DISEÑO EXPERIMENTAL Y

OPTIMIZACIÓN DE SISTEMAS
CON MÚLTIPLES RESPUESTAS

3 - METODOLOGÍA DE LA SUPERFICIE DE RESPUESTA

(RSM)

M.S Cámara – M.M. De Zan – L. Vera Candioti – H. Goicoechea

2016
 Metodología de la superficie de
respuesta (MSR)
 Conocer el funcionamiento de un sistema o
proceso.
 Encontrar las condiciones óptimas de
funcionamiento.
 Mejoras en costo, tiempo, eficiencia,
productividad y /o calidad.

Conocimiento del Mejora de la

sistema calidad
 Metodología de la superficie de
respuesta (MSR)
 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)
o Box y Draper (1987)
o Cornell (1991)
o Montgomery y Myers (1996)
o Araujo y Brereton (1996)

 Aplicaciones en expansión JMP-IN

(softwares comerciales) MINITAB
o Procesos de fabricación industrial STATISTICA
oQuímica STATGRAPHICS
oFarmacéutica oAlimenticia
DESIGN-EXPERT
oBiotecnologica oMetalúrgica
oElectrónica
 Metodología de la superficie de
respuesta (MSR)
Conjunto de técnicas Analizar el comportamiento
de una
matemáticas y estadísticas
RESPUESTA

Construir un
MODELO
x x
y  f (x1, x2 ) 1 2

niveles
Datos experimentales

OPTIMIZAR
DISEÑO DE
EXPERIMENTOS
 Metodología de la superficie de
respuesta (MSR)
Representación Gráfica del Modelo

y  f (x1, x2 )

Encontrar el
ÓPTIMO
 Gráficos de la MSR

Graficas de Contorno y Superficie de Respuesta

Respuesta en el
Producción de almendras

espacio
tridimensional
para la
producción de
almendras en
función de los
fertilizantes
utilizados
 Gráficos de la MSR

Gráficas de Contorno y Superficie de Respuesta

Cada línea de
Producción de almendras

contorno está
formada por
todas las
combinaciones
de los factores
que producen
una misma
respuesta
 Gráficos de la MSR
Gráfica de Contorno
Design-Expert® Software
Rendimiento
Rendimiento 48.00
Design Points
55.1
44.3
20.6

X1 = A: Temperatura 42.00
X2 = B: Tiempo 56.1
B: Tiempo

36.00
54.6

30.00
50.2
38.4 44.3
32.5
26.6
24.00
20.00 27.50 35.00 42.50 50.00

A: Temperatura
 Gráficos de la MSR

Superficie de Respuesta
Óptimo de la Respuesta

Gráfica de contornos

Líneas de Isorespuesta

Niveles óptimos
de las variables
 Buscando las mejores condiciones…

Producción ¡Optimizar el rendimiento!

Experimentos exploratorios
Selección de factores

Factores Significativos Rangos

Surfactante
1 Temperatura 20- 60 ºC

2 Tiempo de incubación 24-48 hs

 Optimización univariada
ESTRATEGIA “OVAT”
Variaciones de temperatura Grafica de respuesta univariada

T (°C) Tpo (Hs) R (g/L)

20 24 20.6
24 24 26.1

Rendimiento
28 24 32.0
32 24 36.3
36 24 39.2
40 24 42.0 Valor óptimo de
44 24 42.9 temperatura
48 24 43.8
52 24 42.5
56 24 41.2

Condiciones óptimas de Temperatura (ºC)

temperatura Sección transversal de la
T= 48° R= 43.8 g/L superficie de respuesta
 Optimización univariada
ESTRATEGIA “OVAT”
Variaciones de tiempo Grafica de respuesta univariada

T (°C) Tpo (Hs) R (g/L)

Rendimiento
48 24 43.8
48 28 47.8
48 32 50.6
48 36 50.8
48 40 49.2
Valor óptimo de
48 44 45.6 tiempo

Condiciones óptimas
de tiempo a 48ºC
Tiempo (horas)
Tpo= 36 hs R= 50.8 g/L
Sección transversal de la
16 experimentos sucesivos: varios días de trabajo superficie de respuesta
(se pueden hacer en simultáneo en bloques)
 Grafica de superficie
Variaciones simultáneas de de respuesta
tiempo y temperatura
T (°C) Tpo (Hs) R (g/L)

Rendimiento
20 24 20.6
20 36 44.9
20 48 51.0
35 24 39.9
35 36 54.9
35 48 52.1
50 24 43.0
50 36 49.1
Valor óptimo de
50 48 37.0 tiempo y temperatura
Predicción del óptimo por modelado: 9 experimentos
T= 34°, Tiempo= 40 hs Rendimiento = 56.2 g/L menor trabajo
oftware
Grafica de contorno

48.00
Rendimiento
Area NA
máximo
44.3

2.17
Tiempo (horas)

ura 42.00
56.1
B: Tiempo

36.00
54.6

30.00
50.2

1.18
38.4 44.3
32.5
26.6
24.00
mínimo
20.00 27.50 35.00 42.50 50.00

Temperatura (ºC)
A: Temperatura
 MSR y optimización
Una misma RESPUESTA puede depender de más de dos factores

y  f ( x1,....,xk )  
X 1 constante X 2 constante X 3 constante

X3 X3 X2
X2 X1 X1

¿Cuál es el óptimo?
Técnicas de optimización
 El comportamiento óptimo de un SISTEMA puede depender de más
de una RESPUESTA.
® Softw are
2.00
Area PIR
Design-Expert® Softw are
1400.00
Design-Expert® Softw are Area SUL
2.00
Area CBZ Area SUL
160.09
229016 Points
Design 15.53
187103
513107 15.847
516246
205584
333539
1.55 153080 10.965
467223
1250.00 30.94
190356 1.55
estra 120.74
213831 X1 = B: Stirring rate
sal X2 = C: adición sal
X1 = A: pH muestra 9.732
418200
X2 = B: Stirring rate Actual Factor
= 1116.22 89.61 A: pH muestra = 7.00
1.09
198646 45.89
193610
Actual Factor 1100.00 1.09

C: adición sal = 1.66

7.921
369177

59.75
183461
60.20
196863
0.63 950.00 0.63

5.396
320153
30.84
168276 80.61
200116

0.18 0.18
800.00
2.00 3.25 4.50 5.75 7.00
Respuesta 1 1.00
Respuesta 2
2.75 4.50 6.25 8.00 900.00
Respuesta 3
1000.00 1100.00 1200.00 1300.0

¿Cuál es el óptimo global?

