DESARROLLO DE PRODUCTOS

TALLER: METODOLOGÍA DE SUPERFICIE DE RESPUESTA – USO DESIGN EXPERT

Cumaco Cabrera, Sebastian

sebastian.cumacoc@utadeo.edu.co

12.1. Se pueden mezclar tres combustibles de motor diferentes para formar una gasolina.
El rendimiento de millas por galón (MPG) de esta gasolina es la variable de respuesta. Se
utilizó un diseño de red simplex aumentada para estudiar las propiedades de mezcla de
estos tres combustibles, y los resultados se muestran en la Tabla 1:

Tabla 1. Resultados de las propiedades de mezcla:

Componente Proporción
Design point X1 X2 X3 MPG y
1 1 0 0 24,5-25,1
2 0 1 0 24,8-23,9
3 0 0 1 22,7-23,6
4 0,5 0,5 0 25,1
5 0,5 0 0,5 24,3
6 0 0,5 0,5 23,5
7 0,33333333 0,33333333 0,33333333 24,8-24,1
8 0,66666667 0,16666667 0,16666667 24,2
9 0,16666667 0,66666667 0,16666667 23,9
10 0,16666667 0,16666667 0,66666667 23,7

a) Ajustar un modelo de mezcla lineal a estos datos. ¿Es adecuado el modelo?

Tabla 2. Parámetros de comparación para la significancia de los modelos:

Sequential p- Lack of Fit p- Adjusted

Source R²
value value R²
Linear 0,0027 0,8825 0,6591 0,5972
Dado los resultados dispuestos en la tabla 2, se puede indicar que a pesar de que los
coeficientes de determinación R2 y R2 ajustado explican tan solo el 68,29% y 54,34% de la
variabilidad de los datos la diferencia entre los dos es menor a 0.2 lo que indicaría que no
habría factores de más que estén inflando estos dos coeficientes, además de esto por
medio de la prueba de significancia puesto que el p-valor resultante para este (0.0027) es
menor a 0.05 por ende el modelo lineal sería adecuado para el modelado de los datos
dentro de cierto rango esto se corrobora por medio del test de Lack of Fit dado que el p-
valor de este (0.8825) es mayor a 0.05 indicando que la variabilidad de los datos no es
significativa.

b) Ajuste un modelo de mezcla cuadrática a estos datos. ¿Es este modelo una
mejora sobre el modelo lineal?

Tabla 3. Parámetros de comparación para la significancia de los modelos:

Sequential p- Lack of Fit p- Adjusted

Source R²
value value R²
Linear 0,0027 0,8825 0,6591 0,5972
Quadratic 0,7188 0,8003 0,7091 0,5274

De la tabla 3 se logra observar que el modelo cuadrático no se ajusta adecuadamente a

los datos debido a que por medio del test de significancia el p-valor para este modelo es
de 0.7188 lo cual es mayor a 0.05, además para el test de Lack of Fit el p-valor
determinado es 0.8003 el cual es mayor a 0.05 por ende no se genera una variabilidad
significativa para los datos a causa de factores externos, a su vez los coeficientes de
determinación (R2 y R2 ajustado), disponen que el modelo logra interpretar el 70.91% y
52.74% de la variabilidad de los datos y la diferencia entre estos es menor a 0.2 por lo
que los factores R2 y R2 ajustado no están siendo afectados por factores demás dentro del
experimento.

c) ¿Qué modelo usaría para predecir el rendimiento de MPG de la gasolina obtenida

al mezclar estos tres combustibles?

Para definir el modelo se tienen en cuenta las pruebas realizadas en los dos puntos
anteriores en donde se determina que el modelo lineal es el mas adecuado para la
interpretación de los datos dado que este tiene una mayor significancia que el modelo
cuadrático pese a que este último tiene un R2 mayor que explicaría un mayor porcentaje
de variabilidad de los datos su nivel de significancia no permite que su modelación se la
más adecuada.

Ecuación del modelo

 Figura 1. Gráfico de la normalidad de los residuales.

Figura 2. Gráfico de residuales vs predichos.

