"

11-6 OPERACIN EVOLUTIVA

487

Tabla 11-19 Hoja de clculo EVOP para el ejemplo 11-5, n = 3

5 i]13
2

Condiciones de operacin

(i) Suma del ciclo anterior

(ii) Promedio del ciclo anterior
(iii) Nuevas observaciones
(iv) Diferencias [(ii) - (iii)]
(v) Nuevas sumas [(i) + (iii)]
(vi) Nuevos promedios Ji = (V)/I1]

Ciclo: 11 = 3
Respuesta: Rendimiento

Fase: 1
Fecha: 1/11/00

Clculo de los promedios

Clculo de la
desviacin
estndar

(1)

(2)

(3)

(4)

(5)

169.4
84.70

168.8
84.40

170.8
85.40

168.0
84.00

168.3
84.15

85.0

84.0

86.6

84.9

85.2

-0.30
254.4
84.80

+0.40
252.8
84.27

-1.20
257.4
85.80

-0.90
252.9
84.30

-1.05
253.5
84.50

Clculo de los efectos

Efecto de la temperatura =

Suma anterior S = 0.60

Promedio anterior S =
0.60
Nueva S = rango x
f5,n = 0.56
Rango de (iv) = 1.60
Nueva suma S = 1.16
Nuevo promedio S =
Nueva sumaS
= 0.58
11- 1

Clculo de los lmites de error

t(Y3 + Y4 - Y2 - Y5) = 0.67

Para el nuevo promedio =

Efecto de la presin = teY3 + Y5 - Y2 - Y4) = 0.87

Efecto de la interaccin T x P = t(Y2 + Y3 - Y4 - Y5) =
0.64
Efecto del cambio en la media =!(Y2+ Y3+ Y4 + Y5
-0.07

Para los nuevos efectos

-4Yl) =

Rendimiento porcentual

85.80

84.50

c:::

~ 145

84.80

"-

140

84.30

84.27

255
Temperatura

Lmites de error para los promedios: 0.67

Efectos con
limites de error
de 95%:
Desviacin estndar

2
..;n
S = 0.67

... 11

Requerimiento: Maximizar

150

S = 0.67

en 1a me d'la 1.78
P ara e1camb la
e S =0.60

Tabla 11-20 Tablero de informacin EVOp, ciclo 3

Respuesta:

in

Thmperatura
Presin

0.67
0.87

TxP

0.64

Cambio en la media
0.58

0.07

0.67
0.67
0.67
0.60

!1I

488

CAPTULO 11

Tabla 11-21

MTODOS DE SUPERFICIES DE RESPUESTA

Valores de A, n

n=
k=5

10

0.30

0.35

0.37

0.38

0.39

0.40

0.40

0.40

0.41

0.24

0.27

0.29

0.30

0.31

0.31

0.31

0.32

0.32

10

0.23

0.26

0.28

0.29

0.30

0.30

0.30

0.31

0.31

La mayora de las cantidades de la hoja de clculo EVOP se obtienen directamente del anlisis del diseo factorial2k.Por ejemplo, la varianza de cualquier efecto, como tcY3 + )lS-)l2 -)14)' es simplemente
donde es la varianza de las observaciones (y). Por lo tanto, los lmites de error de dos desviaciones estndar (que corresponden a 95 %) para cualquier efecto seran 2a1":'. La varianza del cambio en la media es

crin,

cr

V(CIM) =

V[~(Y2 + Y3 + Y4 + Ys - 4Y1)]

= ~(5a1.+16a1.)= (20)~
25
y
y
25n
Por lo tanto, los lmites de error de dos desviaciones estndar para el CIM son (2V20/25)al":' =
1.78al":'.
La desviacin estndar a se estima por el mtodo del rango. Sea que y(n) denote la observacin en el
punto del diseo i-simo en el ciclo n, Yquey(n) denote el promedio correspondiente dey(n) despus de
n ciclos. Las cantidades del rengln (iv) de la hoja de clculo EVOP son las diferenciasy;(n) -)l;(n-l). La
varianza de estas diferencias es

V[y(n)-y(n-l)]=a~ =a 2[1+-I_J=a
(n-l)

2
(

nI)
n-

El rango de las diferencias, por ejemplo Rn , se relaciona con la estimacin de la desviacin estndar de las
diferencias por an = RJd2 El factor d 2 depende del nmero de observaciones utilizadas para calcular R n
Entonces R nld2 = tNnl(n - 1), por lo que puede usarse

/n-l) R n
_
a= -n-d;=(fk,n)Rn = S
A

para estimar la desviacin estndar de las observaciones, donde k denota el nmero de puntos que se utilizaron en el diseo. Para un diseo 22 con un punto central se tiene k = 5, y para un diseo 23 con un punto central se tiene k = 9. Los valores de k n se dan en la tabla 11-21.