Técnicas de optimización de respuestas múltiples

Requerimientos y
pasos para la
aplicación
 Requerimientos de la MSR

 Creación de un Diseño de Experimentos

 Ajuste de un Modelo

 Utilización de una Técnica de Optimización

Explorar el modelo para obtener información sobre el óptimo

 Diseños y modelos matemáticos para
la MSR
Diseño Modelo

22 y  0  1x1  2 x2  12x12  

22 + pcentral y  0  1x1  2 x2  12x12  curvatura 

¿ 11x12 o 22x22 ?

22 + pcentral + paxiales y  0  1x1  2 x2  12x12  11x12  22x22  

• Para construir un modelo se necesitan como mínimo la misma cantidad de puntos

experimentales diferentes que coeficientes a estimar.
• Para evaluar la falta de ajuste se deben incluir repeticiones de un punto del diseño

No se le puede exigir al diseño más información de la que puede brindar

 Construcción
CONSTRUCCIÓN del
DE UN MODELO Modelo
Experimentos para optimizar la extracción de un alcaloide
pH Temperatura mg/g  Lineal
(X1) (X2) (y) y= 52.2 + 3.8 x1
0 -1 43 + 14.8 x2
-1 1 65
1 0 49
 Lineal con Interacción
0 1 69 y= 52.2 + 3.8 x1
-1 -1 21 + 14.8 x2
- 6.2 x1 x2
1 -1 43
1 1 62
-1 0 45  Cuadrático
0 0 57 y= 56.9 + 3.8 x1
+ 14.8 x2
0 0 54 - 6.2 x1 x2
0 0 61 - 9.2 (x1)2
0 0 57 - 0.2 (x2)2
Evaluación del Modelo (ANOVA)
Modelo SC gl MC F0 p (Ft >F0) R2aj
LINEAL 0.70
Regresión 1408 2 704.2 13.6 0.001 significativa
Error Residual 465.3 9 51.7
FAj 440.6 6 73.4 8.9 0.039 significativa

INTERACCION 0.77
Regresión 1565 3 521.5 13.5 0.002 significativa
Error Residual 309.1 8 38.6
FAj 284.3 5 56.87 6.8 0.070 en el límite

CUADRATICO 0.95
Regresión 1826 5 365.2 46.0 <0.001 significativa
Error Residual 47.9 6 7.9
FAj 22.8 3 761 0.91 0.526 no significativa
Elegir Modelo: mayor F0 de regresión
Error Puro 24.8 3 8.2 menor F0 de Falta Ajuste
mayor R2aj
 Evaluación del los Coeficientes
Modelo Cuadrático Completo
y = 56.9 + 3.8 x1
+ 14.8 x2
- 6.2 x 1 x2 ¿Todos los términos son significativos?
- 9.2 (x1)2 ¿Todos son importantes?
- 0.2 (x2)2 ¿Todos aportan información?

Pruebas de Hipótesis para los coeficientes del modelo

Las Hipótesis que hay que probar son:

H0 : i  0 H1 : i  0
ˆ i
t0   t0.05,2,nk1
CME
Significancia del Coeficiente:
CMi
F0   F0.05,k,nk 1
CME
Evaluación del los Coeficientes
MODELO SC gl MC F0 p (Ft >F0)
CUADRÁTICO
Regresión 1826 5 365.2 46.0 <0.001
x1 88.2 1 88.2 11.1 0.016
x2 1320 1 1320 166 <0.001
x1 x2 156 1 156 19.7 0.004
(x1)2 228 1 228 28.8 0.002
Variable no
(x2)2 0.17 1 0.17 0.02 0.889
significativa
Residual 47.9 6 7.9
LOF 22.8 3 761 0.91 0.526
Modelo completo Eliminar del
Error Puro 24.8 3 8.2 modelo

Utilizar el modelo más simple que

Principio de describa el comportamiento del
Parsimonia sistema
Técnicas para depurar los Modelos

 Manual
 Eliminación Backward

Modelo Completo Modelo Depurado

 Adición Forward
Modelo Reducido Modelo Depurado
Categoría de MODELOS
CATEGORÍA DE LOS los Modelos

Modelo Completo Modelo Reducido Modelo Jerárquico

y = 56.9 + 3.8 x1 y = 56.9 + 3.8 x1

+ 14.8 x2 + 14.8 x2
- 6.2 x 1 x2 - 6.2 x 1 x2
- 9.2 (x1)2 Se conserva el
- 9.2 (x1)2 término de
- 0.2 (x2)2 primer orden

y = 38.9 + 13.3 x1 y = 38.9 + 13.3 x1 y = 38.9 + 13.3 x1

- 0.3 x2 - 9.2 (x1)2 - 0.3 x2
+ 0.1 x 1 x2 - 1.2 (x2)2 - 9.2 (x1)2
- 9.2 (x1)2 - 1.2 (x2)2
- 1.2 (x2)2

Un Modelo es Jerárquico cuando contiene todos los términos más simples que
componen los términos de mayor orden que están en el modelo. Los modelos
jerárquicos tienen un comportamiento más estable que los no jerárquicos.
 Modelos matemáticos para la MSR
MODELO LINEAL o de PRIMER ORDEN
Design-Expert® Software

T (A)
1.51

0.77

X1 = B: pH
X2 = C: Temp
1.220
Actual Factors
A: Apareante = 15.00
D: Acetato = 60.00
Para dos factores este 1.188

modelo tiene 3 términos

Respuesta
1.155

1.123

1.090

k
y  0   i x i   40.00
36.25 3.750
4.000

i 0 32.50
28.75 3.250
3.500

X1 X2
25.00 3.000

Para k> 2 es un hiperplano

0  término constante
i  coeficiente del modelo que afecta al factor xï
 Modelos matemáticos para la MSR
Design-Expert® Software