En la figura 1 y 2 se da la comprobación de los supuestos de normalidad y homocedasticidad

siendo apropiados en cuanto a la correlación estos con respecto al modelo.

d) Trace los contornos de la superficie de respuesta para el modelo en la parte (c).

¿Qué combinación usaría para maximizar el rendimiento del kilometraje?
Figura 3. Contornos de la superficie de respuesta.

Figura 4. Superficie de respuesta 3d.

De las anteriores figuras se denota las zonas en donde x1 genera el mayor rendimiento
de combustible en la parte de color rojo de la superficie, además el combustible X3 sería
el que menor rendimiento tendría esto en base a una breve interpretación de la superficie
de respuesta.

Tabla 4. Posibles soluciones de maximización de la variable de respuesta.

Desirabilit
Number X1 X2 X3 R1 (MPG)
y
1 1,000 0,000 0,000 24,841 0,892
2 0,500 0,500 0,000 24,624 0,802

El programa genera las dos posibles soluciones en don la primera es la que tendría un mayor
rendimiento de combustible por milla al maximizar la variable de respuesta puesto que se indicaría
que el combustible X1 en su estado puro daría el mejor rendimiento, pero a su vez que una mezcla
de x1 y x2 también podría emplearse con un poco menos de rendimiento.

Figura 5. Grafico de contorno de la superficie de respuesta en el punto de optimización.

12.4. Se agrega un agente espesante a un producto de jabón líquido para controlar la

viscosidad. Este agente generalmente representa el 10% del jabón en peso. Hay tres
compuestos de sal diferentes que se mezclan para formar el espesante. Los formuladores
del producto han decidido investigar la combinación de estos ingredientes utilizando un
¿ ¿ ¿
experimento de mezcla. Supongamos que x 1 , x 2 y x 3representan las proporciones reales
¿ ¿ ¿
de los tres compuestos de sal, con x 1+ x2 + x 3=0.1. Tenga en cuenta que si dejamos
x i=x ¿i /0.1, los puntos de diseño se pueden expresar como proporciones 0 ≤ xi ≤1 con la
restricción de mezcla estándar x 1+ x2 + x 3=1. Los experimentos decidieron usar una red
simplex aumentada diseñado para estudiar la viscosidad del espesante. El diseño y los
datos de
Componentes en proporción
Design Viscosidad
X1 X2 X3
point (centroide)
1 1 0 0 410
2 0 1 0 880
3 0 0 1 1445
4 0,5 0,5 0 683
5 0,5 0 0,5 465
6 0 0,5 0,5 456
7 0,666666667 0,166666667 0,16666667 354
8 0,166666667 0,666666667 0,16666667 521
9 0,166666667 0,166666667 0,66666667 700
10 0,333333333 0,333333333 0,33333333 465
11 0,333333333 0,333333333 0,33333333 392
12 0,333333333 0,333333333 0,33333333 428
viscosidad se muestran en la Tabla E12.3. El centroide fue replicado tres veces.
Tabla 5. Resultados de las propiedades de mezcla para el jabón:

Sequential p- Lack of Fit p- Adjusted

Source R²
value value R²
Linear 0.1127 0,0144 0,3831 0,2461
Quadratic <0.0001 0.6484 0,9937 0,9885

a) Ajuste los modelos de mezcla lineal y cuadrática a estos datos. Pruebe ambos
modelos por lack of fit. ¿Alguno de los modelos parece adecuado, basado en esta
prueba?

Tabla 6. Parámetros de comparación para la significancia de los modelos:

Con base en la prueba de lack of fit se da la comparación de los valores de p-valor
generados para ambos modelos observando que el modelo cuadrático es el más
adecuado debido a que (0.6484 > 0.05) por lo que no hay una variabilidad significativa de
los datos implicados en el modelo dado que no se ven afectados por factores externos, en
contraste para el modelo lineal el valor el test se define que el modelo no seria el
adecuado para modelar los datos puesta que el p-valor(0.0144 < 0.05) indicando que
existe variabilidad significativa de los datos implicados y estos a su vez podrían ser
afectados por factores externos.

b) Seleccione un modelo de mezcla apropiado para los datos de viscosidad.

Construya gráficas residuales apropiadas para verificar la adecuación del modelo.