11~7
11~7.1

DISEO ROBUSTO
Antecedentes

A lo largo de este libro se ha hecho hincapi en la importancia del uso de experimentos diseados estadsticamente en el proyecto, desarrollo y mejoramiento de productos y procesos. A partir de la dcada de
1980, los ingenieros y cientficos han adquirido la conciencia creciente de los beneficios del uso de experi-

11-7 DISEO ROBUSTO

489

mentas diseados y, en consecuencia, ha habido muchas reas de aplicaciones nuevas. Una de las ms importantes de stas es el diseo robusto, donde la atencin se centra en uno o ms de los siguientes puntos:
1. El diseo de sistemas (productos o procesos) que no sean sensibles a factores ambientales que
puedan afectar el desempeo una vez que el sistema se ha desplegado en el campo. Un ejemplo
es la formulacin de una pintura para exteriores que debe tener gran duracin cuando se exponga a una variedad de condiciones climticas. Puesto que las condiciones climticas no son del
todo predecibles, y ciertamente no son constantes, el responsable de la formulacin del producto
quiere que ste sea robusto contra un amplio rango de factores de temperatura, humedad y precipitacin pluvial que afectan el desgaste y acabado de la pintura.
2. El diseo de productos para que no sean sensibles a la variabilidad transmitida por los componentes del sistema. Un ejemplo es el diseo de un amplificador electrnico para que el voltaje de
salida est tan cerca como sea posible del valor nominal deseado, independientemente de la variabilidad de los parmetros elctricos de los resistores, transistores y fuentes de poder que son
los componentes del aparato.
3. El diseo de procesos para que el producto manufacturado est tan cerca como sea posible de las
especificaciones nominales, aun cuando sea imposible controlar con toda precisin algunas variables del proceso (como la temperatura) o las caractersticas de las materias primas.
4. Determinar las condiciones de operacin de un proceso para que las caractersticas crticas del
producto estn tan cerca como sea posible del valor objetivo deseado y la variabilidad en torno a
este objetivo se minimice. Ejemplos de este tipo de problema ocurren con frecuencia. Uno de
ellos sucede en la manufactura de semiconductores, donde sera deseable que el espesor del xido de una oblea estuviera lo ms cerca posible del espesor objetivo promedio, as como que la va~
riabilidad del espesor a lo largo de la oblea (una medida de uniformidad) fuese lo ms pequea
posible.
A principios de la dcada de 1980, el ingeniero japons Genichi Taguchi introdujo un enfoque para
resolver problemas de este tipo, a los que se hace referencia de manera conjunta como el problema del diseo paramtrico robusto (RPD, por sus siglas en ingls) (ver Taguchi y Wu [109] y Taguchi [108a, bD. SU
enfoque se bas en la clasificacin de las variables de un proceso o producto como variables de control (o
controlables) y variables de ruido (o no controlables) para despus encontrar los ajustes de las variables
controlables que minimizan la variabilidad transmitida a la respuesta por las variables no controlables. Se
establece el supuesto de que aun cuando los factores de ruido no son controlables en el sistema a gran escala, pueden controlarse para los fines de un experimento. Referirse a la figura 1-1 para una ilustracin
grfica de las variables controlables y no controlables en el contexto general de un experimento diseado.
Taguchi introdujo algunos mtodos estadsticos novedosos y ciertas variantes de las tcnicas establecidas como parte de este procedimiento RPD. Hizo uso de diseos factoriales altamente fraccionados y
otros tipos de diseos fraccionados obtenidos a partir de arreglos ortogonales. Su metodologa gener
mltiples debates y controversias. Parte de la polmica surgi porque la metodologa de Taguchi fue defendida en Occidente inicialmente (y principalmente) por empresarios, y la ciencia estadstica subyacente
no haba sido revisada adecuadamente por los especialistas. Para finales de la dcada de 1980, los resultados de una revisin muy completa indicaron que aun cuando los conceptos de ingeniera de Taguchi y el
objetivo global del RPD tenan bases slidas, haba problemas de fondo con esta estrategia experimental
y con los mtodos para el anlisis de datos. Para detalles especficos de estos temas, ver Box [12d], Box,
Bisgaard y Fung [14], Hunter [59a, b], Montgomery [80b], Myers y Montgomery ~85a] y Pignatiello y
Ramberg [94]. Muchas de estas preocupaciones se encuentran resumidas tambin en el amplio panel de

