseño de segundo orden para
caracterizar mejor la superficie y modelar la curvatura. Con el modelo
ajustado se determinan las condiciones óptimas de operación del proceso.

3.8. PRINCIPALES PROPIEDADES DE SUPERFICIE DE RESPUESTA

3.8.1. Ortogonalidad:

Se considera que un diseño es ortogonal cuando los coeficientes estimados

en el modelo ajustado no están correlacionados entre sí, lo cual hace que el
efecto de cada término, representado por el parámetro correspondiente, se
estime de manera más precisa. Un experimento es ortogonal si en la
matriz de diseño todos los vectores columna son independientes entre sí. Es

10
 fácil verificar que en un diseño factorial completo 2k las columnas de su
matriz de diseño son independientes: multiplique dos columnas cualesquiera,
término a término usando la notación –1 y +1, y el resultado es cero.
- Cuando las columnas de la matriz de diseño son independientes entre sí,
hace que los coeficientes del modelo ajustado no estén correlacionados.

3.8.2. Rotabilidad:

Un diseño se llama rotable si la varianza de Yˆ(x) sólo depende de la distancia

del punto x al centro del diseño y no de la dirección en la que se encuentra.
Es decir, si pensamos en la variable var [Yˆ(x)] como otra res puesta, su
gráfica de contornos tiene la forma de círculos concéntricos alrededor del
centro del diseño. La rotabilidad del diseño asegura que la calidad de la
predicción, medida por var[Yˆ(x)], sea invariante a cualquier rotación del
diseño alrededor del centro del mismo; de aquí se deriva el nombre de esta
propiedad.
La importancia práctica de la rotabilidad en el problema de encontrar un punto
óptimo es porque asegura que, con independencia de la dirección en que se
explore a partir del centro del diseño, la calidad de predicción se comporta
de igual manera.
- Es aquel en el que la varianza de la respuesta estimada sobre un punto
depende de la distancia de éste al centro del diseño y no de la dirección en
la que se encuentra.

3.9. DISEÑOS DE SUPERFICIE DE RESPUESTA

3.9.1. Diseños de primer orden

Generalmente se desconoce la relación entre la respuesta y las variables

independientes, por ello requerimos un modelo que aproxime la relación funcional
entre Y y las variables independientes. Si la respuesta se describe adecuadamente
por una función lineal de las variables independientes se utiliza el modelo de primer
orden:

11
Los parámetros del modelo se estiman mediante el método de mínimos cuadrados.
Una vez que se tienen los estimadores se sustituyen en la ecuación y obtenemos el
modelo ajustado:

Este modelo se utiliza cuando queremos estudiar el comportamiento de la variable

de respuesta únicamente en la región y cuando no conocemos la forma de la
superficie.

Prueba de la significancia de los coeficientes estimados en el modelo

ajustado.

De acuerdo a Cornell, 1990; para estimar los coeficientes se requieren N‡ k+1

valores de respuesta (Y). El análisis de los datos de las corridas se presenta en una
tabla de análisis de varianza. La tabla presenta las diferentes fuentes de variación
que contribuyen a la variación total de los datos.

La variación total recibe el nombre de suma de cuadrados total SST, se calcula de

la siguiente manera:

Prueba de falta de ajuste.

La falta de ajuste se presenta por la no planaridad o la curvatura de la superficie de

respuesta, ésta no se detecta debido a la exclusión de los términos cuadráticos (o
cúbicos) como son biixi2 (biiixi3 ) o de los términos de producto cruzado (bijkxixjxk )
que se refieren al efecto de la interacción entre los factores.

La prueba de falta de ajuste requiere que el diseño del experimento satisfaga

12
1. El número de los distintos puntos del diseño, n, debe exceder el número de
términos en el modelo ajustado, es decir n> k+1, y

2. Al menos 2 réplicas deben recolectarse en uno o más puntos del diseño para
estimar la varianza del error.

Además, los valores del error aleatorio (˛u) deben asumir una distribución normal e
independiente con una varianza común s2.

Al cumplirse las condiciones 1 y 2 la suma de cuadrados residual se compone de

dos fuentes de variación. La primera es la falta de ajuste del modelo ajustado
(debido a la exclusión de términos de mayor orden) y la segunda es la variación del
error puro. Para calcularlas necesitamos la suma de cuadrados calculada de las
réplicas que recibe el nombre de error puro de la suma de cuadrados y sustraer de
la suma de cuadrados residual éste para obtener la suma de cuadrados de la falta
de ajuste.