Del punto anterior en la comparación realizada en la tabla 6, se determina que el modelo

que mejor se ajusta a los datos es el cuadrático, además cabe denotar que los
coeficientes de determinación R2 y R2 ajustado llegan a explicar el 99.31% y 98.85 de la
variabilidad de los datos siendo la diferencia de estos menor a 0.2 con lo que no estarían
siendo afectados por un exceso de factores dentro del modelo experimental. Por otra
parte, del ANOVA que definió el programa (tabla 7), se define que el parámetro AB(X1X2)
no es significativo dado que (0.3056 > 0.05) por ende se elimina este termino dándose un
nuevo modelo ajustado cuyos valores de R2 ajustado y un R2 de 0.9881 y 0.9924.

Tabla 7. ANOVA:

Source sum of squares df Mean square F-value P-value  

Model 1,04E+06 5 2,07E+05 189,82 <0,0001 Sifnicant
Linear
3,99E+05 2 1,99E+05 182,97 <0,0001  
Misture
AB 1368,15 1 1368,15 1,25 0,3056  
AC 1,776E+05 1 1,776E+05 162,72 <0,0001  
BC 4,187E+05 1 4,187E+05 383,71 <0,0001  
Residual 6547,03 6 1091,17      
Not
Lack of fit 3882,36 4 970,59 0,7285 0,6484
significant
Pure error 2664,67 2 1332,33      
Cor total 1,042E+0,6 11        
Ecuación del modelo:

Viscosidad=413.36384 X 1 +887.00020 X 2 +1450.47149 X 3−1798.2416 X 1 X 3−2766.96890 X 2 X 3

Figura 6. Gráfico de normalidad de los

residuales.

Figura 7. Gráfico de residuales vs predichos.

Del grafico de normalidad de residuales (figura 6), se da la observación de que algunos

valores que siguen la tendencia de la línea recta con cierta variación, lo que indica que
para estos se cumpliría el supuesto de normalidad. De otra manera de la figura 7 se da la
observación que se cumple la prueba para el supuesto de homocedasticidad
presentándose una dispersión aleatoria dada.
c) Construya una gráfica de contorno de superficie de respuesta para la viscosidad.
 Figura 8. Contorno de superficie (viscosidad).

Se observa en el grafico que los componentes AC(X1X2) y BC(X2X3) infieren

negativamente en los valores dados para la generación de la viscosidad la cual disminuirá
por la mezcla de estos componentes.
 d) Suponga que un valor deseable para la viscosidad de este agente espesante es
900 centipoise. ¿Existe una formulación que produzca la viscosidad deseada?

Tabla 8. Formulaciones para la viscosidad deseada:

Number X1 X2 X3 Viscosidad Desirability

1 0,045 0,158 0,796 899,998 1,000
2 0,227 0,000 0,773 900,000 1,000
3 0,000 0,198 0,802 900,001 1,000
4 0,099 0,112 0,789 900,000 1,000

De las 10 formulaciones que dispuso el programa la segunda combinación es la que más

definiría el obtener un para metro de viscosidad de 900 siendo la mezcla de x1 y x2 de
0.227 y 0.773.

Figura 9. Gráfico de superficie de respuesta valor de viscosidad propuesto (900).

12.5. Uno de los autores era socio de un viñedo y una bodega en Newberg Oregon. Los
socios que operan este negocio están desarrollando un nuevo vino tinto que es una
mezcla de tres variedades diferentes de uvas: Pinot noir-pommadr, pinot noir-wadenswil y
gamay noir. Se utilizó un diseño de mezcla de tres componentes para estudiar las
mezclas de estos tres ingredientes. El diseño que se muestra en la tabla E12.4 donde X1
= proporción de pinot noir-pommard, x2 = proporción de pinot noir-wadenswil y X3 =
proporción de gamay noir en el producto. Cada una de las 10 mezclas fue probada por un
panel de expertos y clasificada en base a los resultados de la prueba de sabor, siendo el
rango 1 el mejor, el rango 2 el siguiente mejor y así sucesivamente.

