OBJETIVOS:

 Aprender mas de la metodologia de surpeficie repuesta

 Aprender en ssps la metodología respuesta

MARCO TEORICO

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.

Qué es un diseño de superficie de respuesta?

Un diseño de superficie de respuesta es un conjunto de técnicas avanzadas de diseño de
experimentos (DOE) que le ayudan a entender mejor y optimizar la respuesta. 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 de respuesta.

Superficie de respuesta sin curvatura

Superficie de respuesta con curvatura

La diferencia entre una ecuación de superficie de respuesta y la ecuación de un diseño
factorial es la adición de los términos elevados al cuadrado (o cuadráticos) que permiten
modelar la curvatura en la respuesta, lo que hace la hace útil para:
  Entender o mapear una región de una superficie de respuesta. Las ecuaciones de
superficie de respuesta modelan cómo los cambios en las variables afectan una
respuesta de interés.
 Hallar los niveles de las variables que optimizan una respuesta.
 Seleccionar las condiciones operativas para cumplir con las especificaciones.
Por ejemplo, usted desea determinar las mejores condiciones para moldear por
inyección una pieza de plástico. En primer lugar, usted utiliza un experimento de cribado
o factorial para determinar los factores significativos (temperatura, presión, velocidad de
enfriamiento). Puede usar un experimento diseñado de superficie de respuesta para
determinar la configuración óptima para cada factor.

Hay dos tipos principales de diseños de superficie de respuesta:

Diseños centrales compuestos
Los diseños centrales compuestos pueden ajustarse a un modelo cuadrático
completo. Suelen utilizarse cuando el plan del diseño requiere de un experimento
secuencial, porque estos diseños pueden incluir información de un experimento
factorial planificado correctamente.

RESOLUCION

Regresión

Resumen del modelob

Modelo R R cuadrado R cuadrado Error típ. de la

corregida estimación

1 ,867a ,752 ,696 7,19053

a. Variables predictoras: (Constante), x2, x1

b. Variable dependiente: y

ANOVAa

Modelo Suma de gl Media F Sig.

cuadrados cuadrática

Regresión 1408,333 2 704,167 13,619 ,002b

1 Residual 465,333 9 51,704

Total 1873,667 11

a. Variable dependiente: y
b. Variables predictoras: (Constante), x2, x1
 Coeficientesa

Modelo Coeficientes no estandarizados Coeficientes t Sig.

tipificados

B Error típ. Beta

(Constante) 52,167 2,076 25,132 ,000

1 x1 3,833 2,936 ,217 1,306 ,224

x2 14,833 2,936 ,839 5,053 ,001

Coeficientesa

Modelo Intervalo de confianza de 95,0% para B

Límite inferior Límite superior

(Constante) 47,471 56,862

1 x1 -2,807 10,474

x2 8,193 21,474

a. Variable dependiente: y

Gráficos
Regresión

Resumen del modelob

Modelo R R cuadrado R cuadrado Error típ. de la

corregida estimación

1 ,914a ,835 ,773 6,21574

a. Variables predictoras: (Constante), x1x2, x2, x1

b. Variable dependiente: y

ANOVAa

Modelo Suma de gl Media F Sig.

cuadrados cuadrática

Regresión 1564,583 3 521,528 13,499 ,002b

1 Residual 309,083 8 38,635

Total 1873,667 11

a. Variable dependiente: y
b. Variables predictoras: (Constante), x1x2, x2, x1

Coeficientesa

Modelo Coeficientes no estandarizados Coeficientes t Sig.