Donde Y lu es la u-ésima observación del 1-ésimo punto del diseño.

u=1, 2, ..., r1

l= 1, 2,..., n

Y es el promedio de las rl
observaciones del 1-ésimo punto del diseño.

Dónde: Y ˆ es el valor predicho de la respuesta en el 1-ésimo punto del diseño.

13
La prueba de adecuación del modelo ajustado es:

La hipótesis de suficiencia de ajuste

con un nivel a de significancia se rechaza cuando el valor calculado del estadístico
es mayor a F(n-p, N-n, a). Cuando la F calculada no es mayor el cuadrado medio
residual es utilizado para estimar s2 y también se usa para probar la significancia
del modelo ajustado.

Cuando la hipótesis de suficiencia de ajuste se rechaza, se debe de elevar el

grado del modelo aumentando términos de producto cruzado y/o términos de mayor
grado en x1, x2,... xk. Si se requieren puntos adicionales para estimar todos los
coeficientes éstos se añaden. Se colectan los datos y se vuelve a hacer el análisis.

Si no se rechaza la hipótesis podemos inferir que la superficie es plana. Una

vez que se tiene la ecuación y se ha probado el ajuste se buscan niveles que
mejoren los valores de respuesta.

3.9.2. Diseños de segundo orden

Se llaman diseños de segundo orden aquellos que permiten ajustar un

modelo de segundo orden para así estudiar, además de los efectos lineales y de
interacción, los efectos cuadráticos o de curvatura pura. Por consiguiente, estos
diseños se emplean cuando se quiere explorar una región que se espera sea más
compleja o cuando se cree que el punto óptimo ya se encuentra dentro de la región
experimental. El modelo de segundo orden está dado por:

En éste los bi son los coeficientes de regresión para los términos de primer
orden, los bii son los coeficientes para los términos cuadráticos puros, los bij son los

14
coeficientes para los términos de producto cruz y ˛ es el término del error aleatorio.
Los términos cuadráticos puros y los de producto cruz son de segundo orden. El
número de términos en la ecuación está dado por p=(k+1)(k+2)/2

Los parámetros del modelo se estiman mediante el método de mínimos cuadrados.

Una vez que se tienen los estimadores se sustituyen en la ecuación y obtenemos el
modelo ajustado en el vecindario del valor óptimo de la respuesta.

La significancia de los coeficientes estimados y el ajuste del modelo se prueban

con el estadístico F.

Una vez que se ha verificado que el modelo tiene suficiencia de ajuste y que los
coeficientes son significativos, se procede a localizar las coordenadas del “punto
estacionario” y se lleva a cabo un análisis más detallado del sistema de respuesta.

A continuación se presentan las matrices de diseño, la geometría y propiedades de

los diseños de segundo orden más recomendados como son: el diseño de Box-
Behnken y el diseño central compuesto o de composición central.

a) Diseño de Box-Behnken: Este diseño se aplica cuando se tienen tres o más

factores, y suelen ser eficientes en cuanto al número de corridas. Es un diseño
rotable o casi rotable que se distingue porque no incluye como tratamientos a los
vértices de la región experimental.

b) Diseño de composición central: El diseño de composición central (DCC)

es el más utilizado en la etapa de búsqueda de segundo orden debido a su gran
flexibilidad: se puede construir a partir de un diseño factorial completo 2k o
fraccionado 2k – p agregando puntos sobre los ejes y al centro, además de otras
propiedades deseables. Este diseño se compone de tres tipos de puntos:

1. Una réplica de un diseño factorial en dos niveles, completo o fraccionado. A

esta parte del DCC se le llama porción factorial.

2. n0puntos o repeticiones al centro del diseño, con n0 ≥1.

3. Dos puntos sobre cada eje a una distancia a del origen. Estos pun tos se
llaman porción axial.

15
4. CONCLUSIONES
 La metodología de superficies de respuesta (MSR) es una estrategia
experimental y de modelación que permite encontrar condiciones de
operación óptimas de un proceso, implica 3 aspectos: DISEÑO, MODELO Y
TECNICA DE OPTIMIZACION.
 El diseño y el modelo dependen del tipo de comportamiento que se espera
en la respuesta, el modelo puede ser de primer o segundo orden (plano o
con curvatura); por ello el tipo de diseño utilizado y el método de optimización
se clasifican según como sea el caso.

16