Tabla 9. Resultados de las calificaciones de producto:

Component Proportion Taste-Test(ranks)

Design
X1 X2 X3 DCM HPN DLB JPN
point
1 1 0 0 2 3 3 2
2 0 1 0 1 2 1 3
3 0 0 1 4 4 5 6
4 0,5 Sequential
0,5 p- Lack
0 of Fit p- 3 1 Adjusted 2 1
Source R²
5 0,5 value
0 0,5 value 5 5 R² 4 4
6 Linear0 0.0342
0,5 <0.0001
0,5 6 0,1668 7 0,1217 8 5
7 Quadratic <0.0001
0,66666667 0,16666667 <0.0001
0,16666667 7 0,66110 6 0,5538 9 8
8 0,16666667 0,66666667 0,16666667 8 8 6 7
9 0,16666667 0,16666667 0,66666667 10 9 10 9
10 0,33333333 0,33333333 0,33333333 9 10 7 10

a) Ajuste los modelos de mezcla lineal y cuadrático a los promedios de los datos de
rango. Pruebe ambos modelos por falta de ajuste. ¿Alguno de los modelos parece
adecuado?

Tabla 10. Parámetros de comparación para la significancia de los modelos:

Ninguno de los dos modelos es adecuado, puesto que por el lado des test de significancia
los valores dados para el p-valor de los modelos es 0.0342 y 0.0001 respectivamente
siendo estos menores a 0.05. por otra parte, para la prueba de Lack of Fit nos indica que
para ambos casos existe una variabilidad de los datos significativa sien el p-valor (0.0001)
mayor a 0.05 y por ultimo de parte de los coeficientes de determinación para el modelo
lineal es bajo el porcentaje de variabilidad que estos logran interpretar siendo de 16.68% y
12.17% y aun que para el modelo cuadrático este coeficiente es mayor no logra pasar las
pruebas por lo que no son modelos fiables en ambos casos.
 b) Seleccione un modelo de mezcla apropiado para la respuesta de rango promedio.
Construya gráficas residuales apropiadas para verificar la adecuación del modelo.

Tabla 11. Comparación de los modelos:

Sequential Lack of Fit

Source R² Adjusted R²
p-value p-value
Linear 0,0342 < 0.0001 0,1668 0,1217
Quadratic < 0.0001 < 0.0001 0,6110 0,5538
Special Cubic < 0.0001 0,0098 0,8534 0,8268
Cubic 0,7907 0,0026 0,8556 0,8184

Por medio de la prueba de significancia se logra ver que los todos los modelos
comparados a excepción del cubico serian validos para modelar los datos puesto que el p
valor de los modelos lineal, cuadrático y cubico especial con menores a 0.05 y ya que el
valor del modelo cubico es mayor se descartaría de las opciones, pero por otro lado para
discernir de entre los otros tres modelos los valores de los coeficientes de significancia se
encuentran modelando de mejor manera la variabilidad de los datos en el modelo cubico
especial, pero aun así habría que determinar por medio del test de Lack of Fit dispuesto
en la tabla 12.

Tabla 12. Lack of Fit Test:

Source Sum of Squares df Mean Square F-value p-value

Linear 246,06 9 27,34 26,47 < 0.0001
Quadratic 99,46 6 16,58 16,05 < 0.0001
Special Cubic 19,46 5 3,89 3,77 0,0098
Cubic 18,73 3 6,24 6,05 0,0026
Special Quartic 18,73 3 6,24 6,05 0,0026
Quartic 1,08 2 0,5417 0,5245 0,5976
Pure Error 28,92 28 1,03

De la anterior tabla se observa que al darse la comparación de las pruebas para el caso
del modelo especial cubico con un valor de 0.0098 Por ende pose el valor mas alto para
este test de Lack of Fit.

Del modelo especial cúbico se obtiene que los parámetros consecuentes AB (X1X2) y AC
(X1X3) tienen un p-valor de 0,7589 y 0,1566, respectivamente, como se observa en la
Tabla 13 de ANOVA, por ende, los parámetros son no significativos, por lo que se quitan
del modelo, siendo que el modelo modificado tiene tiene un R 2 0.8534 y R2 ajustado de
0.8268.
Tabla 13. Resumen del ANOVA para el modelo cúbico especial.

