“UNIVERSIDAD NACIONAL

AMAZONICA DE MADRE DE DIOS

METODOLOGIA DE SUPERFICIES DE RESPUESTA

ÍNDICE
INTRODUCCION............................................................................................................................. 2

I. OBJETIVO DEL ESTUDIO .................................................................................................... 3

1.1 OBJETIVOS GENERALES ............................................................................................ 3
1.2 OBJETIVOS ESPECIFICOS .......................................................................................... 3
II. MARCO TEORICO ............................................................................................................. 4
2.1 DEFINICION .................................................................................................................... 4
2.2 CARACTERISTICAS ...................................................................................................... 4
2.3 FINALIDAD ...................................................................................................................... 5
2.4 TERMINOLOGÍA ............................................................................................................ 5
2.5 VENTAJAS Y DESVENTAJAS DEL ANALISIS DE SUPERFICIES DE
RESPUESTAS. .............................................................................................................................. 8
2.6 ELEMENTOS DE LA MSR............................................................................................. 8
2.7 METODOLOGÍA DE SUPERFICIE DE RESPUESTA ............................................... 9
2.8 TÉCNICAS DE OPTIMIZACIÓN ................................................................................ 10
2.9 PRINCIPALES PROPIEDADES DE SUPERFICIE DE RESPUESTA} .................. 16
2.10 DISEÑOS DE SUPERFICIE DE RESPUESTA ........................................................... 17
III. APLICACIÓN A LA INGENIERÍA COMERCIAL ....................................................... 20
3.1 PLANTEAMIENTO ....................................................................................................... 20
3.2 DESARROLLO DEL CASO SOFTWARE STATGRAPHICS ................................. 20
CONCLUSIONES ........................................................................................................................... 29

1
 INTRODUCCION
La metodología de superficies de respuesta, es una colección de técnicas de diseño

experimental, métodos de regresión y optimización de procesos. La base está en encontrar

niveles óptimos de un factor sobre una respuesta. Se hacen pocos experimentos y se enfoca

la atención sobre los niveles donde la respuesta es óptima por lo que se considera una

experimentación secuencial. Su nacimiento se desarrolló alrededor de la ingeniería química,

por la necesidad de encontrar un modelo que correlacionaras diversos factores influyentes en

los procesos de reacción química.

2
 SUPERFICIES DE RESPUESTA

I. OBJETIVO DEL ESTUDIO

1.1 OBJETIVOS GENERALES
 Explicar el concepto de optimización y su relación con la superficie de
respuesta.
 Aplicar la metodología de superficie de respuesta y sus respectivos
diseños y modelos.
 Describir las técnicas de optimización y aplicarlas adecuadamente.

1.2 OBJETIVOS ESPECIFICOS

 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 Superficie 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
II. MARCO TEORICO
2.1 DEFINICION
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 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.
2.2 CARACTERISTICAS
La característica del sistema de superficie de respuesta (máximo, mínimo, o punto
silla):

4
  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.

2.3 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.

2.4 TERMINOLOGÍA.
A continuación se presenta la terminología que se utilizará:
Factores.
Son las condiciones del proceso que influencian la variable de respuesta.
Estos pueden ser cuantitativos o cualitativos.

5
 Respuesta.

Es una cantidad medible cuyo valor se ve afectado al cambiar los niveles de los
factores. El interés principal es optimizar dicho valor.
 Función de respuesta.
Al decir que un valor de respuesta Y depende de los niveles x1, x2, ... xk de
k factores, x1, x2,... xk, 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 + b1x1 + b2x 2
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
recolectan N‡3 valores de respuesta (Y), con los estimadores b0, b1 y b2 se
obtienen b0, b1 y b2 respectivamente. Al remplazar los coeficientes de
regresión por sus estimadores obtenemos:
Yˆ = b0 + b1x1 +b2x 2
donde Yˆ 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 como se muestra en la figura 2.1 (Cornell [12] (1990)),
mientras que si tenemos Y=f(x1, x2.) la superficie está en tres dimensiones,
esto se observa en la figura 2.2 (Cornell [12] (1990)).

