a) Describa cual es el procedimiento para resolver el problema utilizando la MSR.

 
Para resolver el problema empleando la metodología de superficie de respuesta se deben determinar los
incluir en el estudio, así como sus características, tipo y rango. También, se debe tener claro cual es la v
interés, para su posterior análisis. Se utilizan métodos matemáticos y estadísticos para conocer los factor
respuesta, si se cuentan con un número muy grande de los mismos.
Es importante conocer si la región que se opera contiene el óptimo, y de no ser así se deben emplear mé
método de escalamiento ascendente, para fijar la región de estudio.
Se procede a plantear un polinomio de bajo orden, esta para que aproxime con un mínimo de error a la f
de la región de interés, a través de un análisis de regresión, se encuentran los coeficientes del modelo pl
requerimientos del investigador se selecciona el diseño de tratamiento adecuado y se continua con la apl
matemáticos que nos proporcionen la mejor respuesta.

b) Diga que fase de la MSR se aplica para darle respuesta al investigador con la información que sumi

Dado que el investigador nos proporciona los factores más influyentes en el proceso de cultivo de Kocuria
bioconversión de los desechos del procesamiento del camarón, los cuales presenta como el pH, la conce
temperatura en cultivo sumergido; además proporciona la información correspondiente a la región de e

-pH entre 6,15 y 8,85

-concentración de sustrato entre 22,7 g/l y 117,3 g/L
-temperatura de cultivo sumergido entre 30 °C y 50 °C

También de los datos que suministra se puede observar que trabajo con la adicción de 3 puntos centrales
fase dos de la metodología de superficie de respuesta para darle respuesta al investigador.

c) Indicar el diseño que se utiliza y los modelos planteados con sus respectivos supuestos (obtener el
codificación).

Se emplea un diseño central compuesto ortogonal, el valor de  se obtiene de la tabla de valores, en este
puntos central, según los datos suministrados por el investigador, por lo tanto por tabla se obtiene un =
aplicar la formula donde:
^2=( 〖 (2^k) 〗 ^(1⁄2) 〖 (� 〗 ^(1⁄2)− 〖 (2^k) 〗 ^(1⁄2))/2
�= 2^k+2(�)+�_0
�: ���������� � ��� ��������,
�_0:���������� �� ������ �� ������ ���������,
En este caso:
�=3
�_0=3
 
�= 2^3+2(3)+3
�= 17
 
^2=( 〖 (2^3) 〗 ^(1⁄2) 〖 (17 〗 ^(1⁄2)− 〖 (2^3) 〗 ^(1⁄2))/2
^2=1,83095
= 1,3531

Modelo polinomial de segundo orden

�= 17
 
^2=( 〖 (2^3) 〗 ^(1⁄2) 〖 (17 〗 ^(1⁄2)− 〖 (2^3) 〗 ^(1⁄2))/2
^2=1,83095
= 1,3531

Modelo polinomial de segundo orden

�=  _�+  _� _�_� +�  _� _�
_� +�  _� _�
_� +  _�� 〖 (�_� ) 〗 ^�+
 _�� 〖 (�_� ) 〗 ^�+  _�� _�
_� �_�
_�+  _�� _�
_�
�_ �
+ _�� _�_�
++�_�
_�++�
Donde:
Y: medición de la biomasa
_0: término independiente
_1 , _2 ,_3: coeficientes de los términos lineales
_11 , _22 ,_33: coeficientes de los términos cuadráticos
_12 , _13 ,_23: coeficientes de los términos de interacción
�:error experimental
�_1: pH
�_2: concentración
�_3: temperatura

Modelo estadístico para los tratamientos

�_=+_ __+ _ i= 1, … ,15

Donde:
�_�: medición de la biomasa en el i-ésimo tratamiento
�: media global
�_�: efecto del i- ésimo tratamiento en la biomasa
�_�: error experimenta en el i- ésimo tratamiento
 
Supuestos

Linealidad y aditividad
Homogeneidad de la varianza
� DNI (0, ^2)
�_� DNI (�+ �_�, ^2)
do la MSR.

uesta se deben determinar los factores más influyentes a

se debe tener claro cual es la variable de respuesta de
dísticos para conocer los factores más influyentes en la

o ser así se deben emplear métodos matemáticos, como el

e con un mínimo de error a la función de respuesta dentro

n los coeficientes del modelo planteado. Según los
ecuado y se continua con la aplicación de métodos

r con la información que suministra.

el proceso de cultivo de Kocuria rosea durante la

presenta como el pH, la concentración de sustrato y la
orrespondiente a la región de estudio la cuales son:

adicción de 3 puntos centrales. Es por ello que se aplica la

a al investigador.

