“Año de la Universalización de la Salud”

UNIVERSIDAD NACIONAL DE BARRANCA

FACULTAD DE INGENIERÍA
ESCUELA PROFESIONAL DE INGENIERÍA EN
INDUSTRIAS ALIMENTARIAS

TEMA
REPORTE DE PRACTICA
CICLO:
VIII
Integrantes:
Hizo Presentación, Betsy Vanessa
Leyva Obispo, Kelly Milena
Pajuelo Sánchez, Kinverly

UNIDAD: Evaluación Sensorial

ING: Nicodemo Jamanca Gonzales
BARRANCA – PERÚ
2021
 PRÁCTICA N° 14

DISEÑO DE SUPERFICIE DE RESPUESTA CON MINITAB

I. FUNDAMENTO TEÓRICO

Revisión general

Algunas veces hay experimentos con los que no se obtienen las respuestas
buscadas o el nivel de mejoras logrado no es suficiente, por lo que es necesario
experimentar de manera secuencial hasta encontrar el nivel de mejoras
deseado. En este caso, después de una primera etapa experimental quizá sea
necesario desplazar la región experimental (moverse de lugar) en una dirección
adecuada, o bien, explorar en forma más detallada la región experimental
inicial.

La forma de realizar ambas cosas son parte de la llamada metodología de

superficie de respuesta1 (MSR). 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.

Diseño en MSR

Experimento apropiado basado en el conocimiento actual acerca de la posible

ubicación del punto óptimo y el modelo de regresión que se quiere ajustar.

Modelo en MSR

Es la ecuación matemática que relaciona la variable de respuesta con los

factores estudiados en el diseño. Por lo general es un modelo de regresión
múltiple.

Optimización

Técnica matemática que sirve para extraer la información sobre el punto

óptimo que tiene el modelo ajustado.

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.
 2.1. Modelos

Como se explicó antes, las superficies de respuesta se caracterizan ajustando

un modelo a los datos experimentales. Los modelos que se utilizan en MSR
son básicamente polinomios.

Figura 1 : Superficies de respuesta: a) descrita por modelo de

primer orden; b), c) y d) descritas por modelos de segundo orden

II. PROCEDIMIENTO

RESOLUCIÓN DE EJERCICIO (SIN DISEÑO

PREDETERMINADO)

Ejercicio 1

Se desea evaluar mediante el método de superficie respuesta el

comportamiento que tiene la extracción de proteína de la cáscara de piña
secada a varios tiempos (min) y temperatura (ºC), cuyos resultados se aprecian
en el siguiente cuadro.

Temperatura Tiempo Proteína

(ºC) (min) (%)
70 10 1.23
70 12.5 1.21
70 15 1.15
70 20 0.99
70 20 0.97
 80 10 0.71
80 20 1.12
80 20 1.11
Proteína (%) versus Temperatura (ºC); Tiempo (min)

Analysis of Variance

Source D Adj SS Adj MS F- P-

F Value Value
Model 4 0.20079 0.05019 510.93 0.000
3 8
Linear 2 0.05779 0.02889 294.14 0.000
9 9
Temperatu (ºC) 1 0.05078 0.05078 516.90 0.000
ra 6 6
Tiempo (min) 1 0.00808 0.00808 82.24 0.003
0 0
Square 1 0.00197 0.00197 20.09 0.021
4 4
Tiempo (min)*Tiempo (min) 1 0.00197 0.00197 20.09 0.021
4 4
2-Way Interaction 1 0.14956 0.14956 1522.2 0.000
4 4 9
Temperatura (ºC)*Tiempo 1 0.14956 0.14956 1522.2 0.000
(min) 4 4 9
Error 3 0.00029 0.00009
5 8
Lack-of-Fit 1 0.00004 0.00004 0.36 0.610
5 5
Pure Error 2 0.00025 0.00012
0 5
Total 7 0.20108
7

Model Summary

S R-sq R- R-
sq(adj) sq(pred)
0.0099121 99.66% *
99.85%

Coded
Coefficients
Term Effect Co SE T- P- VIF
Consta ef Coef Valu Val
nt 1.057 0.009 e ue
19 53 110. 0.0
98 00