6
 Superficie de respuesta en dos dimensiones

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. Cada curva representa
un valor específico de la altura de la superficie, es decir un valor específico
de Yˆ . Esto se muestra en la figura 2.3 (Cornell [12] 1990). Esta gráfica
nos ayuda a enfocar nuestra atención en los niveles de los factores a los
cuales ocurre un cambio en la altura de la superficie.
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.

7
 Superficie de respuesta tridimensional

2.5 VENTAJAS Y DESVENTAJAS DEL ANALISIS DE SUPERFICIES DE

RESPUESTAS.
2.5.1 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.
2.5.2 DESVENTAJAS:
 Tiene un nivel de complejidad elevado al de un diseño
experimental simple.

2.6 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.

8
  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, 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.

2.7 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 completo o
fraccionado 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

9
 caracterizar mejor la superficie y modelar la curvatura. Con el modelo
ajustado se determinan las condiciones óptimas de operación del proceso

2.8 TÉCNICAS DE OPTIMIZACIÓN

Una vez que se tiene el modelo debidamente ajustado y validado se procede a
explorar la superficie descrita por el modelo para encontrar la combinación de
niveles en los factores que dan por resultado un valor óptimo de la respuesta, o
bien, para determinar la dirección óptima de movimiento en la que se debe
experimentar en el futuro. Si el modelo no explica un mínimo de 70% del
comportamiento de la respuesta, en términos del R2aj, no se recomienda utilizarlo
para fines de optimización porque su calidad de predicción es mala. En adelante
supondremos niveles codificados para los factores (–1, +1), lo cual facilita las
interpretaciones y los cálculos. Por lo que siempre que se encuentren las
condiciones óptimas o la dirección de experimentación futura, primero se hará en
condiciones codificadas y después eso se debe traducir a condiciones o niveles
reales. Aunque el uso de un software puede evitar el uso de códigos.
La técnica de optimización a utilizar depende del tipo de modelo ajustado y
existen básicamente tres métodos, que son:
 Escalamiento ascendente (o descendente).
 Análisis canónico.
 Análisis de cordillera.
El escalamiento ascendente es para el modelo de primer orden y las otras dos
Técnicas son para el modelo de segundo orden. A continuación se describen cada
uno de estos métodos.
2.8.1 Escalamiento ascendente (descendente)
Cuando la variable de respuesta de interés es del tipo: mientras más grande
es mejor, se tiene un escalamiento ascendente; pero si lo que interesa es:
mientras más pequeña mejor, se trata de escalamiento descendente.
De aquí en adelante, diremos simplemente escalamiento ascendente, en
lugar de “escalamiento ascendente (descendente)”, puesto que el
escalamiento descendente se convierte en ascendente al cambiar los

10
 signos de los términos del modelo ajustado. Cuando la respuesta es del
tipo: el valor nominal es lo mejor, el problema es localizar la curva de
nivel específica que tenga la altura o valor requerido de la variable de
respuesta. En este caso, cada punto sobre la curva de nivel es una solución,
y de todos ellos se elige el de menor variabilidad y/o menor costo.
La técnica de optimización de escalamiento se aplica cuando, de acuerdo
con la valoración inicial, se cree que se está lejos de la condición óptima,
por lo que será necesario explorar una región de experimentación inicial
y a partir de ésta determinar una dirección en la cual experimentar fuera
de la región inicial.
Así, a partir del conocimiento que ya se tiene del problema es preciso
seleccionar los niveles de los factores para determinar la región de
exploración. A continuación se corre un diseño de primer orden
(típicamente un diseño 2k completo o fraccionado con puntos al centro)
para explorar la región experimental determinada antes. Se analizan con
detalle los resultados y se ajusta un modelo de primer orden con niveles
codificados. Si éste explica satisfactoriamente la variabilidad observada
es necesario continuar como se indica más adelante, de lo contrario,
investigar a qué se debe la falta de ajuste: ¿Mucha variabilidad?
¿Curvatura? ¿Región más complicada? y proceder en consecuencia. Con
el siguiente ejemplo vamos a ilustrar la metodología.
2.8.2 Análisis canónico
Se aplica un diseño de segundo orden cuando se quiere explorar con más
amplitud una región experimental y/o cuando se espera que el punto
óptimo ya esté cerca (probablemente dentro de la región experimental). El
análisis canónico es una de las técnicas para analizar el modelo de segundo
orden y consiste en los siguientes pasos:
1. A partir del conocimiento que ya se tiene del problema, seleccionar
los niveles de los factores para determinar la región de exploración.