R (A)
13.232

0.985

X1 = A: Apareante
X2 = D: Acetato
25.00
MODELO LINEAL CON INTERACCIÓN
Actual Factors
B: pH = 3.500
C: Temp = 32.50
18.75

Respuesta
12.50

6.250
Para dos factores este
modelo tiene 4 términos 0.0000

150.0 30.00
117.5 25.50
85.00 21.00
52.50 16.50
X1 X2
20.00 12.00

k Puede verse como

y  0   i xi   ij xi x j   X2 tiene distinto
i 0 i j comportamiento
según X1

ij  coeficiente de interacción entre el factor xï y el factor x j

Modelos matemáticos para la MSR
Design-Expert® Software

MODELO CUADRATICO o de SEGUNDO ORDEN

Dureza
5.56

2.09

X1 = A: % Manitol
X2 = B: %Camphor 5.7

4.775

3.85

Dureza
Para dos factores este 2.925

modelo tiene 6 términos 1.00

2
0.50

0.00
A: % Manitol
1.00
0.50 -0.50
0.00
-0.50
-1.00 -1.00

B: %Camphor

k k
y  0   i x i   ii xi 2   ij xi x j  
i 0 i 1 i j

ii  coeficiente que explica la curvatura del factor xi2

 Modelos matemáticos para la MSR
MODELO CÚBICO o deSoftware
Design-Expert® TERCER ORDEN
R3
82

1.33
67
X1 = A: A
X2 = B: B
48.25
Actual Factor
C: C = 0.00
Para dos factores este 29.5

R3
modelo tiene 10 términos 10.75

-8

1.00 1.00
0.50 0.50
0.00 0.00
-0.50 -0.50
B: B A: A
-1.00 -1.00

y  0  1 x1  2 x2  12 x1 x2  11x12  22 x22  111x13  222 x23 

 112 x12 x2  221x22 x1  
 Pasos de la MSR

1 Definir los objetivos de la optimización

Plantear adecuadamente el PROBLEMA a resolver y seleccionar la
RESPUESTA a evaluar
2 Seleccionar los factores que resultan significativos

3 Establecer la Región de Operabilidad

Considerar las posibilidades instrumentales y la información sobre el
sistema

4 Seleccionar un Entorno Experimental

Definir la región del espacio de los factores en donde vamos a planear los
experimentos
 Pasos de la MSR
5 Construir un Diseño Experimental de Optimización
Recabar datos experimentales

6 Elaborar un Modelo Matemático

Graficar la SUPERFICIE DE RESPUESTA y evaluar resultados

Repetir los pasos 4 , 5 y 6 si fuera necesario

7 Localizar el Óptimo buscado para la Respuesta
Utilizar herramientas gráficas y/o matemáticas para predecirlo.

8 Verificar experimentalmente
Confirmar el valor de la respuesta utilizando los niveles óptimos de los
factores
 Región de operabilidad y entorno
experimental
Región de Operabilidad

Condiciones en donde el
proceso o equipo puede ser
operado
X1
Entorno Experimental
X3
Limitado por los niveles
X2 seleccionados para los factores

Si conocemos poco del sistema, el punto óptimo puede encontrarse

fuera del entorno experimental inicial
El Entorno Experimental debe moverse hacia la localización del óptimo
 Planificación de los experimentos

Conocimiento previo del

sistema SI
NO
Aproximación al Óptimo • Comportamiento esperado para la Respuesta
• Localización probable del Óptimo

Determinación del Óptimo

Modelo probable

Primer orden Segundo orden

Diseño Experimental de Optimización

La Metodología de Superficie de Respuesta
puede ser una Técnica Secuencial
Aproximación al Óptimo Localización del Óptimo

Diseño de Optimización de Diseño de Optimización de

Primer Orden Segundo Orden

Experimentar Experimentar

Modelo de Primer Orden Modelo de Segundo Orden

Evaluar curvatura no lineal Caracterizar la Superficie

lineal

Mover el Entorno Establecer

Experimental en el sentido
Condiciones Óptimas
del Óptimo
 Aproximación al
óptimo con diseños
de primer orden
 APROXIMACIÓN AL ÓPTIMO: cuando no se
sabe nada sobre el sistema a estudiar
Objetivo: Aplicar experimentos que permitan moverse rápidamente a las
proximidades del óptimo buscado para la respuesta.

Diseños Experimentales de Primer Orden

Modelos de Primer Orden

Técnica de
ESCALAMIENTO ASCENDENTE
(o descendente)

Esta técnica opera “paso a paso” , programando el paso siguiente en

función de los resultados del anterior
En cada paso se estudia una región relativamente pequeña.
 Diseño para superficie de
respuesta de primer orden
SIMPLEX: Figura geométrica con FACTORIAL EN DOS NIVELES: se
k + 1 vértices (k: nº de factores) estudian todas las combinaciones
de los factores en +1 y -1
factor 2

factor 2
Diseño SIMPLEX

factor 1 factor 1
factor 2

factor 2
factor 1
factor 1
 Diseño SIMPLEX en escalamiento
ascendente

Diseño SIMPLEX

Paso 1
Simplex Inicial: experimentos 1, 2 y 3
La peor respuesta es la del experimento 3 Buscar un opuesto
 DISEÑO SIMPLEX en ESCALAMIENTO ASCENDENTE
Método de Escalamiento Ascendente sin ajustar
Modelo

Paso 2
Segundo Simplex : experimentos 1, 2 y 4
La peor respuesta es la del experimento 2 Buscar un opuesto
Paso 3
Tercer Simplex : experimentos 1, 4 y 5
La peor respuesta es la del experimento 1 Buscar un opuesto
Paso 4
Cuarto Simplex : experimentos 4, 5 y 6
Las peores respuestas son las 4 y 5 Buscar opuestos
Paso 5
Quinto Simplex : experimentos 5, 6 y 7
La mejor respuesta es la 6
Sexto Simplex : experimentos 4, 6 y 8
Seleccionar un Entorno Experimental para un
Diseño de Segundo Orden que permita
localizar el Óptimo
 Método de la máxima pendiente

