DISEO EXPERIMENTAL Y

OPTIMIZACIN DE SISTEMAS
CON MLTIPLES RESPUESTAS

3 - METODOLOGA DE LA SUPERFICIE DE RESPUESTA

(RSM)

M.S Cmara M.M. De Zan L. Vera Candioti H. Goicoechea

2016
 Metodologa de la superficie de
respuesta (MSR)
Conocer el funcionamiento de un sistema o
proceso.
Encontrar las condiciones ptimas de
funcionamiento.
Mejoras en costo, tiempo, eficiencia,
productividad y /o calidad.

Conocimiento del Mejora de la

sistema calidad
 Metodologa de la superficie de
respuesta (MSR)
Originada por el trabajo de Box y Wilson (1951)
Box, G. E. P., Wilson, K. G. (1951),On the experimental attainment of
optimum conditions, Journal of the Royal Statistical Society, B 13, 1-45

Desarrollo terico y primeras aplicaciones (dcada

1990)
o Box y Draper (1987)
o Cornell (1991)
o Montgomery y Myers (1996)
o Araujo y Brereton (1996)

Aplicaciones en expansin JMP-IN

(softwares comerciales) MINITAB
o Procesos de fabricacin industrial STATISTICA
oQumica STATGRAPHICS
oFarmacutica oAlimenticia
DESIGN-EXPERT
oBiotecnologica oMetalrgica
oElectrnica
 Metodologa de la superficie de
respuesta (MSR)
Conjunto de tcnicas Analizar el comportamiento
de una
matemticas y estadsticas
RESPUESTA

Construir un
MODELO
x x
y f (x1, x2 ) 1 2

niveles
Datos experimentales

OPTIMIZAR
DISEO DE
EXPERIMENTOS
 Metodologa de la superficie de
respuesta (MSR)
Representacin Grfica del Modelo

y f (x1, x2 )

Encontrar el
PTIMO
 Grficos de la MSR

Graficas de Contorno y Superficie de Respuesta

Respuesta en el
Produccin de almendras

espacio
tridimensional
para la
produccin de
almendras en
funcin de los
fertilizantes
utilizados
 Grficos de la MSR

Grficas de Contorno y Superficie de Respuesta

Cada lnea de
Produccin de almendras

contorno est
formada por
todas las
combinaciones
de los factores
que producen
una misma
respuesta
 Grficos de la MSR
Grfica de Contorno
Design-Expert Software
Rendimiento
Rendimiento 48.00
Design Points
55.1
44.3
20.6

X1 = A: Temperatura 42.00
X2 = B: Tiempo 56.1
B: Tiempo

36.00
54.6

30.00
50.2
38.4 44.3
32.5
26.6
24.00
20.00 27.50 35.00 42.50 50.00

A: Temperatura
 Grficos de la MSR

Superficie de Respuesta
ptimo de la Respuesta

Grfica de contornos

Lneas de Isorespuesta

Niveles ptimos
de las variables
 Buscando las mejores condiciones

Produccin Optimizar el rendimiento!

Experimentos exploratorios
Seleccin de factores

Factores Significativos Rangos

Surfactante
1 Temperatura 20- 60 C

2 Tiempo de incubacin 24-48 hs

 Optimizacin univariada
ESTRATEGIA OVAT
Variaciones de temperatura Grafica de respuesta univariada

T (C) Tpo (Hs) R (g/L)

20 24 20.6
24 24 26.1

Rendimiento
28 24 32.0
32 24 36.3
36 24 39.2
40 24 42.0 Valor ptimo de
44 24 42.9 temperatura
48 24 43.8
52 24 42.5
56 24 41.2

Condiciones ptimas de Temperatura (C)

temperatura Seccin transversal de la
T= 48 R= 43.8 g/L superficie de respuesta
 Optimizacin univariada
ESTRATEGIA OVAT
Variaciones de tiempo Grafica de respuesta univariada

T (C) Tpo (Hs) R (g/L)

Rendimiento
48 24 43.8
48 28 47.8
48 32 50.6
48 36 50.8
48 40 49.2
Valor ptimo de
48 44 45.6 tiempo

Condiciones ptimas
de tiempo a 48C
Tiempo (horas)
Tpo= 36 hs R= 50.8 g/L
Seccin transversal de la
16 experimentos sucesivos: varios das de trabajo superficie de respuesta
(se pueden hacer en simultneo en bloques)
 Grafica de superficie
Variaciones simultneas de de respuesta
tiempo y temperatura
T (C) Tpo (Hs) R (g/L)