11
 2. Correr un diseño de segundo orden (un diseño de composición
central, por ejemplo) para explorar la región experimental
determinada antes.
3. Ajustar un modelo de segundo orden con niveles codificados. Si
éste explica bien la variabilidad observada continuar al siguiente
paso; de lo contrario, investigar por qué la falta de ajuste (¿mucha
variabilidad?, ¿región más complicada?) y proceder en
consecuencia.
4. Encontrar las coordenadas del punto estacionario.
5. Expresar el modelo ajustado en su forma canónica. El análisis
canónico consiste en reescribir el modelo ajustado de segundo
orden en su forma canónica, es decir, se expresa en términos de
nuevas variables llamadas variables canónicas, las cuales son
transformaciones de las variables codificadas. La ventaja es que la
ecuación canónica proporciona información a simple vista sobre
el tipo de superficie que se está observando y sobre su forma.
6. Evidenciar la relación entre las variables canónicas y las variables
codificadas.
En la práctica, si se cuenta con un software adecuado no necesaria mente
se siguen los últimos tres pasos del análisis canónico. La mejor estrategia
será encontrar, primero los coeficientes de la ecuación canónica que
indican el tipo de superficie observa da y sólo si ésta es del tipo que
interesa (por ejemplo máximo), entonces se procede a localizar las
coordenadas del punto estacionario. Si la superficie encontrada no es del
tipo deseado se sigue el análisis de cordillera descrito en la siguiente
subsección. Sin embargo, primero veamos cómo determinar el punto
estacionario, dado que interviene en el término independiente de la
ecuación canónica.
Determinación del punto estacionario (candidato a óptimo). El punto
estacionario es el punto (x10, x20, …, xk0) en el espacio de factores, sobre
el cual el plano tangente a la superficie tiene pendiente igual a cero.

12
Por ejemplo, si la superficie tiene un máximo, el punto estacionario es
justo el punto donde se ubica ese máximo.
De aquí que el punto estacionario sea un candidato natural a punto óptimo,
que resulta “electo” sólo cuando es del tipo que interesa y se encuentra
dentro de la región experimental. Podría pasar que aunque se esté
buscando un máximo, el punto estacionario sea un mínimo o punto silla,
en cuyo caso evidentemente no se trataría del óptimo buscado.
Suponga que ya se realizaron los tres primeros pasos de un análisis
canónico, y que por lo tanto ya se tiene ajustado un modelo de segundo
orden:

Para el cual se quiere encontrar su punto estacionario (donde la derivada

es igual a cero). El punto se localiza derivando al modelo con respecto a
cada variable xi, igualando a cero y resolviendo en forma simultánea todas
las ecuaciones. Todo esto se facilita si el modelo se reescribe en notación
matricial como:

Donde x¢= (xl, x2,…, xk) es cualquier punto en la región de operabilidad

del proceso, en unidades codificadas; el vector b son los coeficientes de la
parte lineal (efectos principales) del modelo y la matriz B son los
coeficientes de las interacciones y de los términos cuadráticos puros. Esto
es:

13
 Derivando el modelo dado por (12.3) con respecto al vector X e igualando
a cero se obtiene:

Resolviendo para X se llega a que el punto estacionario está dado por:

donde B–l es la inversa de la matriz B.

