OPTIMIZACIÓN

En el caso más simple, un problema de optimización consiste en maximizar o minimizar una

función real eligiendo sistemáticamente valores de entrada (tomados de un conjunto permitido)
y computando el valor de la función. La generalización de la teoría de la optimización y técnicas
para otras formulaciones comprende un área grande de las matemáticas aplicadas. De forma
general, la optimización incluye el descubrimiento de los "mejores valores" de alguna función
objetivo dado un dominio definido, incluyendo una variedad de diferentes tipos de funciones
objetivo y diferentes tipos de dominios.
DISEÑOS ROTABLES
Un diseño experimental rotable es aquel en el cual se tiene igual facultad de predicción en todas
las direcciones a partir de un punto experimental central y donde los otros puntos
experimentales están a una distancia constante del punto central. Esto significa que la variancia
(Se2) depende solamente de la distancia del punto (X1, X2,...Xk) al punto central del diseño (Xo).
El hecho de que la variancia dependa solamente de la distancia, significa que el diseño
permanece inalterado si este es rotado a un ángulo arbitrario tomando como eje de rotación el
punto central. Esta característica es muy útil cuando las unidades de las variables controlables
están dadas en escala natural, en este caso, evidentemente, la distancia dependerá de las
unidades en las cuales las variables controlables son las medidas, y que cambios en la magnitud
de estas unidades cambiaran la localización de los puntos a una distancia constante del origen.

En general los diseños rotables que estudiaremos son:

a) Diseño pentagonal.
b) Diseño hexagonal.
c) Diseño octogonal.

Los cuales son presentados como polígonos regulares inscritos en una circunferencia cuyo
centro es el origen del sistema de coordenadas, de radio unitario o de radio (2) 1/2.

Diseño Pentagonal
Este modelo se utiliza para estimar modelos matemáticos de segundo orden, consiste en cinco
puntos de un pentágono más los puntos necesarios replicados en el centro del diseño para
estimar la variancia del error experimental.

La matriz del diseño puede deducirse de la figura, tal como se observa en la tabla.
Diseño Hexagonal
Es el diseño más popular utilizado por los investigadores, muy útil para estimar modelos de
segundo orden, el cual consiste en seis puntos experimentales correspondientes a un hexágono
regular, más los puntos necesarios replicados en el centro para estimar la variancia del error
experimental. Este diseño se muestra gráficamente en la figura.

La matriz del diseño hexagonal puede deducirse de la figura, cuyos resultados se muestran en
la tabla.

Diseño Octogonal
Este diseño es el más confiable, debido a que utiliza un mayor número de observaciones
(número de pruebas experimentales). Este diseño consiste en ocho vértices correspondientes a
un octágono regular, más los puntos centrales necesarios para estimar la variancia de error
experimental. El diseño esquemáticamente se muestra en la figura.
La matriz del diseño octogonal puede deducirse de la figura anterior, el cual se muestra en
la tabla

Ejemplo: Para Diseño de la matriz de los Diseños Rotables

Analizaremos, para este propósito, el ejemplo que venimos tratando (recuperación de cobre por
tostación-segregación). En las etapas anteriores, Screening y escalamiento, se identificó las
variables que son significativas para el proceso, y se ubicó la región donde se encuentra, el
óptimo.

En esta etapa, de optimización final, vamos a describir la región experimental donde se ubican
las condiciones óptimas, utilizando uno de los diseños rotarles. Para lo que se considera las dos
variables más significativas, como son: Adición de cal y Temperatura de segregación.

Se tiene los siguientes niveles para las variables consideradas:

Una de las formas más adecuadas, para pasar de la escala codificada (matriz de diseño X j) a la
escala natural Zj, es utilizando las ecuaciones siguientes:

Donde:
Z°j: Centro del diseño
∆Zj: El radio del diseño queda definido por
Por lo tanto, los valores de las variables en escala natural quedan definidos por la ecuación
siguiente:

Utilizando las fórmulas anteriores se obtiene la siguiente tabla:

Utilizando la formula bj*ΔZj y la tabla anterior se confecciona la matriz de diseño a escala

codificado y a escala natural para los diseños rotables descritos.