Rendimiento
20 24 20.6
20 36 44.9
20 48 51.0
35 24 39.9
35 36 54.9
35 48 52.1
50 24 43.0
50 36 49.1
Valor ptimo de
50 48 37.0 tiempo y temperatura
Prediccin del ptimo por modelado: 9 experimentos
T= 34, Tiempo= 40 hs Rendimiento = 56.2 g/L menor trabajo
oftware
Grafica de contorno

48.00
Rendimiento
Area NA
mximo
44.3

2.17
Tiempo (horas)

ura 42.00
56.1
B: Tiempo

36.00
54.6

30.00
50.2

1.18
38.4 44.3
32.5
26.6
24.00
mnimo
20.00 27.50 35.00 42.50 50.00

Temperatura (C)
A: Temperatura
 MSR y optimizacin
Una misma RESPUESTA puede depender de ms de dos factores

y f ( x1,....,xk )
X 1 constante X 2 constante X 3 constante

X3 X3 X2
X2 X1 X1

Cul es el ptimo?
Tcnicas de optimizacin
 El comportamiento ptimo de un SISTEMA puede depender de ms
de una RESPUESTA.
Softw are
2.00
Area PIR
Design-Expert Softw are
1400.00
Design-Expert Softw are Area SUL
2.00
Area CBZ Area SUL
160.09
229016 Points
Design 15.53
187103
513107 15.847
516246
205584
333539
1.55 153080 10.965
467223
1250.00 30.94
190356 1.55
estra 120.74
213831 X1 = B: Stirring rate
sal X2 = C: adicin sal
X1 = A: pH muestra 9.732
418200
X2 = B: Stirring rate Actual Factor
= 1116.22 89.61 A: pH muestra = 7.00
1.09
198646 45.89
193610
Actual Factor 1100.00 1.09

C: adicin sal = 1.66

7.921
369177

59.75
183461
60.20
196863
0.63 950.00 0.63

5.396
320153
30.84
168276 80.61
200116

0.18 0.18
800.00
2.00 3.25 4.50 5.75 7.00
Respuesta 1 1.00
Respuesta 2
2.75 4.50 6.25 8.00 900.00
Respuesta 3
1000.00 1100.00 1200.00 1300.0

Cul es el ptimo global?

Tcnicas de optimizacin de respuestas mltiples

Requerimientos y
pasos para la
aplicacin
 Requerimientos de la MSR

Creacin de un Diseo de Experimentos

Ajuste de un Modelo

Utilizacin de una Tcnica de Optimizacin

Explorar el modelo para obtener informacin sobre el ptimo

 Diseos y modelos matemticos para
la MSR
Diseo Modelo

22 y 0 1x1 2 x2 12x12

22 + pcentral y 0 1x1 2 x2 12x12 curvatura

11x12 o 22x22 ?

22 + pcentral + paxiales y 0 1x1 2 x2 12x12 11x12 22x22

Para construir un modelo se necesitan como mnimo la misma cantidad de puntos

experimentales diferentes que coeficientes a estimar.
Para evaluar la falta de ajuste se deben incluir repeticiones de un punto del diseo

No se le puede exigir al diseo ms informacin de la que puede brindar

 Construccin
CONSTRUCCIN del
DE UN MODELO Modelo
Experimentos para optimizar la extraccin de un alcaloide
pH Temperatura mg/g Lineal
(X1) (X2) (y) y= 52.2 + 3.8 x1
0 -1 43 + 14.8 x2
-1 1 65
1 0 49
Lineal con Interaccin
0 1 69 y= 52.2 + 3.8 x1
-1 -1 21 + 14.8 x2
- 6.2 x1 x2
1 -1 43
1 1 62
-1 0 45 Cuadrtico
0 0 57 y= 56.9 + 3.8 x1
+ 14.8 x2
0 0 54 - 6.2 x1 x2
0 0 61 - 9.2 (x1)2
0 0 57 - 0.2 (x2)2
Evaluacin del Modelo (ANOVA)
Modelo SC gl MC F0 p (Ft >F0) R2aj
LINEAL 0.70
Regresin 1408 2 704.2 13.6 0.001 significativa
Error Residual 465.3 9 51.7
FAj 440.6 6 73.4 8.9 0.039 significativa