ectivos supuestos (obtener el valor del  a través de la

e de la tabla de valores, en este caso son 3 factores con 3

nto por tabla se obtiene un = 1,35. También, se puede

1
1

 _�� 〖 (�_� ) 〗 ^�+  _�� 〖 (�_� ) 〗 ^�+

 _�� _�
_�
Ejercicio
El investigador se ha planteado como objetivo optimizar las condiciones experimentale
bioconversión de los desechos del procesamiento del camarón. Para el logro del objetiv
en la respuesta: el pH, la concentración de sustrato (residuos de los desechos de los ca
sumergido; y como variables respuesta: biomasa, caroteno y proteína. Los datos obten
continuación:

Relación entre los niveles codificados y reales de los factores

-1.35 -1 0
X1 (pH) 6.15 6.5 7.5
X2 (CDC) g/l 22.7 35 70
X3 (T) °C 30 32.6 40

Datos del problema

Valores reales Valores codificados
Tratamientos X1 (pH) X2 (CDC) g/l X3 (T) °C X1 (pH)
1 6.5 35 32.6 -1
2 6.5 105 32.6 -1
3 8.5 35 32.6 1
4 8.5 105 32.6 1
5 6.5 35 47.4 -1
6 6.5 105 47.4 -1
7 8.5 35 47.4 1
8 8.5 105 47.4 1
9 6.15 70 40 -1.35
10 8.85 70 40 1.35
11 7.5 22.7 40 0
12 7.5 117.3 40 0
13 7.5 70 30 0
14 7.5 70 50 0
15 7.5 70 40 0
15 7.5 70 40 0
15 7.5 70 40 0

Modelo polinomial de segundo orden

�=  _�+  _� _�
_� +�  _� _�_� +�  _� _�
_� +�  _�� 〖 (�_� ) 〗 ^�+
〖 (�_� ) 〗 ^�+  _�� _�
_�
� �_�
_�+�  _�� _�
_�
� �_�
_�+�
_� + �
�

Hipótesis

Ho: _�=0 , _��=0 ∀ i,j= 1,2,3 ; i  j

Ha: _� 0 , _�� 0 algún i,j= 1,2,3 ; i  j
 Ho: _�=0 , _��=0 ∀ i,j= 1,2,3 ; i  j
Ha: _� 0 , _�� 0 algún i,j= 1,2,3 ; i  j

Regresión de superficie de respuesta: Biomasa vs. pH; CDC; T

Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F
Modelo 9 87.214 9.6904 2.61
  Lineal 3 74.232 24.7439 6.66
    pH 1 0.03 0.0303 0.01
    CDC 1 71.574 71.5738 19.25
    T 1 2.628 2.6275 0.71
  Cuadrado 3 8.583 2.8611 0.77
    pH*pH 1 0.261 0.261 0.07
    CDC*CDC 1 0.773 0.7731 0.21
    T*T 1 7.519 7.5194 2.02
  Interacción de 2 factores 3 4.399 1.4662 0.39
    pH*CDC 1 0.024 0.0242 0.01
    pH*T 1 0.14 0.1404 0.04
    CDC*T 1 4.234 4.2341 1.14
Error 7 26.025 3.7178
  Falta de ajuste 5 25.889 5.1778 76.44
  Error puro 2 0.135 0.0677
Total 16 113.238

Resumen del modelo

R-cuad. R-cuad.
S R-cuad.
(ajustado) (pred)
1.92816 77.02% 47.47% 0.00%

Coeficientes codificados
EE del
Término Coef Valor T Valor p
coef.
Constante 13.86 0.999 13.87 0
pH -0.051 0.565 -0.09 0.931
CDC 2.479 0.565 4.39 0.003
T 0.475 0.565 0.84 0.428
pH*pH -0.198 0.747 -0.26 0.799
CDC*CDC -0.341 0.747 -0.46 0.662
T*T -1.062 0.747 -1.42 0.198
pH*CDC -0.055 0.682 -0.08 0.938
pH*T -0.132 0.682 -0.19 0.851
CDC*T -0.728 0.682 -1.07 0.321

Ecuación de regresión en unidades codifica

Y=13,86-0,051 pH+2,479 CDC+0,475 T-0,198 pH*pH-0,341 CDC*CDC-1,062 T*T-0,055 pH*C

Gráfica de la Superificie

Gráficas de superficie de Biomasa

Valores fijos
pH 0
CDC 0
T 0
14
16
13
Biomas a 14 Biomas a
12 12
2 2
10 11
0 CD C 0 T
-2
-2 -2
0 -2 0 -2
pH 2 pH 2