.:..
\O

Tabla 11-22

Diseo paramtrico con arreglos tanto interior como exterior

b) Arreglo exterior
E
F
G
Corrida

1
2
3
4
5
6
7
8
9

A
1
1
1
2
2
2
3
3
3

a) Arreglo interior
B
e
1
2
3
1
2
3
1
2
3

1
2
3
2
3
1
3
1
2

1
1
1

1
1
2

1
2
1

1
2
2

2
1
1

2
1
2

2
2
1

2
2
2

15.6
15.0
16.3
18.3
19.7
16.2
16.4
14.2
16.1

9.5
16.2
16.7
17.4
18.6
16.3
19.1
15.6
19.9

16.9
19.4
19.1
18.9
19.4
20.0
18.4
15.1
19.3

19.9
19.2
15.6
18.6
25.1
19.8
23.6
16.8
17.3

19.6
19.7
22.6
21.0
25.6
14.7
16.8
17.8
23.1

19.6
19.8
18.2
18.9
21.4
19.6
18.6
19.6
22.7

20.0
24.2
23.3
23.2
27.5
22.5
24.3
23.2
22.6

19.1
21.9
20.4
24.7
25.3
24.7
21.6
24.2
28.6

D
1
2
3
3
1
2
2
3
1

11-7 DISEO ROBUSTO

491

discusin publicado en Technometrics (ver Nair, et al. [86]). En el material suplementario del texto de este
captulo tambin se comentan e ilustran muchos de los problemas implcitos en los mtodos tcnicos de
Taguchi.
La metodologa de Taguchi para el problema RPD gira en torno al uso de un diseo ortogonal para
los factores controlables, el cual se "cruza" con un diseo ortogonal separado para los factores de ruido.
En la tabla 11-22 se presenta un ejemplo de Byrne y Taguchi [23] que trata del desarrollo de un mtodo
para ensamblar un conector elastomtrico en un tubo de nylon que producira la fuerza de separacin requerida. Hay cuatro factores controlables, cada uno con tres niveles (A = interferencia, B = espesor de la
pared del conector, e = profundidad de insercin y D = porcentaje de adhesivo), y tres factores de ruido
o no controlables (E = tiempo de acondicionamiento,F = temperatura de acondicionamiento y G = humedad relativa del acondicionamiento). El panel a de la tabla 11-22 contiene el diseo para los factores
controlables. Observe que se trata de un diseo factorial fraccionado de tres niveles; especficamente, es
un diseo 34-2. Taguchi lo llama el diseo de arreglo interior. El panel b de la tabla 11-22 contiene un diseo 23 para los factores de ruido, al que Taguchi llama el diseo de arreglo exterior. Entonces se realiza
cada corrida del arreglo interior para todas las combinaciones de tratamientos del arreglo exterior, producindose las 72 observaciones de la fuerza de separacin que se muestran en la tabla. A este tipo de diseo se le llama diseo de arreglo cruzado.
Taguchi sugiri que los datos de un experimento de arreglo cruzado se resumieran con dos estadsticos: el promedio de cada observacin en el arreglo interior para todas las corridas del arreglo exterior
y un resumen de estadsticas que intentaba combinar informacin acerca de la media y la varianza, llamado relacin seal a ruido. Las relaciones seal a ruido se definen a propsito para que un valor mximo de la relacin minimice la variabilidad transmitida por las variables de ruido. Entonces se lleva a
cabo un anlisis para determinar cules son los ajustes de los factores controlables que dan como resultado 1) una media tan prxima como sea posible al objetivo deseado y 2) un valor mximo de la relacin
seal a ruido.
El examen de la tabla 11-22 revela un problema importante con la estrategia de diseo de Taguchi; a
saber, el enfoque del arreglo cruzado llevar a un experimento muy grande. En el ejemplo tratado aqu
slo hay siete factores, pero el diseo tiene 72 corridas. Adems, el diseo de arreglo interno es un diseo
34-2 de resolucin III (ver el captulo 9 para un estudio de este diseo), por lo que a pesar del gran nmero
de corridas, no es posible obtener ninguna informacin acerca de las interacciones entre las variables controlables. De hecho, incluso la informacin acerca de los efectos principales est potencialmente corrompida, ya que los efectos principales tienen estrechas relaciones de alias con las interacciones de dos
factores. Ocurre tambin que las relaciones seal a ruido de Taguchi son problemticas; al maximizarse la
relacin no se minimiza necesariamente la variabilidad. Referirse al material complementario del texto
para mayores detalles.
Un punto importante acerca del diseo de arreglo cruzado es que s proporciona informacin acerca
de las interacciones factor controlable x factor de ruido. Estas interacciones son cruciales para la solucin de un problema RPD. Por ejemplo, considere las grficas de las interacciones de dos factores de la figura 11-41, donde x es el factor controlable y z el factor de ruido. En la figura 11-41a no hay ninguna
interaccin x x z; por lo tanto, no hay ningn valor de la variable controlable x que afecte la variabilidad
transmitida a la respuesta por la variabilidad enz. Sin embargo, en la figura 11-41b hay una fuerte interaccinx x z. Observe que cuando x se pone en el nivel bajo, hay mucho menos variabilidad en la variable de
respuesta que cuando x est en el nivel alto. Por lo tanto, a menos que haya como mnimo una interaccin
factor controlable x factor de ruido, no hay ningn problema de diseo robusto. Como se ver en la siguiente seccin, enfocarse en la identificacin y el modelado de estas interacciones es una de las claves de
un enfoque ms eficiente y eficaz del RPD.