tipificados

B Error típ. Beta

(Constante) 52,167 1,794 29,073 ,000

x1 3,833 2,538 ,217 1,511 ,169
1
x2 14,833 2,538 ,839 5,845 ,000

x1x2 -6,250 3,108 -,289 -2,011 ,079

Coeficientesa

Modelo Intervalo de confianza de 95,0% para B

Límite inferior Límite superior

(Constante) 48,029 56,304

x1 -2,018 9,685
1
x2 8,982 20,685

x1x2 -13,417 ,917

a. Variable dependiente: y

Gráficos

Regresión

Resumen del modelob

Modelo R R cuadrado R cuadrado Error típ. de la

corregida estimación

1 ,944a ,891 ,850 5,04975

a. Variables predictoras: (Constante), x12, x2, x1

b. Variable dependiente: y
Regresión

Resumen del modelob

Modelo R R cuadrado R cuadrado Error típ. de la

corregida estimación

1 ,987a ,975 ,960 2,61179

a. Variables predictoras: (Constante), x12, x1x2, x2, x1

b. Variable dependiente: y

ANOVAa

Modelo Suma de gl Media F Sig.

cuadrados cuadrática

Regresión 1825,917 4 456,479 66,918 ,000b

1 Residual 47,750 7 6,821

Total 1873,667 11

a. Variable dependiente: y
b. Variables predictoras: (Constante), x12, x1x2, x2, x1

Coeficientesa

Modelo Coeficientes no estandarizados Coeficientes t Sig.

tipificados

B Error típ. Beta

(Constante) 56,833 1,066 53,302 ,000

x1 3,833 1,066 ,217 3,595 ,009

1 x2 14,833 1,066 ,839 13,912 ,000

x1x2 -6,250 1,306 -,289 -4,786 ,002

x12 -9,333 1,508 -,373 -6,190 ,000

Coeficientesa

Modelo Intervalo de confianza de 95,0% para B

Límite inferior Límite superior

(Constante) 54,312 59,355

1 x1 1,312 6,355

x2 12,312 17,355
 x1x2 -9,338 -3,162

x12 -12,899 -5,768

a. Variable dependiente: y

Gráficos

Regresión

Resumen del modelob

Modelo R R cuadrado R cuadrado Error típ. de la

corregida estimación

1 ,987a ,975 ,953 2,81612

a. Variables predictoras: (Constante), x22, x1x2, x2, x1, x12

b. Variable dependiente: y
 ANOVAa

Modelo Suma de gl Media F Sig.

cuadrados cuadrática

Regresión 1826,083 5 365,217 46,052 ,000b

1 Residual 47,583 6 7,931

Total 1873,667 11

a. Variable dependiente: y
b. Variables predictoras: (Constante), x22, x1x2, x2, x1, x12

Coeficientesa

Modelo Coeficientes no estandarizados Coeficientes t Sig.

tipificados

B Error típ. Beta

(Constante) 56,917 1,285 44,280 ,000

x1 3,833 1,150 ,217 3,334 ,016

x2 14,833 1,150 ,839 12,902 ,000

1
x1x2 -6,250 1,408 -,289 -4,439 ,004

x12 -9,250 1,725 -,370 -5,364 ,002

x22 -,250 1,725 -,010 -,145 ,889

Coeficientesa

Modelo Intervalo de confianza de 95,0% para B

Límite inferior Límite superior

(Constante) 53,771 60,062

x1 1,020 6,646

x2 12,020 17,646
1
x1x2 -9,695 -2,805

x12 -13,470 -5,030

x22 -4,470 3,970

a. Variable dependiente: y
Gráficos

BIBLIOGRAFIA
 https://support.minitab.com/es-mx/minitab/18/help-and-how-to/modeling-
statistics/doe/supporting-topics/response-surface-designs/response-surface-
central-composite-and-box-behnken-designs/
 https://drive.google.com/file/d/1FJ9I9gg-
QHtpP2DTRmqc6CTdUTp4gOZD/view
 https://victoryepes.blogs.upv.es/2016/04/19/que-es-la-metodologia-de-las-
superficies-de-
respuesta/#:~:text=La%20Metodolog%C3%ADa%20de%20la%20Superficie%
20de%20Respuesta%20(RSM)%20es%20un,inter%C3%A9s%20es%20influenc
iada%20por%20otras.&text=En%20cambio%2C%20RSM%20pretende%20loc
alizar,%C3%B3ptimas%20de%20operaci%C3%B3n%20del%20proceso.