Se recorre
secuencialmente una
trayectoria en sentido
ascenso de su máxima
pendiente, es decir,
del mayor incremento
o decremento de la
descenso respuesta

Superficie ajustada con un Modelo de Normal de la

Primer Orden Superficie de
k Respuesta
y  0   i x i   ajustada
i 0
 Diseño Factorial en método de la
máxima pendiente
Paso 1 Establecer el Punto Base, o Punto de Origen
Respuesta
1.000

54.04
Paso 2 Elaborar un Diseño
0.5000 55.58
2k (-1, +1)
o Punto Central
Factor 2

0.0000
j (xi = xj =…..xk = 0)
coincidente con el
Punto de Origen
-0. 5000
o Réplicas en el Punto Central

-1. 000
-1. 000 -0. 5000 0.0000 0.5000 1.000
i
Paso 3 Ajustar un modelo lineal, obtener la Superficie de Respuesta
Factor 1
y evaluar curvatura
 55.58

Paso 4 Se elige una de las variables como variable de apoyo y se

establece un tamaño de incremento o escalón para la misma.

x j  1
x j  1 Paso 5 Calcular el
incremento para las
otras variables
j ˆi
ˆi xi 
xi  ˆ j x j
i ˆ j
i  1,2,....k; i  j
ˆ ˆ ˆ ˆ
yˆ  0  i xi   j x j  ... ...k xk  
-0.5000 0.0000 0.5000 1.000

ˆi
xi 
MáximaFactor
Pendiente
1 en el plano i x j ˆ j
 Paso 6 Convertir cada incremento a valores naturales para obtener un
punto experimental en el sentido de la máxima pendiente.
Respuesta
1.000

54.04
ˆi
Pendiente
ˆ j
0.5000 55.58
Factor 2

0.0000

Paso 7 Continuar
experimentando en esta
dirección hasta no
-0. 5000
observar más incrementos

-1. 000
-1. 000 -0. 5000 0.0000 0.5000 1.000
 Paso 8 Crear un nuevo Diseño 2k con replicas en el punto central que
debe coincidir con el último punto experimental de mejor respuesta.
Respuesta
1.000

Paso 9 Construir un
54.04
nuevo modelo de primer
55.58
0.5000
orden y evaluar curvatura
Factor 2

0.0000 Paso 10 Experimentar en el

sentido de máximo ascenso del
nuevo modelo hasta no
-0. 5000 obtener más incrementos.

-1. 000
Repetir Paso 8 y Paso 9 hasta
-1. 000 -0. 5000 0.0000 0.5000 1.000 encontrar curvatura
significativa, o la respuesta
Región del ÓPTIMO
Factor 1 localizada óptima
 DISEÑO FACTORIAL en MÉTODO DE MÁXIMA PENDIENTE

Optimización del rendimiento de una reacción de síntesis de un polímero

Punto de base u origen: 35 min a155 ºC
Primer entorno experimental: 30-40 minutos y 150-160ºC
Diseño factorial a dos nieles con cinco repeticiones del punto central

Variables Naturales Variables codificadas Respuesta

min ºC x1 X2 Rendimiento (%)
30 150 -1 -1 39.3
30 160 -1 1 40.0
40 150 1 -1 40.9
40 160 1 1 41.5
35 155 0 0 40.3
35 155 0 0 40.5
35 155 0 0 40.7
35 155 0 0 40.2
35 155 0 0 40.6
Modelo Ajustado
yˆ  40.44  0.775 x1  0.325 x 2

Pruebas de Adecuación del Modelo Lineal

 Modelo Significativo
 Falta de Ajuste No Significativa
 Interacción No Significativa
 Curvatura No Significativa

ˆi
Trayectoria de Máximo Ascenso Pendiente
o Pasa por el punto 40.44 ˆ j
o Tiene una Pendiente =0.325/0.775
 Selección de un incremento base para una de las variables

x1  1  5min
Selección del incremento de la otra variable en función de la máxima
pendiente en ascenso
x2  (0.325/ 0.775)x1  0.42  2º C
Experimentos con pendiente en ascenso
Incrementos Variables Naturales Variables codificadas Respuesta
min ºC x1 X2 Rendimiento (%)
Origen 35 155 0 0 40.5
O+Δ 40 157 1.00 0.42 49.5
O+2Δ 45 159 2.00 0.84 59.8
O+3Δ 50 161 3.00 1.26 70.4
O+4Δ 55 163 4.00 1.68 80.9
O+5Δ 60 165 5.00 2.10 75.1
Se crea un nuevo diseño alrededor del punto (55, 163)

Variables Naturales Variables codificadas Respuesta

min ºC x1 X2 Rendimiento (%)
50 158 -1 -1 76.5
50 168 -1 1 77.0
60 158 1 -1 78.0
60 168 1 1 79.5
55 163 0 0 81.2
55 163 0 0 80.5
55 163 0 0 80.7
55 163 0 0 80.9
55 163 0 0 80.6
Modelo Lineal
Pruebas de Adecuación del Modelo Lineal
 Modelo No Significativo
 Falta de Ajuste Significativa
 Interacción No Significativa
 Curvatura Significativa

Modelo Cuadrático
Pruebas de Adecuación del Modelo Cuadrático
 Modelo Significativo Proximidad del óptimo
 Falta de Ajuste No Significativa
 Interacción No Significativa Seleccionar entorno experimental
 Curvatura Significativa para diseño de segundo orden
 Diseños de
segundo orden
 Diseños experimentales de
segundo orden
1 Proporcionar una distribución razonable de puntos de
datos en el Entorno Experimental

2 Generar datos que permitan el ajuste de un modelo

matemático de segundo orden

 Estudiar cada factor en al menos tres niveles análisis de

curvatura.
 Tener una cantidad de puntos que permitan estimar
todos los términos del modelo cuadrático.

N min= 1 + 2k + k (k-1)/2
k=3
X1
X2
X3
X1x2 x1x3 x2x3
X1x2x3
X12 X22 X32

N min= 1 + 2k + k (k-1)/2 = 1 + 2.3 + 3 (3-1)/2 = 10

3 Posibilitar el estudio de la Idoneidad del Modelo y la
Falta de Ajuste.

Repeticiones del punto central o de otro punto (4-6).