492

CAPTULO 11

MTODOS DE SUPERFICIES DE RESPUESTA

y
x

+ La variabilidad
eny
se reduce
cuando x =-

z
a) Ninguna interaccin control x ruido

b) Interaccin control x ruido significativa

Figura 11-41 El papel de la interaccin control x ruido en un diseo robusto.

11~7.2

El enfoque de la superficie de respuesta para el diseo robusto

Como se seal en la seccin anterior, las interacciones entre los factores controlables y los de ruido son
la clave en un problema de diseo robusto. Por lo tanto, es lgico usar un modelo de respuesta que incluya
tanto a los factores controlables como a los factores de ruido y sus interacciones. Para ilustrar, suponga
que se tienen dos factores controlables Xl YX 2 yun solo factor de ruidoz 1 . Se supone que tanto los factores
controlables como el de ruido se expresan como las variables codificadas usuales (es decir, tienen su centro en cero y tienen lmites inferior y superior a). Si quiere considerarse un modelo de primer orden que
incluya las variables controlables, un modelo lgico es
(11-28)
Observe que este modelo incluye los efectos principales de ambos factores controlables, su interaccin, el
efecto principal de la variable de ruido y las dos interacciones entre las variables controlables y la de ruido. A este tipo de modelo, el cual incorpora a las variables controlables y las de ruido, suele l1amrsele
modelo de respuesta o de reaccin. Excepto cuando al menos uno de los coeficientes de regresin 0 11 y 021
sea diferente de cero, no habr ningn problema de diseo robusto.
Una ventaja importante del enfoque del modelo de respuesta es que tanto los factores controlables
como los factores de ruido pueden colocarse en un solo diseo experimental; es decir, puede evitarse la
estructura de los arreglos interior y exterior del enfoque de Taguchi. Al diseo que contiene tanto los factores controlables como los de ruido suele l1amrsele diseo de arreglo combinado.
Como se seal anteriormente, se supone que las variables de ruido son aleatorias, aun cuando son
controlables para los fines de un experimento. Especficamente, se supone que las variables de ruido estn expresadas en unidades codificadas, que tienen valor esperado cero, varianza
y que si hay varias
variables de ruido, tienen covarianzas cero. Bajo estos supuestos es sencillo encontrar un modelo para la
respuesta media tomando el valor esperado de y en la ecuacin 11-28. Se obtiene as

a;,

donde el subndice z del operador expectativa es un recordatorio para tomar el valor esperado con respecto a ambas variables aleatorias de la ecuacin 11-28, Zl Yc. Para encontrar un modelo de la varianza de la

11

11-7 DISEO ROBUSTO

493

respuesta y se usa el enfoque de la transmisin del error. Primero, el modelo de respuesta de la ecuacin
11-28 se expande en una serie de Taylor de primer orden alrededor de Zl = O. Se obtiene as
dy