2.8.3 Análisis de cordillera
Muchas veces, el punto estacionario no es del tipo que se requiere, y en
esos casos la opción es encontrar el “mejor punto posible” dentro de la
región experimental. Este punto se ubica sobre la cordillera óptima a partir
del centro del diseño, y es aquel que predice la mejor respuesta sobre la
región. Esta búsqueda se hace precisamente con el llamado análisis de
cordillera, que consiste en calcular el máximo o mínimo de la superficie
de respuesta sobre esferas concéntricas al centro del diseño, empezando
por una esfera de radio casi cero y posteriormente se abre la exploración
incrementando el radio de la siguiente esfera. Así se continúa hasta llegar
a la primera esfera que cubre los puntos experimentales. El mejor punto
posible es aquel sobre el que se predice el óptimo desempeño de la
variable de respuesta. Con frecuencia, este punto se ubica en la esfera de
radio más grande. En el caso de k= 2 factores, no son esferas sino
circunferencias como en las de la figura 12.12. Note que en esta figura se
van alcanzando mejores puntos y se va escalando la superficie. Asimismo,
en cada paso se corrige el rumbo debido a la curvatura de la superficie.
Ahora, brevemente veamos en forma matemática el análisis de cordillera.
Consideremos el modelo ajustado de segundo orden escrito en su forma
matricial

14
Donde b y B se construyen como en (12.4). Sea la esfera centrada en el
origen con radio Ri, cuyos puntos sobre ella cumplen la restricción:

El problema del análisis de cordillera es encontrar el punto sobre la esfera,

donde la respuesta predicha por el modelo es máxima (o mínima). Para
ello se plantea la función objetivo dada por

Donde L es multiplicador de Lagrange. Derivando esta última relación

con respecto al vector x e igualando a cero, se obtiene

y de aquí se llega al sistema de ecuaciones

El punto (x1, x2,..., xk) óptimo sobre una esfera particular se encuentra al
sustituir un valor para l, que no sea un valor propio de la matriz Ben esta
última relación, y se resuelve el sistema de ecuaciones resultante.
En general es mejor recurrir a un software para hacer el análisis de
cordillera.

15
2.9 PRINCIPALES PROPIEDADES DE SUPERFICIE DE RESPUESTA}
2.9.1 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 fácil verificar que en un diseño factorial completo 2klas 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.
2.9.2 Rotabilidad:
Un diseño se llama rotable si la varianza de Yˆ(x) sólo depende de la
distancia del punto xal 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.

16
2.10 DISEÑOS DE SUPERFICIE DE RESPUESTA
2.10.1 Diseños de primer orden
Suponga que se desea utilizar el modelo de primer orden dado por la
ecuación (12.3) para estudiar el comportamiento de cierta característica de
calidad, que se supone depende de k factores de proceso. En principio, al
proponer un diseño de primer orden se supone que sólo son importantes los
efectos principales. Estrictamente hablando, para estimar los k + 1
parámetros del modelo de primer orden se requiere un mínimo de k + 1
puntos experimentales.
Un criterio de selección del diseño de primer orden es que la varianza de
la respuesta predicha (var[Yˆ(x)]) en el punto x¢= (x1,x2,...,xk) sea
mínima. Este criterio es importante porque cuando se busca determinar la
dirección óptima de movimiento a partir de los predichos por el modelo,
éstos tienen mayor precisión, lo cual se traduce en mayor certeza de la
dirección seleccionada. Los diseños que satisfacen este criterio son los que
tienen la propiedad de ortogonalidad. Entre los más utilizados están los
siguientes:
Diseños factoriales 2k
Diseños factoriales fraccionados 2k – p
Diseño de Plackett-Burman
Diseño simplex
Todos estos diseños, excepto el diseño simplex, emplean dos niveles en
cada factor, lo cual tiene que ver con el hecho de que sólo interesa detectar
el efecto principal de cada factor. Sin embargo, una vez superada la etapa
de cribado es importante aumentar estos arreglos con repeticiones al
centro a fin de detectar la presencia de curvatura o falta de ajuste del
modelo; las repeticiones al centro también proporcionan más grados de
libertad para el error aleatorio. Lo diseños 1 a 3 se explicaron en los
capítulos previos.
El diseño simplex para k factores se representa por medio de una figura
de forma regular dibujada en un espacio de dimensión k – 1, y se