INTERACCION 0.77
Regresin 1565 3 521.5 13.5 0.002 significativa
Error Residual 309.1 8 38.6
FAj 284.3 5 56.87 6.8 0.070 en el lmite

CUADRATICO 0.95
Regresin 1826 5 365.2 46.0 <0.001 significativa
Error Residual 47.9 6 7.9
FAj 22.8 3 761 0.91 0.526 no significativa
Elegir Modelo: mayor F0 de regresin
Error Puro 24.8 3 8.2 menor F0 de Falta Ajuste
mayor R2aj
 Evaluacin del los Coeficientes
Modelo Cuadrtico Completo
y = 56.9 + 3.8 x1
+ 14.8 x2
- 6.2 x 1 x2 Todos los trminos son significativos?
- 9.2 (x1)2 Todos son importantes?
- 0.2 (x2)2 Todos aportan informacin?

Pruebas de Hiptesis para los coeficientes del modelo

Las Hiptesis que hay que probar son:

H0 : i 0 H1 : i 0
i
t0 t0.05,2,nk1
CME
Significancia del Coeficiente:
CMi
F0 F0.05,k,nk 1
CME
Evaluacin del los Coeficientes
MODELO SC gl MC F0 p (Ft >F0)
CUADRTICO
Regresin 1826 5 365.2 46.0 <0.001
x1 88.2 1 88.2 11.1 0.016
x2 1320 1 1320 166 <0.001
x1 x2 156 1 156 19.7 0.004
(x1)2 228 1 228 28.8 0.002
Variable no
(x2)2 0.17 1 0.17 0.02 0.889
significativa
Residual 47.9 6 7.9
LOF 22.8 3 761 0.91 0.526
Modelo completo Eliminar del
Error Puro 24.8 3 8.2 modelo

Utilizar el modelo ms simple que

Principio de describa el comportamiento del
Parsimonia sistema
Tcnicas para depurar los Modelos

Manual
Eliminacin Backward

Modelo Completo Modelo Depurado

Adicin Forward
Modelo Reducido Modelo Depurado
Categora de MODELOS
CATEGORA DE LOS los Modelos

Modelo Completo Modelo Reducido Modelo Jerrquico

y = 56.9 + 3.8 x1 y = 56.9 + 3.8 x1

+ 14.8 x2 + 14.8 x2
- 6.2 x 1 x2 - 6.2 x 1 x2
- 9.2 (x1)2 Se conserva el
- 9.2 (x1)2 trmino de
- 0.2 (x2)2 primer orden

y = 38.9 + 13.3 x1 y = 38.9 + 13.3 x1 y = 38.9 + 13.3 x1

- 0.3 x2 - 9.2 (x1)2 - 0.3 x2
+ 0.1 x 1 x2 - 1.2 (x2)2 - 9.2 (x1)2
- 9.2 (x1)2 - 1.2 (x2)2
- 1.2 (x2)2

Un Modelo es Jerrquico cuando contiene todos los trminos ms simples que

componen los trminos de mayor orden que estn en el modelo. Los modelos
jerrquicos tienen un comportamiento ms estable que los no jerrquicos.
 Modelos matemticos para la MSR
MODELO LINEAL o de PRIMER ORDEN
Design-Expert Software

T (A)
1.51

0.77

X1 = B: pH
X2 = C: Temp
1.220
Actual Factors
A: Apareante = 15.00
D: Acetato = 60.00
Para dos factores este 1.188

modelo tiene 3 trminos

Respuesta
1.155

1.123

1.090

k
y 0 i x i 40.00
36.25 3.750
4.000

i 0 32.50
28.75 3.250
3.500

X1 X2
25.00 3.000

Para k> 2 es un hiperplano

0 trmino constante
i coeficiente del modelo que afecta al factor x
 Modelos matemticos para la MSR
Design-Expert Software

R (A)
13.232

0.985

X1 = A: Apareante
X2 = D: Acetato
25.00
MODELO LINEAL CON INTERACCIN
Actual Factors
B: pH = 3.500
C: Temp = 32.50
18.75