N = N min + Co

4 Ser Eficiente para el cumplir con el objetivo propuesto

sin requerir demasiados puntos experimentales.
5 Minimizar la Varianza de los Coeficientes de Regresión
del Modelo:

Ortogonalidad
A B AxB
1 1 1 A con B:
-1 1 -1
[1x1]+[(-1)x1]+[1x(-1)]+(-1)x(-1) = 0
1 -1 -1
-1 -1 1

6 Posibilitar la realización de experimentos en Bloques:

 Cuando es necesario bloquear el diseño, es importante
mantener la ortogonalidad de los bloques.
 El punto central debe distribuirse por igual entre los
bloques.
7 Proporcionar un error de predicción estable en el
entorno experimental:
Rotabilidad

Error Estándar del Modelo

0.437

0.437
8 Permitir la creación secuencial a partir de diseños de
primer orden

2k 3k

9 Posibilitar la obtención de diseños aumentados

3k D-Optimal
 Diseños
simétricos
 Diseño Factorial Completo a 3 niveles
• Se investigan todas las posibles combinaciones de los niveles de los
factores
• Número de experimentos (N= 3k )
• El número de experimentos crece rápidamente con el número de
factores
Punto central

Dos factores Tres factores

3 niveles por factor (-1, 0 , +1)

 Diseño Central Compuesto

•Compuesto por:
Diseño cúbico, que responde al diseño factorial completo 2k
Punto central
Diseño estrella, a una distancia  del centro.

• Número de experimentos
(N = 2k +2k + C0)

5 niveles por factor (-α, -1, 0, +1, +α)

Puede generarse a partir de un diseño factorial de primer
orden anterior cuando se observa curvatura y quiere
estudiarse mejor esta región del espacio experimental

Aumento del Diseño

Diseño inicial

curvatura

Factorial en dos niveles Estrella

2k + Co
2k+ Co
Bloque 1 Bloque 2
 Los puntos estrella o puntos axiales pueden tomar
distintas ubicaciones en el entorno experimental, a una
distancia α del centro del diseño

•Centrado en las caras  1

•Circunscripto  1
o Rotable   4 n fact
Entorno experimental
o Esférico  k esférico
Cuasi-Rotables
Puntos axiales
o Práctico  4 k posibles
experimentalmente
k 5
Diseño Central Compuesto centrado en las caras

α = 1.0 Se transforma en un
diseño de tres niveles

El entorno experimental es
más acotado

Es útil cuando en la práctica

no se pueden modificar
fácilmente los niveles de los
factores
Diseño Esférico Diseño Rotable Diseño Práctico

k Valor de alfa
2 1.414 1.414 1.189
3 1.732 1.682 1.316
4 2.000 2.000 1.414
5 2.236 2.378 1.495
 Diseño Box-Behnken

• Compuestos por la combinación de diseños factoriales a dos

niveles con diseños de bloques incompletos

• Número de experimentos (N = 2k (k−1) + c0 )

• Puede aplicarse para k ≥ 3
Punto central

Tres factores

3 niveles por factor (-1, 0 , +1)

 Matriz de Doherlet
• El dominio experimental es muestreado de manera uniforme, los puntos
experimentales son equidistantes entre si.
• Los factores varían en diferente número de niveles cada uno. Para un
diseño de 3 factores el primero toma tres niveles, el segundo cinco y el
tercero siete

• Número de experimentos (N= k2+k+Co)

x1
1.0

-1.0

-1.0 -0.5 0 0.5 1.0 x2

 Eficiencia
La Eficiencia de un diseño está dada por el cociente entre el
número de coeficientes estimados por el modelo y el numero
total de puntos experimentales
Box-Behnken (BB) Central compuesto (CC) Factorial completo (FC)
N = 2k (k−1) + C0 N = 2k +2k + C0 N = 3k

Factores Coeficientes Puntos Experimentales(N) Eficiencia (E)

(modelo cuadrático) (1 punto central)

BB CC FC BB CC FC
2 6 - 9 9 - 0.67 0.67
3 10 13 15 27 0.77 0.67 0.37
4 15 25 25 81 0.60 0.60 0.18
5 21 41 43 243 0.51 0.49 0.08
6 28 49 77 729 0.57 0.36 0.04
7 36 57 143 2187 0.63 0.25 0.02

más eficiente
Diseños
‘optimal’
 Diseños óptimos
Son Diseños NO Simétricos, logrados mediante
algoritmos computacionales cuyo fin es
satisfacer condiciones establecidas por el
operador, tales como:
 Cantidad de puntos experimentales
 Tipo de modelo a ajustar
 Rangos de las variables
 Regiones no posibles de ensayo
 Diseños óptimos
1 Región Experimental Irregular.
2 Falta de Ajuste de Modelo Cuadrático.
3 Necesidad de reducir la cantidad de puntos
experimentales.

• Se dividen en distintos tipos, nombrados por las

letras del alfabeto.
• El tipo de Diseño Óptimo se refiere a la propiedad o
criterio que se pondera en el diseño.
 Diseño D-optimal

Es un diseño basado en el criterio de proporcionar

una buena estimación de los parámetros de
regresión para el modelo seleccionado.