17
 caracteriza por el hecho de que el ángulo q formado por cualquier par de
vértices con el origen, es tal que cos(q) = –1/k. Así, para k = 2 factores,
los tratamientos del diseño simplex corresponden a los vértices de un
triángulo equilátero (véase figura 12.15); para k = 3 son los vértices de un
tetraedro (figura 12.15). Las matrices de diseño en unidades codificadas
para estos dos casos también se muestran en la figura. Observe que
algunos factores se prueban en dos niveles y otros en tres.
En el capítulo 15 se emplea una variante especial de diseños simples para
estudiar experimentos con mezclas.
2.10.2 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:

Tiene p = (k + 1)(k + 2)/2 términos, por lo tanto se requiere al menos esa

cantidad de puntos de diseño. El diseño debe tener al menos tres niveles
en cada factor para estimar la curvatura de la superficie en la dirección de
cada factor. Es deseable que estos diseños sean ortogonales, pero a veces
no es fácil que cumplan esta propiedad y se admite alguna dependencia
entre las columnas de los contrastes. Los más utilizados tienen la
propiedad de ser rotables.
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.

18
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 (véase ejemplos 12.3 y 12.4),
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.

19
III. APLICACIÓN A LA INGENIERÍA COMERCIAL
3.1 PLANTEAMIENTO
La panadería el BUEN SABOR realiza un experimento desarrollado para
optimizar la resistencia de una envoltura de pan. El diseño implica los siguientes
factores experimentales y el rango de valores sobre los cuales serán variados.

Factores Bajo Alto Unidades

Temperatura de Lacre 225 285 °F
Temperatura de Conversión 46 64 °F
Polietileno 0.5 1.71 %

3.2 DESARROLLO DEL CASO SOFTWARE STATGRAPHICS

 PASO N° 01: Para el desarrollo del caso usaremos el software
STATGRAPHICS.

 PASO N° 02: Para este modelo no se ingresan los datos al inicio del
ejercicio, se siguen los siguientes pasos; DDE > Crear Diseño > Diseño
Nuevo.

20
 PASO N° 03: Nos aparece la siguiente ventana en la cual seleccionamos
la opción “Superficie de Respuesta”. Y damos click en “Aceptar”.

 PASO N° 04: Nos aparecerá la siguiente ventana en la cual tendremos que

llenar con los datos correspondientes (*) seleccionando “A, B, C”
respectivamente. Y damos click en “Aceptar”.

21
 PASO N° 05: Después de llenar los datos correspondientes nos aparece la
siguiente ventana en la cual colocamos el sistema de medida de la
resistencia de las bolsas. Y damos click en “Aceptar”.

 PASO N° 06: En la siguiente ventana en la cual tendremos que elegir el

método de “Diseño de compuesto central”. Y aceptamos.

22
 PASO N° 07: A continuación nos aparece una ventana en la cual en el
punto central colamos la cantidad de datos. Y escogemos la Ubicación de
“Al Final”.

 PASO N° 08: Luego de haber llenado correctamente el Diseño el

programa STATGRAPICHS nos arroja la siguiente tabla de datos. Y sus
especificaciones.