Respuesta
12.50

6.250
Para dos factores este
modelo tiene 4 trminos 0.0000

150.0 30.00
117.5 25.50
85.00 21.00
52.50 16.50
X1 X2
20.00 12.00

k Puede verse como

y 0 i xi ij xi x j X2 tiene distinto
i 0 i j comportamiento
segn X1

ij coeficiente de interaccin entre el factor x y el factor x j

Modelos matemticos para la MSR
Design-Expert Software

MODELO CUADRATICO o de SEGUNDO ORDEN

Dureza
5.56

2.09

X1 = A: % Manitol
X2 = B: %Camphor 5.7

4.775

3.85

Dureza
Para dos factores este 2.925

modelo tiene 6 trminos 1.00

2
0.50

0.00
A: % Manitol
1.00
0.50 -0.50
0.00
-0.50
-1.00 -1.00

B: %Camphor

k k
y 0 i x i ii xi 2 ij xi x j
i 0 i 1 i j

ii coeficiente que explica la curvatura del factor xi2

 Modelos matemticos para la MSR
MODELO CBICO o deSoftware
Design-Expert TERCER ORDEN
R3
82

1.33
67
X1 = A: A
X2 = B: B
48.25
Actual Factor
C: C = 0.00
Para dos factores este 29.5

R3
modelo tiene 10 trminos 10.75

-8

1.00 1.00
0.50 0.50
0.00 0.00
-0.50 -0.50
B: B A: A
-1.00 -1.00

y 0 1 x1 2 x2 12 x1 x2 11x12 22 x22 111x13 222 x23

112 x12 x2 221x22 x1
 Pasos de la MSR

1 Definir los objetivos de la optimizacin

Plantear adecuadamente el PROBLEMA a resolver y seleccionar la
RESPUESTA a evaluar
2 Seleccionar los factores que resultan significativos

3 Establecer la Regin de Operabilidad

Considerar las posibilidades instrumentales y la informacin sobre el
sistema

4 Seleccionar un Entorno Experimental

Definir la regin del espacio de los factores en donde vamos a planear los
experimentos
 Pasos de la MSR
5 Construir un Diseo Experimental de Optimizacin
Recabar datos experimentales

6 Elaborar un Modelo Matemtico

Graficar la SUPERFICIE DE RESPUESTA y evaluar resultados

Repetir los pasos 4 , 5 y 6 si fuera necesario

7 Localizar el ptimo buscado para la Respuesta
Utilizar herramientas grficas y/o matemticas para predecirlo.

8 Verificar experimentalmente
Confirmar el valor de la respuesta utilizando los niveles ptimos de los
factores
 Regin de operabilidad y entorno
experimental
Regin de Operabilidad

Condiciones en donde el
proceso o equipo puede ser
operado
X1
Entorno Experimental
X3
Limitado por los niveles
X2 seleccionados para los factores

Si conocemos poco del sistema, el punto ptimo puede encontrarse

fuera del entorno experimental inicial
El Entorno Experimental debe moverse hacia la localizacin del ptimo
 Planificacin de los experimentos

Conocimiento previo del

sistema SI
NO
Aproximacin al ptimo Comportamiento esperado para la Respuesta
Localizacin probable del ptimo

Determinacin del ptimo

Modelo probable

Primer orden Segundo orden

Diseo Experimental de Optimizacin

La Metodologa de Superficie de Respuesta
puede ser una Tcnica Secuencial
Aproximacin al ptimo Localizacin del ptimo

Diseo de Optimizacin de Diseo de Optimizacin de

Primer Orden Segundo Orden

Experimentar Experimentar

Modelo de Primer Orden Modelo de Segundo Orden

Evaluar curvatura no lineal Caracterizar la Superficie

lineal

Mover el Entorno Establecer

Experimental en el sentido
Condiciones ptimas
del ptimo
 Aproximacin al
ptimo con diseos
de primer orden
 APROXIMACIN AL PTIMO: cuando no se
sabe nada sobre el sistema a estudiar
Objetivo: Aplicar experimentos que permitan moverse rpidamente a las
proximidades del ptimo buscado para la respuesta.

Diseos Experimentales de Primer Orden

Modelos de Primer Orden

Tcnica de
ESCALAMIENTO ASCENDENTE
(o descendente)

Esta tcnica opera paso a paso , programando el paso siguiente en

funcin de los resultados del anterior
En cada paso se estudia una regin relativamente pequea.
 Diseo para superficie de
respuesta de primer orden
SIMPLEX: Figura geomtrica con FACTORIAL EN DOS NIVELES: se
k + 1 vrtices (k: n de factores) estudian todas las combinaciones
de los factores en +1 y -1
factor 2

factor 2
Diseo SIMPLEX

factor 1 factor 1
factor 2

factor 2
factor 1
factor 1
 Diseo SIMPLEX en escalamiento
ascendente

Diseo SIMPLEX

Paso 1
Simplex Inicial: experimentos 1, 2 y 3
La peor respuesta es la del experimento 3 Buscar un opuesto
 DISEO SIMPLEX en ESCALAMIENTO ASCENDENTE
Mtodo de Escalamiento Ascendente sin ajustar
Modelo