11 Puntos Experimentales distintos

Se pierde Rotabilidad
 Diseño D-optimal con restricciones

40.0

Región de alta presión

% MetOH

Se crean ecuaciones para

20.0
1.0 restringir el área donde el
Flujo (mL/min) 2.0
sistema genera combinaciones
no favorables

Se seleccionan puntos
Región experimentales con una
favorable Distribución óptima desde el
punto de vista estadístico.
Selección de puntos experimentales en
dominio asimétrico

Puntos Seleccionados

Determinante de
XTX máximo

Buena estimación de
coeficientes y error de
predicción más o menos
estable.
Error estándar en un diseño central
compuesto
 Error estándar en un diseño central
compuesto al que se quitaron dos puntos
por no poder operarse en esa región
 Error estándar en un diseño central
D-optimal con restricciones para evitar
esos dos puntos
ANEXO: Creando un D-Optimal con restricciones
Localización del
óptimo
Diseños Experimentales de Segundo Orden

Modelo de Segundo Orden

Buen ajuste y R2aj mayor a 70%

para PREDECIR

Localización del Punto Estacionario

Candidato al Óptimo

Análisis canónico Análisis de cordillera

 Punto Estacionario
Es el punto del espacio de los factores en el cual el plano
tangente a la superficie tiene pendiente igual a cero y es un
“candidato al óptimo”

Punto de Respuesta Punto de Respuesta Punto Silla

Máxima Mínima

Loma Valle Silla de montar

Cuando hay un punto silla la superficie sube o baja a partir
del punto estacionario dependiendo de la dirección en la
que nos movemos

Punto Silla
Paso 1 Ajustar un Modelo de Segundo Orden con niveles
codificados
k k
y  0   i x i   ii xi   ij xi x j  
2
i 0 i 1 i j

Paso 2 Verificar el tipo de Superficie de Respuesta

obtenida
 Análisis gráfico
 Análisis canónico

Paso 3 Obtener el Punto Estacionario

yˆ x1  yˆ x2  ...... yˆ xk  0

 yˆ  ˆ0  x'b  x'Bx
En donde:
 x1   ˆ11 ˆ12 2 ... ˆ1k 2 
x 
 
x   2  Es el vector de ˆ
22 ˆ
2k 2
  B
  los factores  
x k  
ˆ

sim kk 
 βˆ1 
  Es una matriz simétrica cuya
βˆ2  Es el vector de los
diagonal principal está
b  coeficientes de
  formada por los coeficientes
 βˆ  regresión de primer
 k de los términos cuadráticos
orden
puros
 La derivada de la función respecto al vector x
igualada a 0 es:

ŷ
 b  2Bx  0
x
de donde puede calcularse el punto estacionario:

1 -1
x0  - B b ¿Qué tipo de punto estacionario es?

2
La respuesta predicha para el punto estacionario estará dada por:

ˆ 1
ŷ0  o  xob ¿Es el óptimo que buscamos?
2
 Análisis canónico

Forma Canónica del Modelo

yˆ  yˆ 0  1w12  2 w22  .....  k wk2

ŷ0 Valor de la respuesta predicho por el modelo en el punto

estacionario
Transformaciones de las variables
wi Variables canónicas
codificadas

i Autovalores de la matriz B
 w2
x2 w1
Cordillera de la
Superficie

Punto estacionario
x1

Origen del Diseño

Entorno Experimental

Ecuación canónica: rotación y traslación de los ejes

coordenados
 Caracterización de la Superficie

Formas clásicas
Punto Estacionario DENTRO del Entorno Experimental

i
Positivo para todas las i: Punto MÍNIMO VALLE

Negativo para toda i: Punto MÁXIMO LOMA

Ambos signos: Punto SILLA DE MONTAR

 Caracterización de la Superficie

Otras formas
Punto Estacionario FUERA del Entorno Experimental

i
Positivo para todas las i: CRESTA DESCENDENTE

Negativo para toda i: CRESTA ASCENDENTE

Ambos signos: CORDILERA ESTACIONARIA

ert® Software LOMA ASCENDENTE
Design-Expert® Software
R1
R1 0.00
55.1

20.6
56
X1 = A: A
X2 = B: B
-0.38
42

28
48.6
R1

B: B
-0.75
14

0
42
-1.13

0.00 2.00
28.8 35.4
-0.38 1.38 28.8
22.2
-0.75 0.75
-1.50
-1.13 0.13
B: B A: A -0.50 0.13 0.75 1.38 2.00
-1.50 -0.50

¿Qué hacemos en este caso? A: A

Seguimos experimentando en el sentido del óptimo, siempre que lo

permitan las condiciones de operación del sistema.
Proponemos un óptimo alternativo, en donde la respuesta es favorable
y las condiciones de operación son posibles
Software
CORDILLERA ESTACIONARIA
Design-Expert® Software
R1
R1 1.50
10 2.42
3.94
3
5.45
10 X1 = A: A
X2 = B: B
6.97
0.75
8.48
7.5

B: B
R1

0.00

2.5

0 8.48
-0.75
6.97

1.50 1.00 5.45

0.75 0.50 3.94
0.00 0.00 2.42
-1.50
-0.75 -0.50
B: B A: A -1.00 -0.50 0.00 0.50 1.00
-1.50 -1.00

¿Qué hacemos en este caso? A: A

Podemos seleccionar el mejor punto desde el punto de vista operacional

que de una respuesta satisfactoria.
En este caso habrá muchas soluciones posibles al problema y podemos
decidir sobre la conveniencia del nivel de los factores
 LOCALIZACIÓN DEL ÓPTIMO- ANÁLISIS de CORDILLERA

¿Qué hacemos cuando el punto estacionario no es el óptimo buscado?

Objetivo: MAXIMIZAR
la Respuesta

Punto Estacionario

En este caso deberemos encontrar el mejor punto posible dentro del

Entorno Experimental. Este punto se ubica en la cordillera de mayor
crecimiento de la superficie y se encuentra por el método conocido como
“análisis de cordilleras”
 Construir esferas (o círculos) concéntricas al centro del diseño

Objetivo: MAXIMIZAR
la Respuesta

Centro del Diseño

Punto Óptimo
en el Entorno
Experimental

Los softwares de optimización

emplean ecuaciones matemáticas Cordillera del sistema
para resolver este tipo de situaciones Puntos
alternativos
 Error de predicción
Para estar seguros de haber encontrado un óptimo confiable para
nuestro sistema debemos tener en cuenta el error en la predicción

El error de predicción de la respuesta es función del

modelo postulado, el diseño y ubicación del punto
Está dado por el producto del Leverage en ese punto de la superficie
por el Error Experimental

Vyˆ  L x Vexp
De una manera similar a cuando se obtiene la varianza en la
predicción en una curva de calibrado univariado

El Intervalo de Confianza para la respuesta predicha puede

calcularse a partir de su desviación estándar

IC yˆ   t(0.05) x S yˆ
 Error de predicción
Leverage: función del diseño y del modelo ajustado
ert® Software Leverage vs. Run Design-Expert® Software Leverage vs. Run
R1
1.00
1.00
by value of
Color points by value of
R1:
795.8
0.75 1 0.75
puntos axiales
Leverage