a) Diseño Pentagonal:
CODIFICADO NATURAL
N° X1 X2 Z1 Z2
1 1 0 90 750
2 0.309 0.951 67.5425 845.1
3 -0.809 0.588 31.2075 808.8
4 -0.809 -0.588 31.2075 691.2
5 0.309 -0.951 67.5425 654.9
6 0 0 57.5 750
7 0 0 57.5 750

b) Diseño Hexagonal:
CODIFICADO NATURAL
N° X1 X2 Z1 Z2
1 1 0 90 750
2 0.5 0.866 73.75 836.6
3 -0.5 0.866 41.25 836.6
4 -1 0 25 750
5 -0.5 -0.866 41.25 663.4
6 0.5 -0.866 73.75 663.4
7 0 0 57.5 750
8 0 0 57.5 750
9 0 0 57.5 750
c) Diseño Octogonal
CODIFICADO NATURAL
N° X1 X2 Z1 Z2
1 1 0 90 750
2 0.707 0.707 80.4775 820.7
3 0 1 57.5 850
4 -0.707 0.707 34.5225 820.7
5 -1 0 25 750
6 -0.707 -0.707 34.5225 679.3
7 0 -1 57.5 650
8 0.707 -0.707 80.4775 679.3
9 0 0 57.5 750
10 0 0 57.5 750
11 0 0 57.5 750
12 0 0 57.5 750

ESTIMACION DEL MODELO MATEMATICO PARA DISENOS ROTABLES

Los diseños rotables y compuestos son diseños que tienen tres niveles en cada variable, por lo
cual podemos estimar modelos matemáticos de segundo orden, según la serie de Taylor
estudiada anteriormente.
𝑘 𝑘 𝑘

ȳ = 𝑏0 + ∑ 𝑏𝑖 𝑋𝑖 + ∑ 𝑏𝑢 𝑋𝑢 𝑋𝑗 + ∑ 𝑏𝑗 𝑋𝑗2
𝑖=1 𝑢𝑗=1 𝑗=1

Los coeficientes del modelo matemático de segundo orden pueden ser estimados por varios
métodos, entre los que podemos mencionar a la técnica de regresión múltiple por mínimos
cuadrados, tanto en la forma ecuaciones normales, forma matricial y el método de correlación
múltiple. En cuanto a otras técnicas podemos mencionar a la técnica de búsqueda directa (por
ejemplo, la técnica de Nelder y Mead), o también a la técnica conocida como los polinomios de
Chevyshev, entre otras más. Desde el punto de vista de la facilidad, para poder programar en
computadoras, el método matricial es el más recomendable, y que está definido por la siguiente
fórmula matricial:

Donde:
X: Matriz de diseño.
XT: Transpuesta de la matriz de diseño.
Y: Los datos observados (respuestas).

Veamos numéricamente esta técnica, resolviendo el problema planteado en el ejemplo.

(Recuperación de cobre a partir de residuos de gas de chimenea por tostación-
segregación).
 CODIFICADO NATURAL
N° X1 X2 Z1 Z2 y
1 1 0 90 750 64.1
2 0.5 0.866 73.75 836.6 61.8
3 -0.5 0.866 41.25 836.6 55.3
4 -1 0 25 750 77.3
5 -0.5 -0.866 41.25 663.4 63.2
6 0.5 -0.866 73.75 663.4 39.1
7 0 0 57.5 750 87.9
8 0 0 57.5 750 89.9
9 0 0 57.5 750 88.3

La matriz X y el vector Y están definidos como:

La transpuesta XT está definida por:

El producto de las matrices XTX es la siguiente matriz:

La inversa de la matriz (XTX)-1, denominada también matriz de correlación, es la siguiente
matriz:

El producto XTY es el vector siguiente:

Los coeficientes bj (B) están definidas por el producto (XTX)-1(X.Y).

Así, el modelo matemático para el diseño hexagonal propuesto en escala codificada es la

siguiente.

El modelo matemático sirve para predecir los valores de la recuperación de cobre,

reemplazando valores codificados de las variables en el rango de (-1 a +1). Sin embargo, en
muchos casos es preferible expresar el modelo matemático en escala natural, especialmente
cuando se desea graficar el modelo usando cualquier software, para ello se debe proceder a
decodificar el modelo según las ecuaciones siguientes.