Paso 2
Segundo Simplex : experimentos 1, 2 y 4
La peor respuesta es la del experimento 2 Buscar un opuesto
Paso 3
Tercer Simplex : experimentos 1, 4 y 5
La peor respuesta es la del experimento 1 Buscar un opuesto
Paso 4
Cuarto Simplex : experimentos 4, 5 y 6
Las peores respuestas son las 4 y 5 Buscar opuestos
Paso 5
Quinto Simplex : experimentos 5, 6 y 7
La mejor respuesta es la 6
Sexto Simplex : experimentos 4, 6 y 8
Seleccionar un Entorno Experimental para un
Diseo de Segundo Orden que permita
localizar el ptimo
 Mtodo de la mxima pendiente

Se recorre
secuencialmente una
trayectoria en sentido
ascenso de su mxima
pendiente, es decir,
del mayor incremento
o decremento de la
descenso respuesta

Superficie ajustada con un Modelo de Normal de la

Primer Orden Superficie de
k Respuesta
y 0 i x i ajustada
i 0
 Diseo Factorial en mtodo de la
mxima pendiente
Paso 1 Establecer el Punto Base, o Punto de Origen
Respuesta
1.000

54.04
Paso 2 Elaborar un Diseo
0.5000 55.58
2k (-1, +1)
o Punto Central
Factor 2

0.0000
j (xi = xj =..xk = 0)
coincidente con el
Punto de Origen
-0. 5000
o Rplicas en el Punto Central

-1. 000
-1. 000 -0. 5000 0.0000 0.5000 1.000
i
Paso 3 Ajustar un modelo lineal, obtener la Superficie de Respuesta
Factor 1
y evaluar curvatura
 55.58

Paso 4 Se elige una de las variables como variable de apoyo y se

establece un tamao de incremento o escaln para la misma.

x j 1
x j 1 Paso 5 Calcular el
incremento para las
otras variables
j i
i xi
xi j x j
i j
i 1,2,....k; i j

y 0 i xi j x j ... ...k xk
-0.5000 0.0000 0.5000 1.000

i
xi
MximaFactor
Pendiente
1 en el plano i x j j
 Paso 6 Convertir cada incremento a valores naturales para obtener un
punto experimental en el sentido de la mxima pendiente.
Respuesta
1.000

54.04
i
Pendiente
j
0.5000 55.58
Factor 2

0.0000

Paso 7 Continuar
experimentando en esta
direccin hasta no
-0. 5000
observar ms incrementos

-1. 000
-1. 000 -0. 5000 0.0000 0.5000 1.000
 Paso 8 Crear un nuevo Diseo 2k con replicas en el punto central que
debe coincidir con el ltimo punto experimental de mejor respuesta.
Respuesta
1.000

Paso 9 Construir un
54.04
nuevo modelo de primer
55.58
0.5000
orden y evaluar curvatura
Factor 2

0.0000 Paso 10 Experimentar en el

sentido de mximo ascenso del
nuevo modelo hasta no
-0. 5000 obtener ms incrementos.

-1. 000
Repetir Paso 8 y Paso 9 hasta
-1. 000 -0. 5000 0.0000 0.5000 1.000 encontrar curvatura
significativa, o la respuesta
Regin del PTIMO
Factor 1 localizada ptima
 DISEO FACTORIAL en MTODO DE MXIMA PENDIENTE

Optimizacin del rendimiento de una reaccin de sntesis de un polmero

Punto de base u origen: 35 min a155 C
Primer entorno experimental: 30-40 minutos y 150-160C
Diseo factorial a dos nieles con cinco repeticiones del punto central

Variables Naturales Variables codificadas Respuesta

min C x1 X2 Rendimiento (%)
30 150 -1 -1 39.3
30 160 -1 1 40.0
40 150 1 -1 40.9
40 160 1 1 41.5
35 155 0 0 40.3
35 155 0 0 40.5
35 155 0 0 40.7
35 155 0 0 40.2
35 155 0 0 40.6
Modelo Ajustado
y 40.44 0.775 x1 0.325 x 2