15
Biomas a
10
2

5 0 T
-2
-2
0 -2
CD C 2

Encontrar las condiciones optimas

Modelo matricial
Y=Bo+b'X+X'BX trasp(b)=b'= -0.051
b0= 13.86 trasp(X)=X'= pH

B= -0.198 -0.0275 -0.066

-0.0275 -0.341 -0.364
-0.066 -0.364 -1.062

inv (B)= -5.160271812 0.116419917 0.2807919867

0.116419917 -4.627135555 1.5787133968
0.2807919867 1.5787133968 -1.5001732086

Punto critico
Xo=-inv(B)*b/2

Xo= 0.04471225 Xo'= 0.044712

0.50841825 Yo= 14.57481
0.70172
 Autovalores de la matriz Hessiana

B= -0.198 -0.0275 -0.066

-0.0275 -0.341 -0.364
-0.066 -0.364 -1.062

Valor de Y en el punto critico

Yo= 13.86 1.591405517 -0.8765994788
Yo= 14.574806038

Xo'B= -0.069148047 -0.43002629 -0.9332418915

as condiciones experimentales para el cultivo de Kocuria rosea durante la
marón. Para el logro del objetivo considero tomar como factores influyentes
uos de los desechos de los camarones) y la temperatura en cultivo
o y proteína. Los datos obtenidos para el estudio se establecen a

dos y reales de los factores

1 1.35
8.5 8.85
105 117.3
47.4 50

ema
Valores codificados
X2 (CDC) g/l X3 (T) °C Y (Biomasa)
-1 -1 8.73
1 -1 14.64
-1 -1 8.73
1 -1 15.17
-1 1 12.17
1 1 15.92
-1 1 12.39
1 1 15.17
0 0 12.39
0 0 11.95
-1.35 0 8.21
1.35 0 15.61
0 -1.35 11.65
0 1.35 9.54
0 0 14.89
0 0 15.17
0 0 14.65

 _�� 〖 (�_� ) 〗 ^�+  _�� 〖 (�_� ) 〗 ^�+  _��

 _�� _�
_� �_�
_�+  _�� _�_�
� +�
_�+
 sa vs. pH; CDC; T

Valor p
0.11
0.019
0.931
0.003
0.428
0.547
0.799
0.662
0.198
0.761
0.938
0.851
0.321

0.013

FIV

1
1
1
1
1
1
1
1
1

esión en unidades codificadas

CDC*CDC-1,062 T*T-0,055 pH*CDC-0,132 pH*T-0,728 CDC*T

sa
Valores fijos
pH 0
CDC 0
T 0

0 T
2

diciones optimas

matricial
2.479 0.475 b= -0.051
CDC T 2.479
0.475

X= pH
CDC
T

critico

0.50841825 0.70172
a matriz Hessiana
Estadísticas descriptiva
Variable Media Desv.Est. Varianza CoefVar Q1
Y (Biomasa) 12.764 2.66 7.077 20.84 10.595

Prueba de normalidad
Hipótesis
Ho: Los datos se distribuyen normalmente.
Ha: Los datos no se distribuyen normalmente.

Gráfica de probabilidad de Y (Biomasa)

Normal
99
Media 12,76
Desv.Est. 2,660
95 N 17
AD 0,819
90
Valor p 0,027
80
70
Porcentaje

60
50
40
30
20

10
5

1
5,0 7,5 10,0 12,5 15,0 17,5 20,0
Y (Biomasa)

Análisis de los tratamientos

ANOVA de un solo factor: Y (Biomasa) vs. Tratamientos

Método
Hipótesis nula Todas las medias son iguales
Hipótesis alterna No todas las medias son iguales
Nivel de significancia α = 0,05
Se presupuso igualdad de varianzas para el análisis.

Información del factor

Factor Niveles Valores
Tratamientos 15 1; 2; 3; 4; 5; 6; 7; 8; 9; 10; 11; 12; 13; 14; 15
 Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p
Tratamientos 14 113.103 8.07878 119.27 0.008
Error 2 0.135 0.06773
Total 16 113.238

Resumen del modelo Se puede decir con un 95% de

R-cuad. R-cuad.
confiabilidad que las
combinaciones de los factores
S R-cuad. (ajustado) (pred) influyen en la biomasa. Además,
0.260256 99.88% 99.04% * podemos decir por los valores del
R- cuad. ajustado que es ajusta
un buen modelo.