Para el término independiente:

𝑘 𝑘 𝑘

𝑎0 = 𝑏0 − ∑ 𝑏𝑖 ६𝑖 − ∑ 𝑏𝑖𝑢 ६𝑖 ६𝑢 − ∑ 𝑏𝑗 ६2 𝑗
𝑖=1 𝑖,𝑢=1 𝑗=1

Donde:
εi: es el cociente de dividir el centro del diseño (Z i° ) y el radio del diseño (ΔZj).
ao: termino independiente del modelo matemático en escala natural.
Para los términos cuadráticos:
𝑏𝑖 𝑏𝑖𝑗 𝑏𝑗𝑢
𝑎𝑖 𝑍𝑗 = −2 ६𝑗 − ६६ 𝑗 = 𝑢 = 1………..𝑘 − 1
∆𝑍𝑖 ∆𝑍𝑖 ∆𝑍𝑖 𝑗 𝑢

ao : es el coeficiente de los términos lineales del modelo en escala natural.

El tercer término de la ecuación anterior, por comodidad asignaremos la siguiente notación para
tres variables: cuando i=1, los valores de j, u son (1,2) y (1,3), cuando i=2 j, u son (1,2) y (2,3)
y cuando i=3 j, u son (1,3) y (2,3). Se puede extender para más de tres variables, haciendo en
análisis correspondiente.

Para los términos lineales:

𝑏𝑖𝑖
𝑎𝑖𝑖 𝑥𝑖2 =
∆𝑍𝑖2

aij : es el coeficiente del término cuadrático del modelo en escala natural.

Para los términos interacción

𝑏𝑖𝑗
𝑎𝑖𝑗 𝑍𝑖 𝑍𝑗 = 𝑖 ≠ 𝑗 = 1…….𝑘
∆𝑍𝑖 ∆𝑍𝑗

aij : son los coeficientes del término interacción del modelo en escala natural.

Aplicando las ecuaciones para el modelo, al ejemplo que venimos analizando, tenemos la
siguiente tabla de datos:
N° Z1 Z2
(-) 25 650
( +) 90 850
Z° 57.5 750
∆Z 32.5 100
६ 1.769 7.5

Remplazando los valores en el modelo matemático.

𝑎0 = 𝑏0 − 𝑏1 𝑋1 − 𝑏2 𝑋2 + 𝑏3 𝑋12 + 𝑏4 𝑋22 + 𝑏5 𝑋1 𝑋2

Termino independiente
𝑎0 = 88.7 − (−7.33𝑥1.769) − (4.27𝑥7.5) + (18𝑥1.7692 ) + (−39𝑥7.52 )
+ [17.66(1.769)(7.5)]
𝑎0 = −1833.48

Términos lineales
−7.51 −18.0 17.67
𝑎1 = − 2( ) 1.769 − ( ) 7.5 = −2.349
32.5 32.5 32.5
4.27 −39.13 17.67
𝑎2 = − 2( ) 7.5 − ( ) 1.769 = 5.5996
100 100 100

Términos cuadráticos
−18
𝑎11 = = −0.017
32.52
 −39
𝑎22 = = −0.0039
1002

Termino Interacción
17.67
𝑎12 = = 0.0054
(32.5𝑥100)

Por lo tanto, el modelo matemático en escala natural es:

Y = -1833.48 - 2.349 Z1 + 5.599 Z2 - 0.017 Z12 - 0.003 Z22 + 0.0054 Z1Z2

El modelo debe predecir valores de Y (% de recuperación de cobre), reemplazando valores

naturales de las variables, del mismo que el modelo matemático codificado, reemplazando valores
codificados de las variables. Sin embargo, se espera un poco de variación en los valores,
principalmente debido a la exactitud de los cálculos durante la decodificación.

ANALISIS DE VARIANCIA PARA DISEÑOS ROTABLES Y COMPUESTOS

Análisis de significancia de los coeficientes

Los coeficientes de los modelos matemáticos son evaluados para analizar su significancia
mediante el test de Student, definido por:

(8.8)
La variancia asociada a cada coeficiente es:

(8.9)
Donde:
Sbj : Desviación standard asociado a los coeficientes
Cjj : Son los elementos de la diagonal de la matriz de correlación (XTX)-l.