Pruebas de Adecuacin del Modelo Lineal

Modelo Significativo
Falta de Ajuste No Significativa
Interaccin No Significativa
Curvatura No Significativa

i
Trayectoria de Mximo Ascenso Pendiente
o Pasa por el punto 40.44 j
o Tiene una Pendiente =0.325/0.775
 Seleccin de un incremento base para una de las variables

x1 1 5min
Seleccin del incremento de la otra variable en funcin de la mxima
pendiente en ascenso
x2 (0.325/ 0.775)x1 0.42 2 C
Experimentos con pendiente en ascenso
Incrementos Variables Naturales Variables codificadas Respuesta
min C x1 X2 Rendimiento (%)
Origen 35 155 0 0 40.5
O+ 40 157 1.00 0.42 49.5
O+2 45 159 2.00 0.84 59.8
O+3 50 161 3.00 1.26 70.4
O+4 55 163 4.00 1.68 80.9
O+5 60 165 5.00 2.10 75.1
Se crea un nuevo diseo alrededor del punto (55, 163)

Variables Naturales Variables codificadas Respuesta

min C x1 X2 Rendimiento (%)
50 158 -1 -1 76.5
50 168 -1 1 77.0
60 158 1 -1 78.0
60 168 1 1 79.5
55 163 0 0 81.2
55 163 0 0 80.5
55 163 0 0 80.7
55 163 0 0 80.9
55 163 0 0 80.6
Modelo Lineal
Pruebas de Adecuacin del Modelo Lineal
Modelo No Significativo
Falta de Ajuste Significativa
Interaccin No Significativa
Curvatura Significativa

Modelo Cuadrtico
Pruebas de Adecuacin del Modelo Cuadrtico
Modelo Significativo Proximidad del ptimo
Falta de Ajuste No Significativa
Interaccin No Significativa Seleccionar entorno experimental
Curvatura Significativa para diseo de segundo orden
 Diseos de
segundo orden
 Diseos experimentales de
segundo orden
1 Proporcionar una distribucin razonable de puntos de
datos en el Entorno Experimental

2 Generar datos que permitan el ajuste de un modelo

matemtico de segundo orden

Estudiar cada factor en al menos tres niveles anlisis de

curvatura.
Tener una cantidad de puntos que permitan estimar
todos los trminos del modelo cuadrtico.

N min= 1 + 2k + k (k-1)/2
k=3
X1
X2
X3
X1x2 x1x3 x2x3
X1x2x3
X12 X22 X32

N min= 1 + 2k + k (k-1)/2 = 1 + 2.3 + 3 (3-1)/2 = 10

3 Posibilitar el estudio de la Idoneidad del Modelo y la
Falta de Ajuste.

Repeticiones del punto central o de otro punto (4-6).

N = N min + Co

4 Ser Eficiente para el cumplir con el objetivo propuesto

sin requerir demasiados puntos experimentales.
5 Minimizar la Varianza de los Coeficientes de Regresin
del Modelo:

Ortogonalidad
A B AxB
1 1 1 A con B:
-1 1 -1
[1x1]+[(-1)x1]+[1x(-1)]+(-1)x(-1) = 0
1 -1 -1
-1 -1 1

6 Posibilitar la realizacin de experimentos en Bloques:

Cuando es necesario bloquear el diseo, es importante
mantener la ortogonalidad de los bloques.
El punto central debe distribuirse por igual entre los
bloques.
7 Proporcionar un error de prediccin estable en el
entorno experimental:
Rotabilidad

Error Estndar del Modelo

0.437

0.437
8 Permitir la creacin secuencial a partir de diseos de
primer orden

2k 3k

9 Posibilitar la obtencin de diseos aumentados

3k D-Optimal
 Diseos
simtricos
 Diseo Factorial Completo a 3 niveles
Se investigan todas las posibles combinaciones de los niveles de los
factores
Nmero de experimentos (N= 3k )
El nmero de experimentos crece rpidamente con el nmero de
factores
Punto central

Dos factores Tres factores

3 niveles por factor (-1, 0 , +1)

 Diseo Central Compuesto

Compuesto por:
Diseo cbico, que responde al diseo factorial completo 2k
Punto central
Diseo estrella, a una distancia del centro.