Leverage
0.50 0.50

0.25 0.25

puntos centrales
0.00
Design-Expert® Software

StdErr of Design
DCC 0.00

1 3 5 7 9 11 13 15 17
1 3 5 7 9 11 13 15 17
1.5

Modelo Lineal
Run Number
0.5

X1 = A: A
1.000 Modelo Cuadrático
R un N um ber

X2 = B: B
0.750
StdErr of Design

Actual Factor
C: C = 0.00
0.500

0.250

0.000

1.00
1.00
0.50 0.50

0.00 0.00
-0.50 -0.50
B: B A: A
-1.00 -1.00
 Diseños
De mezclas
 En los casos estudiados hasta
ahora (deseños experimentales
para variables independientes),
cada variable podía tomar
cualquier valor dentro de su
rango, independientemente del
valor tomado or las otras
variables.
Euna mezcla tenemos la restricción
de que la suma de todos los
componentes sea 1 (o 100%). Es
decir no pueden ser variados
independientemente, ya que al
hacerlo se puede pasar el porcentaje
de 100. 1
S=1 S=2

S=1
0 S=0 S=1
0 1
Como consecuancia, no es
posible aplicar a los
problemas de mezclas los
diseños vistos.
¿Cuando es necesario realizar diseños de mezclas?

 Composición de azúcares (u otro nutriente) de un

medio de cultivo que exige que se cumpla cierto
valor de osmolaridad.
 Mezcla de solventes en un proceso extractivo
(diferentes polaridades para diferentes compuestos
a extraer).
 Composición de fases en cromatografía.
 Diferentes ligandos de un comprimido
farmacéutico.
 Constituyentes de un alimento.
 Otros.
 Cuando los factores analizados son componentes
de una mezcla, sus niveles no son
independientes entres si.

 El espacio experimental es una figura que tiene

tantos vértices como componentes, en un espacio
cuya dimensionalidad es igual al número de
componentes menos uno.

 La respuesta es una función de las proporciones

de los componentes.
 X1+x2 = 1
• Dos componentes (2)
• Espacio experimental:
x2

segmento de recta (cada extremo

corresponde a 100 % un
componente)
•Dimensionalidad: 1
0
1

0 x1
1

• Tres componentes (3)

• Espacio experimental: triángulo
(cada vértice corresponde a un
componente puro)
• Dimensionalidad: 2
1

0.5
0.33

0
• Cuatro componentes (4)
• Espacio experimental:
pirámide (cada vértice
corresponde a un
componente)
•Dimensionalidad: 3
Modelo clásico para un sistema lineal de 2
componentes:

y = b0 + b1 x1 + b2 x2
=

y = X b + e = ypred + e

(XTX)-1XT y = (XTX)-1XTX b

b = (XTX)-1XT y b = [b0 ; b1 ; b2 ]
ypred = X (XTX)-1XT y  ypred = H y
(H es conocida como matriz “hat” por sombrero)

Xb = X(XTX)-1XT y

Pero XTX es singular en un diseño de

mezclas
ya que x1+ x2 = 1
y = b0 + b1 x1 + b2 x2 + e
Si (x1+ x2= 1), podemos hacer:

ypred = b0 (x1+ x2)+ b1 x1 + b2 x2 (la suma no se altera)

ypred = (b0 + b1) x1 + (b0 + b2) x2

ypred = b1* x1 + b2 * x2

Si x1 = 1, x2 = 0, entonces y = b1*
Si x2 = 1, x1 = 0, entonces y = b2*

Con sólo dos experimentos se pueden calcular fácilmente los

coeficientes del “modelo lineal para dos componentes”
Reemplazando x12 = x1 (1- x2 ) y x22 = x2 (1- x1 ), se llega a :

ypred = b1* x1 + b2 * x2 + b12* x1 x2

Modelo cuadrático para dos componentes

De manera similar se puede llegar a:

ypred = b1* x1 + b2 * x2 + b3 * x3 + b12* x1 x2 + b13* x1 x3 +

+ b23* x2 x3
Modelo cuadrático para tres componentes

ypred = b1* x1 + b2* x2 + b3* x3 + b12* x1 x2 + b13* x1 x3 +

+ b23* x2 x3 + + b123* x1 x2 x3
Modelo cúbico especial para tres componentes
Modelo cuadrático cásico:

Yi = o + 1 X1 + 2 X2 + 12 X1 X2 + 11 X12 + 22 X22 + i

Modelo de Scheffé:
q q
y   i xi   ij xi x j    ijk xi x j xk
i 1 i  j k

Henry Scheffé (1907-1977)

  Diseños utilizados

Simplex Lattice
Simplex Centroid

D-Optimal
 Ejemplo 1
Formulación del un comprimido
en que se busca la mejor mezcla de los tres
ligandos (90.8% del total):
alfa-lactosa monohidratada
(X1), beta-lactosa anhidra (X2) y almidón de arroz
modificado (X3).

Respuestas: fuerza que hay que hacer para romper la

tableta (Y1), y la velocidad de disolución (Y2).
(R. Leardi / Analytica Chimica Acta 652 (2009) 161–172)
 Modelo obtenido para la primer respuesta:

• Los coeficientes de los términos lineales

corresponden a la respuesta obtenida
con el componente puro.
 • Los coeficientes de las interacciones dobles
indican el efecto sinérgico. En el ejemplo, si no
hubiera interacción, el valor debería ser el promedio de los
coeficientes para X1 y X2, es decir 72 [(31+113)/2]. Pero
es 120/4 (así se calcula el efecto en las interacciones
dobles, dividiendo por cuatro), es decir 30, o sea 42
unidades menos.b

• Los coeficientes de las interacciones triples se

calculan dividiendo por 27
 Y1 = 31
(X1 = 100%)

Y1 = 39 (X2 = 0)
Y1 = 42 (X3 = 0)

Y1 = 38
Y1 = 113 (X3 = 100%)
(X2 = 100%) Y1 = 70 (X1 = 0)