Y== Yz=o +-d (zl- 0 )+R+s

Zl

== f30 +f31 x l +f32 x 2+f312 x l x 2

+(Yl +Oll Xl +021 X2)Zl +R+s
donde R es el trmino del residuo de la serie de Taylor. Como es comn en la prctica, se ignorar el trmino del residuo. Ahora puede obtenerse la varianza de y aplicando el operador varianza en esta ltima
expresin (sin R). El modelo para la varianza resultante es
2
Vz(Y)= a~(Yl +OllXl +021X2)2 +a
De nueva cuenta se ha usado el subndice z en el operador varianza como recordatorio de que tanto Zl
como s son variables aleatorias.

Se han derivado modelos simples para la media y la varianza de la variable de respuesta de inters.
Observe lo siguiente:
1. Los modelos de la media y la varianza incluyen nicamente las variables controlables. Esto significa que es potencialmente posible fijar las variables controlables para alcanzar un valor objetivo
de la media y minimizar la variabilidad transmitida por la variable de ruido.
2. Aun cuando en el modelo de la varianza intervienen slo las variables controlables, incluye asimismo los coeficientes de regresin de la interaccin entre las variables controlables y la de ruido.
Es as como la variable de ruido influye en la respuesta.
3. El modelo de la varianza es una funcin cuadrtica de las variables controlables.
4~ El modelo de la varianza (dejando de lado if) es slo el cuadrado de la pendiente del modelo de
respuesta ajustado en la direccin de la variable de ruido.

Para dar un uso operacional a estos modelos sera necesario:

1. Realizar un experimento y ajustar un modelo de respuesta apropiado, tal como la ecuacin
11-28.
2. Sustituir los coeficientes de regresin desconocidos en los modelos de la media y la varianza con
sus estimaciones de mnimos cuadrados del modelo de la respuesta o de reaccin, y sustituir la if
del modelo de la varianza con el cuadrado medio de los residuales que se encontr cuando se
ajust el modelo de respuesta.
3. Optimizar los modelos de la media y la varianza utilizando los mtodos estndares de optimizacin de respuestas mltiples revisadas en la seccin 11-3.4.
Es muy sencillo generalizar estos resultados. Suponga que hay k variables controlables yrvariables de
ruido. El modelo de respuesta general que incluye estas variables se escribir como

y(x, z) = f(x)+h(x, z)+s

(11-29)

dondef(x) es la porcin del modelo que incluye slo las variables controlables y h(x, z) son los trminos
que incluyen los efectos principales de los factores de ruido y las interacciones entre los factores controlables y los de ruido. De manera tpica, la estructura de h(x, z) es

"1

494

CAPTULO 11

MTODOS DE SUPERFICIES DE RESPUESTA

k

h(x, z)=:i=l

riZi

::

OijXZj

i=l j=l

La estructura de(x) depender de cul sea el tipo de modelo que el experimentador considere apropiado
para las variables controlables. Las elecciones lgicas son el modelo de primer orden con interaccin y el
modelo de segundo orden. Si se supone que las variables de ruido tienen media cero, varianza y covarianzas cero, y que las variables de ruido y los errores aleatorios s tienen covarianzas cero, entonces el modelo de la media para la respuesta es
Ez[Y(x, z)]= (x)
(11-30)
y el modelo de la varianza para la respuesta es

a;

Vz[y(x,

z)]=a;~ [a~~ Z)r +a

(11-31)

Myers y Montgomery [85a] presentan una forma un tanto ms general de la ecuacin 11-31 basada en la
aplicacin directa de un operador de varianza condicional al modelo de respuesta.
EJEMPLO

11~6

Para ilustrar el procedimiento anterior, considere nuevamente el ejemplo 6-2 en el que se estudiaron cuatro factores en un diseo factorial 24 para investigar su efecto sobre la rapidez de filtracin de un producto
qumico. Se supondr que el factor A, la temperatura, es difcil de controlar en el proceso a gran escala,
pero que puede controlarse durante el experimento (el cual se llev a cabo en una planta piloto). Los
otros tres factores, la presin (B), la concentracin (C) y la velocidad de agitacin (D), son fciles de controlar. Por lo tanto, el factor de ruidoz1 es la temperatura, y las variables controlablesxl,x2 y X 3 son la presin, la concentracin y la velocidad de agitacin, respectivamente. Puesto que tanto los factores
controlables como el factor de ruido estn en el mismo diseo, el diseo factorial 24 utilizado en este experimento es un ejemplo de un diseo de arreglo combinado.
Utilizando los resultados del ejemplo 6-2, el modelo de respuesta es
fI
.!'\

x, Zl ) = 7006
. + (21.625)
2
Zl + (9.875)
2 x 2 + (14.625)
2
x3
18.125)
- (2 - X 2 Z 1 + (16.625)
-2- X3 Z1
= 70.06+10.81z1 + 4. 94x 2 +7.31x 3 -9.06x 2 Z1 +8.31x 3 z 1