Nmero de experimentos
(N = 2k +2k + C0)

5 niveles por factor (-, -1, 0, +1, +)

Puede generarse a partir de un diseo factorial de primer
orden anterior cuando se observa curvatura y quiere
estudiarse mejor esta regin del espacio experimental

Aumento del Diseo

Diseo inicial

curvatura

Factorial en dos niveles Estrella

2k + Co
2k+ Co
Bloque 1 Bloque 2
 Los puntos estrella o puntos axiales pueden tomar
distintas ubicaciones en el entorno experimental, a una
distancia del centro del diseo

Centrado en las caras 1

Circunscripto 1
o Rotable 4 n fact
Entorno experimental
o Esfrico k esfrico
Cuasi-Rotables
Puntos axiales
o Prctico 4 k posibles
experimentalmente
k 5
Diseo Central Compuesto centrado en las caras

= 1.0 Se transforma en un
diseo de tres niveles

El entorno experimental es
ms acotado

Es til cuando en la prctica

no se pueden modificar
fcilmente los niveles de los
factores
Diseo Esfrico Diseo Rotable Diseo Prctico

k Valor de alfa
2 1.414 1.414 1.189
3 1.732 1.682 1.316
4 2.000 2.000 1.414
5 2.236 2.378 1.495
 Diseo Box-Behnken

Compuestos por la combinacin de diseos factoriales a dos

niveles con diseos de bloques incompletos

Nmero de experimentos (N = 2k (k1) + c0 )

Puede aplicarse para k 3
Punto central

Tres factores

3 niveles por factor (-1, 0 , +1)

 Matriz de Doherlet
El dominio experimental es muestreado de manera uniforme, los puntos
experimentales son equidistantes entre si.
Los factores varan en diferente nmero de niveles cada uno. Para un
diseo de 3 factores el primero toma tres niveles, el segundo cinco y el
tercero siete

Nmero de experimentos (N= k2+k+Co)

x1
1.0

-1.0

-1.0 -0.5 0 0.5 1.0 x2

 Eficiencia
La Eficiencia de un diseo est dada por el cociente entre el
nmero de coeficientes estimados por el modelo y el numero
total de puntos experimentales
Box-Behnken (BB) Central compuesto (CC) Factorial completo (FC)
N = 2k (k1) + C0 N = 2k +2k + C0 N = 3k

Factores Coeficientes Puntos Experimentales(N) Eficiencia (E)

(modelo cuadrtico) (1 punto central)

BB CC FC BB CC FC
2 6 - 9 9 - 0.67 0.67
3 10 13 15 27 0.77 0.67 0.37
4 15 25 25 81 0.60 0.60 0.18
5 21 41 43 243 0.51 0.49 0.08
6 28 49 77 729 0.57 0.36 0.04
7 36 57 143 2187 0.63 0.25 0.02

ms eficiente
Diseos
optimal
 Diseos ptimos
Son Diseos NO Simtricos, logrados mediante
algoritmos computacionales cuyo fin es
satisfacer condiciones establecidas por el
operador, tales como:
Cantidad de puntos experimentales
Tipo de modelo a ajustar
Rangos de las variables
Regiones no posibles de ensayo
 Diseos ptimos
1 Regin Experimental Irregular.
2 Falta de Ajuste de Modelo Cuadrtico.
3 Necesidad de reducir la cantidad de puntos
experimentales.

Se dividen en distintos tipos, nombrados por las

letras del alfabeto.
El tipo de Diseo ptimo se refiere a la propiedad o
criterio que se pondera en el diseo.
 Diseo D-optimal

Es un diseo basado en el criterio de proporcionar

una buena estimacin de los parmetros de
regresin para el modelo seleccionado.

11 Puntos Experimentales distintos

Se pierde Rotabilidad
 Diseo D-optimal con restricciones

40.0

Regin de alta presin

% MetOH

Se crean ecuaciones para

20.0
1.0 restringir el rea donde el
Flujo (mL/min) 2.0
sistema genera combinaciones
no favorables

Se seleccionan puntos
Regin experimentales con una
favorable Distribucin ptima desde el
punto de vista estadstico.
Seleccin de puntos experimentales en
dominio asimtrico

Puntos Seleccionados

Determinante de
XTX mximo

Buena estimacin de
coeficientes y error de
prediccin ms o menos
estable.
Error estndar en un diseo central
compuesto
 Error estndar en un diseo central
compuesto al que se quitaron dos puntos
por no poder operarse en esa regin
 Error estndar en un diseo central
D-optimal con restricciones para evitar
esos dos puntos
ANEXO: Creando un D-Optimal con restricciones
Localizacin del
ptimo
Diseos Experimentales de Segundo Orden