Source Sum of Squares df Mean Square F-value p-value

Model 281,63 6 46,94 32,02 < 0.0001
⁽¹⁾Linear Mixture 55,03 2 27,51 18,77 < 0.0001
AB (X1X2) 0,1404 1 0,1404 0,0958 0,7589
AC (X1X3) 3,08 1 3,08 2,10 0,1566
BC (X2X3) 30,36 1 30,36 20,71 < 0.0001
ABC (X1X2X3) 80,00 1 80,00 54,58 < 0.0001
Residual 48,37 33 1,47
Lack of Fit 19,46 5 3,89 3,77 0,0098
Pure Error 28,92 28 1,03
Cor Total 330,00 39

Ecuación del modelo:

Aceptabilidad=2,99 X 1+1,64 X 2 +5,3 X 3 +12,92 X 2 X 3 +151,17 X 1 X 2 X 3

Figura 10. Probabilidad de normalidad de los residuales

 Figura 11. Residuales Vs. Predicción
.
Del gráfico y se puede observar que los datos tienen un comportamiento normal siendo
que los datos están muy cerca a la recta denotada con un alinea roja, aunque algunos
datos interceptan la línea roja con lo que se generan sobre ajustes del modelo dando
predicciones erróneas. El supuesto de homocedasticidad se verifica con los datos del
grafico o en donde se muestra una ligera dispersión de los puntos de manera de que se
demuestra el supuesto.

Figura 12. Diagrama de Box-Cox para transformaciones de potencia

En la figura 10 se muestra que el valor de lambda (λ) es de 1, proponiendo que no es

necesaria una transformación de los datos y que el modelo aplicado en el ensayo es
adecuado cumpliendo con todas las pruebas aplicadas en este.
c) Construya una gráfica de contorno de superficie de respuesta para la respuesta de
rango promedio. ¿Qué mezclas de las tres variedades de uvas recomendaría?

Figura 13. Modelo gráfico en superficie 3D

Figura 14. Modelo gráfico en superficie 3D

Como se observa en los gráficos el comportamiento de los tres tipos de variables cuando
se mezclan los componentes es positivo indicando una gran aceptación del producto en
cuento al sabor, generando un máximo como indicativo de este, a continuación de
muestra los datos de los factores de la optimización para obtener un valor máximo de
calificación de entre las posibles soluciones.
Tabla 14. Resumen de soluciones posibles.

Soluciones

56 soluciones

Number X1 X2 X3 Taste.test Desirability

1 0,250 0,300 0,450 10,423 1,000 Selected
2 0,254 0,249 0,497 10,423 1,000
3 0,267 0,267 0,467 10,515 1,000
4 0,300 0,250 0,450 10,578 1,000
5 0,333 0,333 0,333 10,129 1,000
6 0,262 0,223 0,516 10,334 1,000
7 0,300 0,300 0,400 10,495 1,000
8 0,300 0,209 0,490 10,392 1,000
9 0,428 0,191 0,381 10,079 1,000
10 0,248 0,362 0,390 10,063 1,000
11 0,307 0,264 0,429 10,593 1,000
12 0,229 0,363 0,409 10,023 1,000
13 0,303 0,231 0,466 10,526 1,000
14 0,300 0,185 0,516 10,156 1,000
15 0,205 0,255 0,541 10,104 1,000
16 0,252 0,332 0,416 10,289 1,000
17 0,334 0,188 0,479 10,266 1,000
18 0,188 0,271 0,541 10,002 1,000
19 0,279 0,335 0,387 10,291 1,000
20 0,359 0,201 0,440 10,379 1,000
21 0,207 0,238 0,555 10,045 1,000
22 0,254 0,316 0,430 10,380 1,000
23 0,408 0,242 0,351 10,293 1,000
24 0,396 0,259 0,345 10,314 1,000
25 0,278 0,219 0,502 10,390 1,000
26 0,408 0,185 0,406 10,138 1,000
27 0,356 0,324 0,320 10,086 1,000
28 0,399 0,176 0,425 10,082 1,000
29 0,320 0,285 0,395 10,536 1,000
30 0,383 0,186 0,430 10,223 1,000
31 0,228 0,208 0,564 10,002 1,000
32 0,289 0,223 0,488 10,452 1,000
33 0,269 0,246 0,486 10,480 1,000
34 0,382 0,252 0,366 10,424 1,000
 35 0,225 0,341 0,434 10,153 1,000
36 0,306 0,332 0,362 10,264 1,000
37 0,361 0,262 0,377 10,497 1,000
38 0,355 0,277 0,367 10,462 1,000
39 0,403 0,279 0,318 10,133 1,000
40 0,383 0,282 0,334 10,268 1,000
41 0,385 0,220 0,395 10,410 1,000
42 0,312 0,214 0,474 10,452 1,000
43 0,417 0,205 0,378 10,215 1,000
44 0,327 0,216 0,457 10,484 1,000
45 0,202 0,276 0,522 10,141 1,000
46 0,284 0,285 0,431 10,544 1,000
47 0,217 0,301 0,482 10,257 1,000
48 0,436 0,227 0,337 10,109 1,000
49 0,204 0,339 0,458 10,064 1,000
50 0,250 0,197 0,553 10,045 1,000
51 0,237 0,233 0,531 10,247 1,000
52 0,238 0,277 0,485 10,390 1,000
53 0,315 0,172 0,514 10,040 1,000
54 0,000 0,409 0,591 7,177 0,686
55 0,235 0,000 0,765 4,988 0,443
56 1,000 0,000 0,000 2,503 0,167