Temperatura (ºC) - - 0.0042 -22.74 0.000 1.3

0.19330 0.0966 5 8
5
Tiempo (min) 0.07638 0.038 0.0042 9.07 0.003 1.0
19 1 8
Tiempo (min) -0.0961 - 0.0107 -4.48 0.021 1.3
(min)*Tiempo 0.048 8
0
Temperatura (ºC)*Tiempo 0.32862 0.164 0.0042 39.02 0.000 1.1
(min) 31 1 2

Regression Equation in Uncoded Units

Proteína (%) = 9.354 - 0.11792 Temperatura (ºC) - 0.4276 Tiempo (min)

- 0.001921 Tiempo (min)*Tiempo (min)
+ 0.006572 Temperatura (ºC)*Tiempo (min)
 Fits and Diagnostics for Unusual Observations

Proteín S
O a Fit Resid td
b (%) Res
s id
6 0.7100 0.7100 0.0000 *
0 0 0 X

Respuesta en modelo lineal

Response Surface Regression: Proteína (%) versus

Temperatura (ºC); Tiempo (min)

Analysis of Variance

Source DF Adj SS Adj MS F- P-

Value Value
Model 4 0.20079 0.05019 510.93 0.000
3 8
Linear 2 0.05779 0.02889 294.14 0.000
9 9
Temperatu (ºC) 1 0.05078 0.05078 516.90 0.000
ra 6 6
Tiempo (min) 1 0.00808 0.00808 82.24 0.003
0 0
Square 1 0.00197 0.00197 20.09 0.021
4 4
Tiempo (min) 1 0.00197 0.00197 20.09 0.021
(min)*Tiempo 4 4
2-Way Interaction 1 0.14956 0.14956 1522.2 0.000
4 4 9
Temperatura (ºC)*Tiempo 1 0.14956 0.14956 1522.2 0.000
(min) 4 4 9
Error 3 0.00029 0.00009
5 8
Lack-of-Fit 1 0.00004 0.00004 0.36 0.610
5 5
Pure Error 2 0.00025 0.00012
0 5
Total 7 0.20108
7
Model Summary

S R-sq R-sq(adj) R-sq(pred)

0.0099121 99.85% 99.66% *

Coded Coefficients

Term Effect Coef SE Coef T-Value P-Value

VIF
Constant 1.05719 0.00953 110.98 0.000
Temperatura (ºC) -0.19330 -0.09665 0.00425 -22.74 0.000
1.38
Tiempo (min) 0.07638 0.03819 0.00421 9.07 0.003
1.08
Tiempo (min)*Tiempo (min) -0.0961 -0.0480 0.0107 -4.48 0.021
1.38
Temperatura (ºC)*Tiempo (min) 0.32862 0.16431 0.00421 39.02 0.000
1.12

RESPUESTA CUADRATICO

Response Surface Regression: Proteína (%) versus

Temperatura (ºC); Tiempo (min)

Analysis of Variance

Source DF Adj SS Adj MS F- P-

Value Value
Model 4 0.20079 0.05019 510.93 0.000
3 8
Linear 2 0.05779 0.02889 294.14 0.000
9 9
Temperatu (ºC) 1 0.05078 0.05078 516.90 0.000
ra 6 6
Tiempo (min) 1 0.00808 0.00808 82.24 0.003
0 0
Square 1 0.00197 0.00197 20.09 0.021
4 4
Tiempo (min) 1 0.00197 0.00197 20.09 0.021
(min)*Tiempo 4 4
2-Way Interaction 1 0.14956 0.14956 1522.2 0.000
4 4 9
Temperatura (ºC)*Tiempo 1 0.14956 0.14956 1522.2 0.000
(min) 4 4 9
Error 3 0.00029 0.00009
5 8
Lack-of-Fit 1 0.00004 0.00004 0.36 0.610
5 5
Pure Error 2 0.00025 0.00012
0 5
Total 7 0.20108
7
 Model Summary

S R-sq R-sq(adj) R-sq(pred)

0.0099121 99.85% 99.66% *

Coded Coefficients

Term Effect Coef SE Coef T-Value P-Value

VIF
Constant 1.05719 0.00953 110.98 0.000
Temperatura (ºC) -0.19330 -0.09665 0.00425 -22.74 0.000
1.38
Tiempo (min) 0.07638 0.03819 0.00421 9.07 0.003
1.08
Tiempo (min)*Tiempo (min) -0.0961 -0.0480 0.0107 -4.48 0.021
1.38
Temperatura (ºC)*Tiempo (min) 0.32862 0.16431 0.00421 39.02 0.000
1.12