Gráfica de efectos principales

Gráfica de efectos principales para Biomasa

Medias ajustadas
pH CDC T
17

16

15
Media de Biomasa

14

13

12

11

10

9
-2 0 2 -2 0 2 -2 0 2

Gráfica de interacción

Gráfica de interacción para Biomasa

Medias ajustadas
pH * CDC CDC
16 -1,35
0
14 1,35

12
Media de Biomasa

10

pH * T CDC * T T
16 -1,35
0
14 1,35

12

10
 Media de Biomas
10

pH * T CDC * T T
16 -1,35
0
14 1,35

12

10

-2 -1 0 1 2 -2 -1 0 1 2
pH CDC

Valores reales del punto critico

para el pH
0.045
-1.35 -1 0 1 1.35
d

6.15 6.5 7.5 8.5 8.85

td
Regle de tres
td=(d*1,35)/1,35
1.35 1.35 td= 0.045
d td tr= 7.545

Para la concentracion de sustrato de camaron

0.508
-1.35 -1 0 1 1.35

22.7 35 70 105 117.3

Regle de tres
td=(d*47,3)/1,35
1.35 47.3 td= 17.79881481
d td tr= 87.79881481

Para la temperatura(T)
0.702
-1.35 -1 0 1 1.35

30 32.6 40 47.4 50

Regle de tres
 td=(d*10)/1,35
1.35 10 td= 5.2
d td tr= 45.2
 Mediana Q3 Asimetría Curtosis
12.39 15.17 -0.53 -1.15

Media 12,76
Desv.Est. 2,660
N 17
AD 0,819
Valor p 0,027
 decir con un 95% de
dad que las
ciones de los factores
en la biomasa. Además,
decir por los valores del
ajustado que es ajusta
modelo.
TratamientospH CDC Temperatura Biomasa

1 6.5 35 32.6 8.73 Regresión de superficie

2 6.5 105 32.6 14.64 Análisis de Varianza
3 8.5 35 32.6 8.73 Fuente
4 8.5 105 32.6 15.17 Modelo
5 6.5 35 47.4 12.17   Lineal
6 6.5 105 47.4 15.92     pH
7 8.5 35 47.4 12.39     CDC
8 8.5 105 47.4 15.17     Temperatura
9 6.15 70 40 12.39   Cuadrado
10 8.85 70 40 11.95     pH*pH
11 7.5 22.7 40 8.21     CDC*CDC
12 7.5 117.3 40 15.61     Temperatura*Temperatura
13 7.5 70 30 11.65   Interacción de 2 factores
14 7.5 70 50 9.54     pH*CDC
15 7.5 70 40 14.89     pH*Temperatura
15 7.5 70 40 15.17     CDC*Temperatura
15 7.5 70 40 14.65 Error
  Falta de ajuste
  Error puro
Total
Resumen del modelo

S
1.92712
Coeficientes codificados

Término
Constante
pH
CDC
Temperatura
pH*pH
CDC*CDC
Temperatura*T
pH*CDC
pH*Temperatur
CDC*Temperat
Ecuación de regresión en
Biomasa
Biomasa
egresión de superficie de respuesta: Biomasa vs. pH; ... ; Temperatura
Análisis de Varianza
GL SC Ajust. MC Ajust. Valor F Valor p
9 87.242 9.6935 2.61 0.11
3 74.232 24.7441 6.66 0.018
1 0.03 0.0303 0.01 0.931
1 71.579 71.5788 19.27 0.003
1 2.623 2.6232 0.71 0.428
3 8.611 2.8703 0.77 0.545
1 0.264 0.2638 0.07 0.798
1 0.784 0.7837 0.21 0.66
1 7.544 7.5438 2.03 0.197
3 4.399 1.4662 0.39 0.761
1 0.024 0.0242 0.01 0.938
1 0.14 0.1404 0.04 0.851
1 4.234 4.2341 1.14 0.321
7 25.996 3.7138
5 25.861 5.1722 76.36 0.013
2 0.135 0.0677
16 113.238
Resumen del modelo
R-cuad. R-cuad.
R-cuad. (ajustado) (pred)
77.04% 47.53% 0.00%
Coeficientes codificados
EE del
Coef coef. Valor T Valor p FIV
13.863 0.999 13.88 0
-0.069 0.762 -0.09 0.931 1
3.349 0.763 4.39 0.003 1
0.641 0.763 0.84 0.428 1
-0.36 1.36 -0.27 0.798 1
-0.63 1.36 -0.46 0.66 1
-1.94 1.36 -1.43 0.197 1
-0.1 1.24 -0.08 0.938 1
-0.24 1.24 -0.19 0.851 1
-1.33 1.24 -1.07 0.321 1
Ecuación de regresión en unidades no codificadas
= -50,9 + 3,8 pH + 0,234 CDC + 1,95 Temperatura - 0,199 pH*pH - 0,000280 CDC*CDC
=
- 0,0194 Temperatura*Temperatura - 0,0016 pH*CDC - 0,0179 pH*Temperatura
- 0,00281 CDC*Temperatura
 Gráfica de interacción para Biomasa
Medias ajustadas
pH * CDC

15,0

12,5

Media de Biomasa
10,0

7,5

5,0
pH * Temperatura CDC * Temperatura

15,0

12,5

10,0

7,5

5,0
6 7 8 9 30 60 90 120
pH CDC
ción para Biomasa
justadas
CDC
22,7
70
117,3

CDC * Temperatura Temperatura

30
40
50

30 60 90 120
CDC