De la tabla 14 se observan distintas posibles soluciones, pero una de las más acertadas
es la combinación propuesta en la casilla 11 en donde
0.307 X 1 +0.264 X 2 +0.429 X 3=Taste .test . Siendo así que se generaría el máximo
dispuesto para la calificación del producto.

12.2. Se realizó un experimento de mezcla para determinar si se podía desarrollar un

edulcorante artificial para un refresco que minimizara el retrogusto. Se evaluaron cuatro
edulcorantes diferentes, y se utilizó un diseño de centroide simplex con q = 4
componentes para evaluar las diferentes mezclas. La variable de respuesta es el
retrogusto, siendo deseables los valores bajos.

a) Ajuste un modelo de mezcla apropiado a estos datos. Probar la adecuación del

modelo.

Tabla 15. Comparación de modelos. 

 Source Sequential Lack of fit Adjusted Predicted
p-value P-value R2 R2
Linear <0.0001 0.8592 0.6815 Suggested
Quadratic 0.1057 0.9375 -1.1269
Special 0.0878 0.9989 -1.3240
cubic
Cubic Aliased

Tabla 16. R ajustado del ANOVA.

R2 0.8893
Adjusted R2 0.8592
Predicted R2 0.6815
Adeq Precision 17.1432

De la tabla de comparación (tabla 15), se logra ver que para la prueba de significancia el
p-valor del modelo lineal (<0.0001) es mucho menor a 0.05 con lo que el modelo se ajusta
debidamente a los datos que en comparación de los modelos cuadráticos y especial
cubico que el p-valor de estos es mayor a 0.05 fallando para los para metros de la prueba
de significancia.
Tabla 18. Estadísticos del ajuste del anova para el modelo cuadrático
Soucre Sum of df Mean F-value P-value
squares square
Model 170.43 7 24.35 28.54 <0.0001 Significant
Linear 156.88 3 52.29 61.30 <0.0001
mixture
AB 0.0248 1 0.0248 0.0290 0.8695
BC 0.0246 1 0.0288 0.0288 0.8700
BD 11.48 1 11.48 13.46 0.0080
CD 2.49 1 2.49 2.92 0.1314
Residual 19.52 7 0.8530
Cor Total 176.40 14

De la prueba de significancia del modelo en la tabla 18 se observa que la mezcla lineal

con respecto a factor x 2−x 4 ( BD) tiene un p-valor inferior al estadístico alfa (0.0001 <
0.05) predisponiendo que son significativos con una alta significancia con respecto al
modelo. Con respecto a los factores x 1−x 2 ( AB), x 2−x 3 (BC ) y x 3−x 4 ( CD )presentan un
p-valor mayor al nivel de significancia (0.869 , 0.870 , 0.131> 0.05 ¿ determinando que estos
factores no son significativos dentro del modelo planteado.
 Figura 20. % de probabilidad normal vs residuales.