Regression Equation in Uncoded Units

Proteína (%) = 9.354 - 0.11792 Temperatura (ºC) - 0.4276 Tiempo (min)

- 0.001921 Tiempo (min)*Tiempo (min)
+ 0.006572 Temperatura (ºC)*Tiempo (min)

Fits and Diagnostics for Unusual Observations

Proteín S
O a Fit Resid td
b (%) Res
s id
6 0.7100 0.7100 0.0000 *
0 0 0 X

X Unusual X

GRAFICAS

Surface Plot of Proteína (%) vs Tiempo (min); Temperatura (ºC)

1.2

P r o t e ín a ( % ) 1 .0

20
0.8

15
Tiempo (min)
70
75 10
80
T e m p e r a tu ra (º C )
OPTIMIZACION DEL PROCESO

El valor óptimo se

logra con:

Temperatura: 70ºC

Tiempo: 10 min

Proteína: 1.2319%

Diseño de Composición Central o Diseño Central Compuesto (DCC)

Ejercicio 2

Un ingeniero está interesado en determinar las condiciones de operación para

maximizar el rendimiento de un proceso. Dos variables controlables influyen
en el rendimiento: el tiempo y la temperatura. El ingeniero decide realizar un
experimento 2k con puntos centrales para tener una idea del comportamiento
del proceso. Para esto tomas las condiciones actuales como puntos centrales,
los siguientes para los factores tiempo y temperaturas y los resultados del
experimento se presenta a continuación.

Factor Nivel bajo Punto central Nivel alto

(-1) (0) (1)
Tiempo 30 35 40
Temperatura 150 155 160
 Tratamiento Respues
ta
A B Y
-1 -1 76.5
1 -1 78.0
-1 1 77.0
1 1 79.5
0 0 79.9
- 0 75.6
1.41
4
1.41 0 78.4
4
0 - 77.0
1.41
4
0 1.41 78.5
4
0 0 80.3
0 0 80.0
0 0 79.7
0 0 79.8
Central Composite Design

Factors: 2 Replicates: 1
Base runs: 13 Total runs: 13
Base blocks: 1 Total blocks: 1

Two-level factorial:

Full factorial Cube

points: 4
Center points in cube: 5
Axial points: 4
Center points in axial: 0

α: 1.41421

Design Table (randomized)

Run A B
Blk
1 1 0.00000 0.00000
2 1 - 1.00000
1.00000
3 1 0.00000 0.00000
4 1 1.00000 -
1.00000

5 1 0.00000 0.00000

6 1 0.00000 -
1.41421
7 1 1.00000 1.00000
8 1 0.00000 1.41421
9 1 0.00000 0.00000
1 1 1.41421 0.00000
0
1 1 - -
 1 1.00000 1.00000
1 1 - 0.00000
2 1.41421
1 1 0.00000 0.00000
3

ANALISIS DE REGRESION

Response Surface Regression: Respuesta versus Temperatura (A);

Tiempo (B)

Analysis of Variance

Source D Adj SS Adj F- P-

F MS Value Value
Model 5 18.247 3.64 2.11 0.178
2 94
Linear 2 3.1585 1.57 0.91 0.444
92
Temperatura (A) 1 0.0068 0.00 0.00 0.952
68
Tiempo (B) 1 3.1517 3.15 1.82 0.219
17
Square 2 15.086 7.54 4.37 0.059
2 31
Temperatura ( 1 6.9739 6.97 4.04 0.084
(A)*Temperatura A 39
)
Tiempo (B)*Tiempo (B) 1 10.038 10.03 5.81 0.047
3 83
2-Way Interaction 1 0.0025 0.00 0.00 0.971
25
Temperatura (A)*Tiempo 1 0.0025 0.00 0.00 0.971
(B) 25
Error 7 12.089 1.72
8 71
Lack-of-Fit 3 11.877 3.95 74.70 0.001
8 93
Pure Error 4 0.2120 0.05
30
Total 1 30.336
2 9