23
 PASO N° 09: Ahora para poder obtener los graficos es necesario llenar
manualmente. Los siguientes datos que nos proporcionó el
STATGRAPHICS:

24
 Resultados Estimados para Fuerza

Observados Ajustados Inferior 95.0% Superior 95.0%

Fila Valores Valores para Media para Media
1 6.6 6.51022 4.52392 8.49651
2 6.9 6.00289 4.01659 7.98918
3 7.9 7.08462 5.09833 9.07092
4 6.1 5.1773 3.191 7.16359
5 9.2 9.25114 7.26484 11.2374
6 6.8 6.74381 4.75751 8.7301
7 10.4 10.4255 8.43925 12.4118
8 7.3 6.51822 4.53192 8.50451
9 9.8 9.87243 7.98102 11.7638
10 5.0 6.16014 4.26873 8.05155
11 6.9 7.06963 5.17823 8.96104
12 6.3 7.36295 5.47155 9.25435
13 4.0 5.2001 3.30869 7.0915
14 8.6 8.63248 6.74107 10.5239
15 10.1 10.1648 9.17488 11.1546
16 9.9 10.1648 9.17488 11.1546
17 12.2 10.1648 9.17488 11.1546
18 9.7 10.1648 9.17488 11.1546
19 9.7 10.1648 9.17488 11.1546
20 9.6 10.1648 9.17488 11.1546

El StatAdvisor
Esta tabla contiene información acerca de los valores de Fuerza generados
usando el modelo ajustado. La tabla incluye:

(1) los valores observados de Fuerza (si alguno)

(2) el valor predicho de Fuerza usando el modelo ajustado
(3) intervalos de confianza del 95.0% para la respuesta media

Cada item corresponde a los valores de los factores experimentales en una

fila especifica de su archivo de datos. Para generar pronósticos para las
combinaciones adiciones de los factores, agregue filas al final su archivo
de datos. En cada nueva fila, introduzca valores para los factores
experimentales pero deje vacía la celda para la respuesta. Cuando regrese
a esta ventana, se habrán agregado pronósticos a la tabla para las nuevas
filas pero el modelo no se verá afectado.

25
 PASO N° 10: Para las opciones graficas nos dirigimos al a barra de menú:
DDE > Procedimientos DOE Heredados > Analizar Diseño > Analizar
Diseño.

 PASO N° 11: En la siguiente ventana seleccionamos la variable fuerza. Y

aceptamos.

26
 PASO N° 12: En esta ventamos solo damos click en “Aceptar”.

 PASO N° 13: En la siguiente ventana seleccionamos los gráficos

necesarios.

27
 GRAFICOS

Polietileno=1.1

11.3
10.3
9.3
Fuerza

8.3
7.3
6.3
64
5.3 61
58
55
52
49
46

Contornos de la Superficie de Respuesta Estimada

Polietileno=1.1

79 Fuerza
-3.2 -5.0
Temperatura de Conversión

-1.4 -3.2
0.4
69
2.2

4.0 5.8
59
9.4 7.6 7.6
5.8 9.4
11.2
49 13.0

39
200 220 240 260 280 300 320
Temperatura de Lacre

28
 CONCLUSIONES

La metodología de superficies de rspuesta (MSR) es una estrtega experimental y de

modelaion que permit encontrar condiciones de operación optimas de un proceso,

implica 3 apectos: DISEÑO, MODELO Y TECNICA DDE OPTIMIZACION.

El diseño y el modelo dependen del tipo de comportamiento que se espera en la

rspuesta, el modelo puede ser de primro o segundo orden (plano o con curvatura); por

ello el tipo de diseño utilizado y el método de optimización sse clasifican según como

sea el caso.

BIBLIOGRAFIA

1. Análisis y diseño de experimentos, Humberto Pulido – Román De La Vara, Segunda Edición,

McGraw Hill, Méjico, 2008

2. Diseño y análisis de experimentos, Douglas Montgomery,

Segunda Edición, Limusa Wiley, Mejico, 2004

29