Figura 21. Residuales vs predichos.

En busca de validar las pruebas paramétricas se verifican los supuestos de normalidad y
homocedasticidad se cumplan con base al análisis de residuales.

A continuación, se muestra la gráfica de contorno para la superficie de repuesta:

Aftertase=18.1996 x 1+7.9228 x 2 +14.86985 x 3 +9.2175 x 4 +0,6685 x 1 x 2−0.6670 x 2 x 3−14.4093 x 2 x 4 −6.6998 x

Figura 23. Modelo grafico de contorno.

Figura 24. Gráfico de superficie 3D.

Para el término de la proporción AB ( x 1 x 2) se observa que es positivo indicando que

cuando los componentes se mezclan va a haber un mayor Aftertase (retrogusto) en
comparación a cuando están puros.
 c) Construya gráficas de contorno del retrogusto previsto que serían útiles para un
tomador de decisiones al elegir una mezcla de estos cuatro edulcorantes que
minimice el retrogusto. ¿Qué mezcla recomendaría?
Tabla 18. Formulación para el mínimo de retrogusto.

Soluciones

Number X1 X2 X3 X4 Aftertase Desirability

1 0,000 0,000 0,000 1,000 7,229 0,841
2 0,000 0,306 0,000 0,694 7,229 0,841
3 0,000 0,354 0,000 0,646 7,229 0,841
4 0,000 0,186 0,000 0,814 7,229 0,841
5 0,000 0,277 0,000 0,723 7,229 0,841
6 0,000 0,240 0,000 0,760 7,229 0,841
7 0,000 0,095 0,000 0,905 7,229 0,841
8 0,000 0,213 0,000 0,787 7,229 0,841
9 0,000 0,127 0,000 0,873 7,229 0,841
10 0,000 0,259 0,000 0,741 7,229 0,841
11 0,000 0,041 0,000 0,959 7,229 0,841
12 0,000 0,163 0,000 0,837 7,229 0,841
13 0,000 0,456 0,000 0,544 7,229 0,841
14 0,000 0,441 0,000 0,559 7,229 0,841
15 0,000 0,610 0,000 0,390 7,229 0,841
16 0,000 0,509 0,000 0,491 7,229 0,841
17 0,000 0,550 0,000 0,450 7,229 0,841
18 0,000 0,531 0,000 0,469 7,229 0,841
19 0,000 0,378 0,000 0,622 7,229 0,841
20 0,000 0,416 0,000 0,584 7,229 0,841
21 0,000 0,311 0,000 0,689 7,229 0,841
22 0,000 0,330 0,000 0,670 7,229 0,841
23 0,000 0,472 0,000 0,528 7,229 0,841
24 0,000 1,000 0,000 0,000 7,229 0,841
25 0,000 0,823 0,000 0,177 7,229 0,841
26 0,000 0,678 0,000 0,322 7,229 0,841
27 0,000 0,862 0,000 0,138 7,229 0,841
28 0,000 0,651 0,000 0,349 7,229 0,841
29 0,000 0,799 0,000 0,201 7,229 0,841
30 0,000 0,696 0,000 0,304 7,229 0,841
31 0,000 0,744 0,000 0,256 7,229 0,841
32 0,000 0,569 0,000 0,431 7,229 0,841
33 0,000 0,931 0,000 0,069 7,229 0,841
 34 0,000 0,629 0,000 0,371 7,229 0,841
35 0,000 0,785 0,000 0,215 7,229 0,841

De la tabla 17 se observa que hay 35 combinaciones posibles con las que se podría llegar
al parámetro deseado, siendo así se esperaría que la decisión de recomendar una mezcla
en específico dependería del precio de cada edulcorante, por lo que la mezcla planteada
para la casilla 4 seria la mas adecuada teniendo una menor proporción de B (X1) y una
mayor de D(X4) además de involucrar solo dos de los cuatro ingredientes siendo de un
menor costo.

Figura 14. Gráfico de contorno retrogusto