Model Summary

S R-sq R- R-
sq(adj) sq(pred)
1.31419 31.68% 0.00%
60.15%

Coded Coefficients

Term Effect Co SE T- P- V
Consta ef Coe Valu Val I
nt 79.9 f e ue F
40 0.5 136. 0.0
88 02 00
 Temperatu (A) 0.058 0.02 0.465 0.06 0.952 1.
ra 9 00
Tiempo 1.255 0.62 0.465 1.35 0.219 1.
(B) 8 00
Temperatu (A)*Temperatu (A) - 0.498 -2.01 0.084 1.
ra ra -2.003 1.001 02
Tiempo (B)*Tiempo (B) -2.403 - 0.498 -2.41 0.047 1.
1.201 02
Temperatura (A)*Tiempo 0.050 0.02 0.657 0.04 0.971 1.
(B) 5 00

Regression Equation in Uncoded Units

Respuesta = 79.940 + 0.029 Temperatura (A) + 0.628 Tiempo (B)

- 1.001 Temperatura (A)*Temperatura (A) - 1.201 Tiempo
(B)*Tiempo (B)
+ 0.025 Temperatura (A)*Tiempo (B)

Fits and Diagnostics for Unusual Observations

S
td Obs Respuesta

Fit Resid Resid

12 79.800 77.896 1.904 2.37 R

R Large residual

Componentes
Response Surface Regression: Resultados versus Temperatura (A);
Tiempo (B)

Analysis of Variance

Source D Adj SS Adj F- P-

F MS Value Value
Model 5 28.246 5.64 79.67 0.000
7 93
Linear 2 12.375 6.18 87.26 0.000
8 79
Temperatura (A) 1 12.306 12.30 173.55 0.000
5 65
Tiempo (B) 1 0.1416 0.14 2.00 0.200
16
Square 2 17.953 8.97 126.59 0.000
7 69
Temperatura (A 1 13.174 13.17 185.79 0.000
(A)*Temperatura ) 2 42
Tiempo (B)*Tiempo (B) 1 6.9721 6.97 98.32 0.000
21
2-Way Interaction 1 0.2500 0.25 3.53 0.103
00
Temperatura (A)*Tiempo 1 0.2500 0.25 3.53 0.103
(B) 00
Error 7 0.4964 0.07
09
Lack-of-Fit 3 0.2844 0.09 1.79 0.289
48
Pure Error 4 0.2120 0.05
30
 Total 1 28.743
2 1

Model Summary

S R-sq R- R-
sq(adj) sq(pred)
0.266290 97.04% 91.81%
98.27%

Coded Coefficients

Term Effect Coef S Co T- P- VIF

Consta - E ef Value Val
nt 32687 25 -12.82 ue
50 0.0
00
Temperatu (A) -4170 -2085 15 -13.17 0.000 112996.8
ra 8 4
Tiempo -308 -154 10 -1.41 0.200 53680.34
(B) 9
Temperatu (A)*Temperatu (A) - 2. -13.63 0.000 110547.2
ra ra -68.82 34.41 52 2
Tiempo (B)*Tiempo (B) -50.07 - 2.5 -9.92 0.000 5637.61
25.03 2
Temperatura (A)*Tiempo 12.50 6.25 3.3 1.88 0.103 50493.37
(B) 3

Regression Equation in Uncoded Units

Resultados = 79.940 + 0.9951 Temperatura (A) + 0.5152 Tiempo (B)

- 1.376 Temperatura (A)*Temperatura (A) - 1.001 Tiempo
(B)*Tiempo (B)
+ 0.250 Temperatura (A)*Tiempo (B)

GRAFICAS
MODELO CUADRATICO
Optimización
Temperatura = 0.3856 (Pseudocomponente)

Componente = t = 156.9295ºC Tiempo = 0.2999

((Pseudocomponente)

 Componente t = 36.4995 min Resultado óptimo = 80.2124

D = 0.9814

CUESTIONARIO

1. ¿Qué otras aplicaciones tienen el Minitab en el diseño de experimentos?

2. ¿Qué otros programas existen para diseño del Método de Superficie de

Respuesta?

Excel usando el complemento de software estadístico XLSTAT

Software statgraphics
Software design expert

3. ¿Cuándo se recomienda aplicar la metodología de superficie de respuesta?