• En la figura puede verse que X2 tiene el mayor efecto sobre Y1 y

éste es positivo.
• X1 tiene menor efecto, pero negativo (pasa de 70 a 31).
• X3 es el componente con menor efecto (pasa de 42 a 38).
• Observar que estos efectos no se corresponden con los
valores de los coeficientes!
Modelo obtenido para la segunda respuesta:

Mayor
respuesta para
la combinación
de ambos
factores
 Ejemplo 2
Formulación de un comprimido
en el cual hay 20% de droga y el resto
corresponde a una mezcla de 3
excipientes:

1- Lactosa
2- Avicel PH 101 (una celulosa microcristalina)
3- Hidroximetilpropilcelulosa (HMPC)

Comprehensive Chemometrics.Vol 1, página 431

Se mide una propiedad:

Fuerza de rotura (kg) <1.30

Se quiere ajustar un modelo
cúbico especial
Ajuste de la primer respuesta Fuerza de rotura
La „interacción‟ BC se debe mantener para que el
modelo sea jerárquico
 Gráfica de trazas: “Trace”

 Es una especie de silueta de la superficie

de respuesta.

 Representa el efecto de cambiar cada

componente en una línea imaginaria a
partir de una mezcla referencia (el
centroide)
 Gráfica de trazas para el ejemplo 1
(Leardi)

Es un análisis similar al realizado anteriormente

Uso de restricciones

Ejemplo: es necesario
que los tres
componentes estén
siempre
 A veces es necesario que nunca estén
en forma pura

¨Pseudocomponentes”
 Pseudocomponentes
Ejemplo: Formulación de un
detergente midiendo dos
respuestas: viscosidad y turbidez

Restricciones:
• 3% ≤ A (agua) ≤ 8%
•2% ≤ B (alcohol) ≤ 4%
•2% ≤ C (urea) ≤ 4%
A+B+C=9%

Tutorial DExpert
Pseudocomponentes: diseño generado
Pseudocomponentes
Propiedades del diseño
Pseudocomponentes
Los vértices ya no son puros
 Ejemplo usando efluentes industriales
para un medio de cultivo

Efluente de la
industria lechera

Efluente de la
Efluente de la
industria
industria
azucarera
cervecera

Optimization of the Bacillus thuringiensis var. kurstaki HD-1 d-endotoxins production by using experimental mixture design
and artificial neural networks. GA Moreira, GA Micheloud, AJ Beccaria, HC Goicoechea, Biochem. Eng. J., 2007, 35, 48-55.
Modelos mixtos: mezcla-proceso
Mezcla-Mezcla (mezclas cruzadas)
 Modelo mixto

Lineal x Lineal

Cuadrático x Cuadrático
 Modelo lineal mixto de mezclas cruzadas
para tres componentes
y = f (x) x g (z)

y = (f1 x1 + f2 x2 + f3 x3) x (g1 z1 + g2 z2 + g3 z3)

y = (f1 x1 + f2 x2 + f3 x3) x g1 z1 + (f1 x1 + f2 x2 + f3 x3) x g2 z2 + (f1 x1

+ f2 x2 + f3 x3) x g3 z3

y = f1 x1 g1 z1 + f2 x2 g1 z1 + f3 x3 g1 z1 + f1 x1 g2 z2 + f2 x2 g2 z2 + f3
x3 g3 z3 + f1 x1 g3 z3 + f2 x2 g3 z3 + f3 x3 g3 z3

y  b x z b x z b x z b x z b x z b x z 
1
1 1 1
1
2 2 1
1
3 3 1
2
1 1 2
2
2 2 2
2
3 3 2

b x z b x z b x z 
3
1 1 3
3
2 2 3
3
3 3 3
 Ejemplo de uso en CE: optimización en la
separación de picos combinando dos variables de
proceso (pH y voltaje) y tres de mezclas (3
diferentes sales para los buffers)
Determinación de fluoroquinolonas por CE-DAD en
aguas

Se evaluó la separación de los 4 quinolonas fluoradas bajo diferentes soluciones

reguladoras compuestas por 3 naturalezas distintas de iones: fosfato, borato y
citrato, todas de sodio.

Enoxacina: ENO
Ciprofloxacina: CPF
Ofloxacina: OFN
Enrofloxacina: ENF

M.R. Alcaráz, L. vera-Candioti, MJ Culzoni, H.C. Goicoechea. Anal.

Bioanal. Chem. 406 (2014) 2571-2580.
Tipo de datos: CE-DAD

4
2
Se tiene como objetivo reducir tiempo de
análisis, pero asegurándose que no se toquen los
picos 2 y 4
Modelo mixto
Modelo mixto
Valor óptimo
(target): 2
Modelo mixto
Modelo mixto
Modelo mixto
Modelo mixto
 Modelo mixto
Optimización de un medio de cultivo para la
producción de una proteína recombinante

C. Didier, M. Etcheverrigaray, R. Kratjie, H.C. Goicoechea, Chemom. Intell. Laborat. Syst. 86 (2007) 1
 Modelo mixto
N sources C sources

Constrains
 Modelo mixto
Optimización por
sectores
 Modelo mixto
Response Modelo F p Adj. R2 p-LOF
IVC QxQ 6.46 < 0.0001 0.722 0.307
qprot QxQ 8.39 < 0.0001 0.781 0.013
BA QxQ 11.04 < 0.0001 0.832 0.052
qlact QxQ 5.46 < 0.0001 0.679 0.233
qamo QxQ 2.85 0.0055 0.500 0.005

Commercial product
of high price

Developed product of
low price
 Conclusiones
 La MSR es una técnica sumamente
versátil que permite la utilización de
diferentes diseños experimentales y
herramientas estadísticas para resolver
problemas de optimización de sistemas.

 Puede aplicarse a la optimización de

una única respuesta o a la optimización
simultanea de varias respuestas.
 Conclusiones

 El buen criterio del operador y el

correcto uso de la metodología son
fundamentales para arribar a conclusiones
correctas.

Una vez obtenidas las condiciones

óptimas de operación del sistema, según el
criterio establecido, las mismas deben
confirmarse experimentalmente.
167