En el ejemplo anterior los elementos de la diagonal de la matriz de correlación son:

Cij=

Se: Desviación standard del error experimental, que se estima de acuerdo a las ecuaciones 8.10:
∑𝑁0
𝑖=1 𝑌𝑖
0
ȳ° =
𝑁0
𝑁0
2
𝑆𝑆𝐸 = ∑(𝑌𝑖0 − ȳ0 )
𝑖=1
 𝑆𝑆𝐸
𝑀𝑆𝐸 =
𝑓2
𝑆𝑒 = √𝑆𝑀𝐸 (8.10)

Las respuestas en el centro del diseño del ejemplo que venimos tratando son:

Aplicando la fórmula se obtiene:

Y° = (87.9+89.9+88.3) /3 =88.7

SSE = (87.9 -88.7)2 + (89.9 - 88.7)2 + (88.3 - 88.7)2 = 2.24

Los grados de libertad f2 = (N° - 1) para el error experimental es: 3-1 = 2

Por lo tanto: MSE=SSE/f2

MSE = 2.24/2=1.12

Se = (1.12)1/2 = 1.058

Aplicando las ecuaciones 8.8 y 8.9 obtenemos la siguiente tabla:

F.V. Se (Cij)1/2 Sbj bj tj Signf.

X1 1.058 0.577 0.610 -7.33 -12.02 Si
X2 1.058 0.577 0.610 4.27 7.00 Si
X12 1.058 0.912 0.966 -18.00 -18.633 Si
X22 1.058 0.912 0.966 -39.14 -40.506 Si
X1X2 1.058 1.1547 1.2217 17.67 14.463 Si

Para analizar la significancia de los coeficientes se compara el test t-calculado, con el T tablas , para
un nivel de significancia de 95% (p=0.05) y dos grados de libertad (f=2), el valor de T0.05,2
= 4.3; si T-calculado es mayor que el t-tabla (Tc >Tt), la variable en cuestión es significativa
para el proceso estudiado. Como puede observarse, en la tabla anterior todos los coeficientes del
término independiente, términos lineales, términos cuadráticos y el termino interacción resultaron
significativos.

Evaluación del Modelo Matemático

De la misma manera el modelo matemático, derivada de los diseños rotables y compuestos, es
avaluado estadísticamente para ver el grado de ajuste a los datos experimentales, de la siguiente
manera:

Se comienza con la suma de cuadrados del residual, que está definido por:
𝑆𝑆𝑅 = ∑𝑁
𝑖=1(𝑌𝑖 − ȳ)
2
(8.11)

Para el cual el número de grados de libertad (f1) está definido por:

(𝑘+2)(𝑘+1)
𝑓1 = 𝑁 − 𝐼 = 𝑁 − (8.12)
2
De las observaciones repetidas en el punto central del diseño encontramos la suma de cuadrados
del error:
𝑁 2
𝑆𝑆𝐸 = ∑𝑖=1
0
(𝑌𝑖0 − ȳ0 ) (8.13)

Para lo cual el número de grados de libertad está definido por:

𝑓2 = 𝑁° − 1 (8.14)

El paso siguiente es hallar la Falta de Ajuste de la suma de cuadrados, tanto del error como del
residual. Definido por:
𝑆𝑆𝐹𝐴 = 𝑆𝑆𝑅 − 𝑆𝑆𝐸 (8.15)

Para este último los grados de libertad están definidos por:

Para ver como la ecuación de regresión (modelo matemático) se ajusta a los

𝑓3 = 𝑓1 − 𝑓2 (8.16)

Datos experimentales, usamos la prueba de Fisher (Test-Fisher). Definida por

𝑆𝑆𝐹𝐴
𝑓3
𝐹= 𝑆𝑆𝐸 (8.17)
𝑓2

La ecuación de regresión estimada se ajusta a los datos experimentales si:

𝐹𝑂 < 𝐹95% 𝑓 𝑓 (8.18)
3 2

Aplicando las fórmulas para ver la falta de ajuste del modelo matemático, seguiremos los
siguientes pasos:

a) Calculo de los valores predichos o estimados de la regresión, mediante la fórmula matricial

b) Calculo de residuales:

SSR = (0.73)2+ (-0.73)2+………+ (-0.40)2 = 5.466

𝑆𝑆𝑅
𝑀𝑆𝑅 =
𝑓1
MSR = 5.466/ (9-6) = 1.822

La suma de cuadrados de la falta de ajuste es:

SSFA = 5.466 – 2.24 = 3.226

𝑀𝑆𝐹𝐴
𝑀𝑆𝐹𝐴 =
𝑓3
MSFA = 3.226 / (3-1) = 1.613

La suma de cuadrado medio del error es 1.12 (Ver sección 8.1.4), por lo tanto el valor de F del
modelo es:
Fo =3.226/1.12 = 2.88

El valor de F de tablas, para un nivel de significancia del 95% y para 1 y 2 grados de libertad,
respectivamente es:
F0.05, 1, 2= 18.5

Por lo tanto, F del modelo es menor que F de tablas, entonces el modelo ajusta o representa
adecuadamente a los datos experimentales.

La tabla siguiente muestra los cálculos involucrados en esta sección.

GRAFICA DEL DISEÑO
Para poder graficar el modelo matemático hacemos uso del modelo matemático en escala
codificada:

Y = -1833.48 - 2.349 Z1 + 5.599 Z2 - 0.017 Z12 - 0.003 Z22 + 0.0054 Z1Z2

Podemos graficar el modelo en el espacio como se muestra en la figura 8.5, o a manera de

contornos o curvas de nivel, como se puede apreciar en la figura 8.6.

Figura 8.5: Efecto de la cal y temperatura de segregación en la recuperación de Cu

Fig. 8.6 Efecto de la cal y T° de segregación. En la recuperación de Cu (2D)

Soluciones Óptimas Sin Restricciones

Los valores óptimos de las variables estudiadas se encuentran por métodos analíticos de
optimización, para ello hacemos uso de las derivadas parciales, es decir derivando la función y
con respecto a cada una de las variables independientes involucradas en el modelo matemático
y luego lo igualamos a cero:
 𝜕𝑌 𝜕𝑌 𝜕𝑌 𝜕𝑌
= 0, = 0, = 0, =0
𝜕𝑋1 𝜕𝑋2 𝜕𝑋3 𝜕𝑋𝑛

Continuando con el ejemplo del problema que se está desarrollando, vamos a encontrar los
valores óptimos para las variables: (X1: Adición de cal) y (X2: Temperatura de segregación ).
Y encontrar la máxima respuesta (% de recuperación de cobre), se puede trabajar con el modelo
a escala codificada o a escala natural.

Ŷ = 88.7 − 7.51𝑋1 + 4.27𝑋2 − 18.0𝑋12 − 39.13𝑋22 + 17.67𝑋1 𝑋2

𝜕𝑌
= +7.51 − 36.0𝑋1 + 17.67𝑋2 = 0
𝜕𝑋1

𝜕𝑌
= +4.27 − 78.26𝑋2 + 17.67𝑋1 = 0
𝜕𝑋2

Ordenando los coeficientes de las variables y colocándolas en el miembro de la izquierda,

definimos su matriz como [A] y el miembro de la derecha términos constantes como el vector
matriz [B].

Luego empleamos la ecuación siguiente para el cálculo de las variables X 1 y X2 y lo

resolveremos matricialmente:

Aplicando las ecuaciones (Ec. 67) y (Ec. 68) hallamos el centro y radio del diseño Octogonal.

El valor de las variables en escala natural se halla por medio de la (Ec. 69)

𝑍𝑗 = 𝑍𝑗𝑜 + ∆𝑍𝑗𝑂 𝑋𝑗

X1= -0.26477 X2= -0.114432

Z1= 57.5 + (32.5*-0.2647) = 48.897

Z2 = 750 + (100*-0.11443) = 738.557

Las condiciones óptimas son:
Adición de cal: 48.89 (Lb/tn)
Temperatura segregación: 738.55

Remplazando estos valores en el modelo matemático a escala natural o a escala codificado se

obtiene la máxima recuperación que corresponde a 88.96%

Y = 88.7-7.51(-0.2647) +4.27 (-0.14113) –18.0 (-0.2647)2–39.13 (-0.11443)2+17.67 (-0.2647) (-0.11443)

Y= 88.96