La metodología de superficie de respuesta usualmente se aplica con experimentos
factoriales. El enfoque usual es utilizar el diseño de experimentos para determinar
que variables están influenciando la respuesta de interés

Suelen utilizarse cuando el plan del diseño requiere de un experimento secuencial

porque estos diseños pueden incluir información de un experimento factorial
planificada correctamente.
La metodología del diseño de superficie de respuesta se utiliza con frecuencia
 para refinar los modelos después de haber determinado los factores importantes
utilizando diseños de cribado o diseños factoriales , especialmente si se sospecha
que existe curvatura en la superficie respuesta
4. Después de aplicar experimentación secuencial se encontró una zona
de experimentación donde se sospecha que se encuentran las
condiciones óptimas para la producción de un colorante natural en
función de la concentración de carbono y temperatura. El diseño
empleado y las producciones encontradas se muestran a
continuación:
Contenido Temperatu Producci
de ra ón
carbono (ºC)
9 17 5707
1 17 5940
3
9 25 3015
1 25 2673
3
8. 21 5804
1
7
1 21 6700
3.
8
1 21 5310
1
1 21 725
1
1 21 7521
1
1 21 7642
1
1 21 7500
1
1 21 7545
1

Encuentre las condiciones que maximizan la producción del colorante.

El valor optimo se logra con una temperatura 19.10°C y con un contenido de carbono 13,8

Produccion de colorante : 6846,06

5. Se realiza el siguiente experimento para estudiar el sabor del que so
panela en función de la cantidad de cuajo y sal. La variable de
respuesta observada es el promedio reportado por un grupo de cinco
jueces que probaron todos los quesos y los calificaron usando una
escala hedónica:

S Cua Sabor
al jo
6 0.3 5.67
5. 0.38 7.44
5 75
4. 0.38 7.33
5 75
4 0.3 6.33
4. 0.21 7.11
5 3
5. 0.21 7.22
5. 3
5 0.3 6.33
5 0.3 6.66

a) Escriba el modelo de segundo orden.

b) Elabore la superficie de respuesta y la gráfica de contornos.

Contour Plot of Sal vs Cuajo, Sabor

0.38 Sal
< 4.0
4.0 – 4.5
0.36
4.5 – 5.0
5.0 – 5.5
0.34 5.5 – 6.0
> 6.0
0.32
Cuajo

0.30

0.28

0.26

0.24

0.22
5.8 6.0 6.2 6.4 6.6 6.8 7.0 7.2 7.4
Sabor
 Surface Plot of Sal vs Cuajo, Sabor

S al 5

0 .3 5
4 0.3 0
Cuajo
0.25
6.0
6 .5
7.0 0.20
Sabor 7.5

6. Se realizó un trabajo para evaluar los efectos de la pasteurización en

el contenido de antocianinas y fenoles totales en el jugo de uva
variedad Red Globe, mediante un Diseño Central Rotacional (DCR),
obteniéndose los siguientes resultados:

Tabla 1. Medición de concentración de antocianinas (mg/L) en el jugo de

uva variedad Red Globe después de diferentes tratamientos de tiempo y
temperatura de pasteurización.
Temperatura Tiempo (min) Concentración
(ºC) (mg/L)
75 20 108.76
75 35 97.84
90 20 72.26
90 35 59.83
77 28 95.83
99 28 62.09
88 17 94.70
88 39 74.79
88 28 91.10
88 28 81.72
88 28 81.70

a. Escriba el modelo de segundo orden para cada caso.

Response Surface Regression: Concentración (mg/L) versus Temperatura

(ºC), Tiempo (min)

The following terms cannot be estimated and were removed:

Temperatura (ºC)*Tiempo (min)

Analysis of Variance

Source DF Adj SS Adj MS F-Value P-Value

Model 6 2203.91 367.32 7.28 0.038
 Linear 5 1937.58 387.52 7.68 0.035
Temperatura (ºC) 1 1535.44 1535.44 30.42 0.005
Tiempo (min) 4 537.73 134.43 2.66 0.183
Square 1 4.20 4.20 0.08 0.787
Temperatura (ºC)*Temperatura (ºC) 1 4.20 4.20 0.08 0.787
Error 4 201.88 50.47
Lack-of-Fit 2 143.09 71.55 2.43 0.291
Pure Error 2 58.78 29.39
Total 10 2405.79

Model Summary

S R-sq R-sq(adj) R-sq(pred)