Utilizando las ecuaciones 11-30 y 11-31, se encuentra que los modelos de la mediay la varianza son
Ez[y(x, Zl)]= 70.06+4.94x 2 +7.31x 3
y
Vz[y(x, Zl)]= a;(10.81- 9.06x 2 +8.31x 3 )2 +a 2

= a; (116.91+ 82.08x; + 69.06xi -195.88x 2

+ 179. 66x 3 -150.58x 2 x 3 )+a 2
respectivamente. Suponga ahora que los niveles bajo y alto de la variable de ruido, temperatura, se corrieron a una desviacin estndar a ambos lados de su valor tpico o promedio, de tal modo que
= 1, Yque
se usaa 2 = 19.51 (ste es el cuadrado medio de los residuales obtenido al ajustar el modelo de respuesta).
Por lo tanto, el modelo de la varianza queda como

a;

Vz [y(x, Zl)] = 136.42-195.88x 2 + 179.66x 3 -150.58x 2 x 3 + 82.08x; + 69.06xi

11-7 DISEO ROBUSTO

1.000

495

,-----r---------,r--------~--_,

0.500 -

-o

l'.:

e1]
e

0.000

11

>t'"'

-0.500

-1.000

L -_ _i - _ - L .

-1.000

_ ___J

-0.500

0.000
X4

...l____ll~

0.500

1.000

= Velocidad de agitacin

Figura 1142 Contornos del ndice de filtracin medio constante, ejemplo 11-6,
con Xl = temperatura = o.

En la figura 11-42 se presenta la grfica de contorno del paquete de software Design-Expert de los
contornos de respuesta del modelo de la media. Para construir esta grfica se fij el factor de ruido (temperatura) en cero y el factor controlable no significativo (presin) tambin en cero. Observe que la rapidez de filtracin promedio se incrementa cuando tanto la concentracin como la velocidad de agitacin
se incrementan. Design-Expel1 constituir tambin de manera automtica grficas de la raz cuadrada de
los contornos de la varianza, que denomina propagacin del error (o POE, por sus siglas en ingls). Evidentemente, la POE no es sino la desviacin estndar de la variabilidad que se transmite a la respuesta
como una funcin de las variables controlables. En la figura 11-43 se muestra la grfica de contorno y la
grfica de superficie de respuesta tridimensional de la POE, obtenida con Design-Expert (en esta grfica
la variable de ruido se mantiene constante en cero, como se explic anteriormente).
Suponga que el experimentador quiere mantener una rapidez de filtracin promedio de cerca de 75 y
minimizar la variabilidad alrededor de este valor. En la figura 11-44 se muestra una grfica de superposicin de los contornos de la rapidez de filtracin media y la POE como una funcin de la concentracin y la
velocidad de agitacin, las variables controlables significativas. Para conseguir los objetivos deseados ser
necesario mantener la concentracin en el nivel alto y la velocidad de agitacin muy cerca del nivel intermedio.

El ejemplo 11-6 ilustra el uso de un modelo de primer orden con interaccin como el modelo para los
factores controlables,f(x). Se presenta ahora un ejemplo adaptado de Montgomery [8b] que induye un
modelo de segundo orden.

496

CAPTULO 11

MTODOS DE SUPERFICIES DE RESPUESTA

c:

'0

'13

g
c:
QJ

"oc:

11
>{'"

-1.00 '---_ _--"''---JL...-1.00

.L...l

-0.50

--J.-L

0.00
X4

0.50

--'

1.00

= Velocidad de agitacin

al Grfica de contorno

28.5315
22.5032
16.4748
~

w
O

Q.

10.4465
4.41816

1.00
1.00

b)

Grfica de superficie de respuesta

Figura 1143 Grfica de contorno y superficie de respuesta de la propagacin del error

(POE) en el ejemplo 11-6, con Xl = temperatura = O.