7.10416 91.61% 79.02% *

Coded Coefficients

Term Effect Coef SE Coef T-Value P-Value

VIF
Constant 81.45 2.96 27.48 0.000
Temperatura (ºC) -46.88 -23.44 4.25 -5.52 0.005
1.35
Tiempo (min)
17 30.38 15.19 6.24 2.43 0.072
1.54
20 -1.22 -0.61 4.87 -0.13 0.906
1.37
28 4.85 2.42 3.67 0.66 0.545
1.21
35 -24.57 -12.29 4.87 -2.52 0.065
1.37
Temperatura (ºC)*Temperatura (ºC) 3.32 1.66 5.75 0.29 0.787
1.40

b. Elabore la superficie de respuesta y la gráfica de contornos

Contour Plot of Temperatura (ºC) vs Tiempo (min), Concentración (mg/L)

Temperatura
(ºC)
36 < 75 Surface Plot of Temperatura (ºC) vs Tiempo (min), C oncentración (mg/L)
75 – 80
80 – 85
85 – 90
32 90 – 95
> 95
Tiempo (min)

28
100

Temperatura (º C) 90
24
40
80

30
Tiempo ( min)
20 60
75 20
90
105
Concentración (mg/L)

60 70 80 90 100
Concentración (mg/L)
c. Encuentre la combinación de Temperatura y Tiempo más óptimas para la
extracción de antocianinas y polifenoles.

El valor óptimo se

logra Temperatura:

75ºC

Tiempo: 17 min

Concentración : 121.7401%

Tabla 2. Medición de concentración de polifenoles totales (mg/L) en el

jugo de uva variedad Red Globe después de diferentes tratamientos
de tiempo y temperatura de pasteurización.
Temperatura Tiempo (min) Concentración
(ºC) (mg/L)
75 20 238
75 35 220
90 20 150
90 35 120
77 28 240
99 28 150
88 17 190
88 39 177
88 28 187
88 28 186
88 28 185
 d. Escriba el modelo de segundo orden para cada caso.

Response Surface Regression: Concentración (mg/L) versus Temperatura

(ºC), Tiempo (min)

The following terms cannot be estimated and were removed:

Temperatura (ºC)*Tiempo (min)

Analysis of Variance

Source DF Adj SS Adj MS F-Value P-Value

Model 6 13665.0 2277.50 57.96 0.001
Linear 5 10511.9 2102.39 53.50 0.001
Temperatura (ºC) 1 8936.0 8935.97 227.40 0.000
Tiempo (min) 4 3567.9 891.98 22.70 0.005
Square 1 530.0 529.97 13.49 0.021
Temperatura (ºC)*Temperatura (ºC) 1 530.0 529.97 13.49 0.021
Error 4 157.2 39.30
Lack-of-Fit 2 155.2 77.59 77.59 0.013
Pure Error 2 2.0 1.00
Total 10 13822.2

Model Summary

S R-sq R-sq(adj) R-sq(pred)

6.26863 98.86% 97.16% *

Coded Coefficients

Term Effect Coef SE Coef T-Value P-Value

VIF
Constant 173.18 2.62 66.21 0.000
Temperatura (ºC) -113.10 -56.55 3.75 -15.08 0.000
1.35
Tiempo (min)
17 42.81 21.41 5.51 3.89 0.018
1.54
20 -20.56 -10.28 4.30 -2.39 0.075
1.37
28 29.49 14.75 3.23 4.56 0.010
1.21
35 -68.56 -34.28 4.30 -7.97 0.001
1.37
Temperatura (ºC)*Temperatura (ºC) 37.25 18.63 5.07 3.67 0.021
1.40

e. Elabore la superficie de respuesta y la gráfica de contornos

Surface Plot of Temperatura (ºC) vs Tiempo (min), Concentración (mg/L)
Contour Plot of Temperatura (ºC) vs Tiempo (min), Concentración (mg/L)
Temperatura
(ºC)
36 < 75
75 – 80
80 – 85
85 – 90
32 90 – 95
> 95
Tiempo (min)

100

28

Temperatura ( º C) 90

24 40
80

30
Tiempo (min)
20
150 20
200
250
Concentrac ión ( mg/L)
120 145 170 195 220
Concentración (mg/L)
f. Encuentre la combinación de Temperatura y Tiempo más óptimas para la
extracción de antocianinas y polifenoles.

El valor óptimo se

logra Temperatura:

75ºC

Tiempo: 17 min

Concentración : 269.7573%