Modelo de Segundo Orden

Buen ajuste y R2aj mayor a 70%

para PREDECIR

Localizacin del Punto Estacionario

Candidato al ptimo

Anlisis cannico Anlisis de cordillera

 Punto Estacionario
Es el punto del espacio de los factores en el cual el plano
tangente a la superficie tiene pendiente igual a cero y es un
candidato al ptimo

Punto de Respuesta Punto de Respuesta Punto Silla

Mxima Mnima

Loma Valle Silla de montar

Cuando hay un punto silla la superficie sube o baja a partir
del punto estacionario dependiendo de la direccin en la
que nos movemos

Punto Silla
Paso 1 Ajustar un Modelo de Segundo Orden con niveles
codificados
k k
y 0 i x i ii xi ij xi x j
2
i 0 i 1 i j

Paso 2 Verificar el tipo de Superficie de Respuesta

obtenida
Anlisis grfico
Anlisis cannico

Paso 3 Obtener el Punto Estacionario

y x1 y x2 ...... y xk 0
 y 0 x'b x'Bx
En donde:
x1 11 12 2 ... 1k 2
x

x 2 Es el vector de
22
2k 2
B
los factores
x k


sim kk
1
Es una matriz simtrica cuya
2 Es el vector de los
diagonal principal est
b coeficientes de
formada por los coeficientes
regresin de primer
k de los trminos cuadrticos
orden
puros
 La derivada de la funcin respecto al vector x
igualada a 0 es:

y
b 2Bx 0
x
de donde puede calcularse el punto estacionario:

1 -1
x0 - B b Qu tipo de punto estacionario es?

2
La respuesta predicha para el punto estacionario estar dada por:

1
y0 o xob Es el ptimo que buscamos?
2
 Anlisis cannico

Forma Cannica del Modelo

y y 0 1w12 2 w22 ..... k wk2

y0 Valor de la respuesta predicho por el modelo en el punto

estacionario
Transformaciones de las variables
wi Variables cannicas
codificadas

i Autovalores de la matriz B
 w2
x2 w1
Cordillera de la
Superficie

Punto estacionario
x1

Origen del Diseo

Entorno Experimental

Ecuacin cannica: rotacin y traslacin de los ejes

coordenados
 Caracterizacin de la Superficie

Formas clsicas
Punto Estacionario DENTRO del Entorno Experimental

i
Positivo para todas las i: Punto MNIMO VALLE

Negativo para toda i: Punto MXIMO LOMA

Ambos signos: Punto SILLA DE MONTAR

 Caracterizacin de la Superficie

Otras formas
Punto Estacionario FUERA del Entorno Experimental

i
Positivo para todas las i: CRESTA DESCENDENTE

Negativo para toda i: CRESTA ASCENDENTE

Ambos signos: CORDILERA ESTACIONARIA

ert Software LOMA ASCENDENTE
Design-Expert Software
R1
R1 0.00
55.1

20.6
56
X1 = A: A
X2 = B: B
-0.38
42

28
48.6
R1

B: B
-0.75
14

0
42
-1.13

0.00 2.00
28.8 35.4
-0.38 1.38 28.8
22.2
-0.75 0.75
-1.50
-1.13 0.13
B: B A: A -0.50 0.13 0.75 1.38 2.00
-1.50 -0.50

Qu hacemos en este caso? A: A

Seguimos experimentando en el sentido del ptimo, siempre que lo

permitan las condiciones de operacin del sistema.
Proponemos un ptimo alternativo, en donde la respuesta es favorable
y las condiciones de operacin son posibles
Software
CORDILLERA ESTACIONARIA
Design-Expert Software
R1
R1 1.50
10 2.42
3.94
3
5.45
10 X1 = A: A
X2 = B: B
6.97
0.75
8.48
7.5

B: B
R1

0.00

2.5

0 8.48
-0.75
6.97

1.50 1.00 5.45

0.75 0.50 3.94
0.00 0.00 2.42
-1.50
-0.75 -0.50
B: B A: A -1.00 -0.50 0.00 0.50 1.00
-1.50 -1.00

Qu hacemos en este caso? A: A

Podemos seleccionar el mejor punto desde el punto de vista operacional

que de una respuesta satisfactoria.
En este caso habr muchas soluciones posibles al problema y podemos
decidir sobre la conveniencia del nivel de los factores
 LOCALIZACIN DEL PTIMO- ANLISIS de CORDILLERA

Qu hacemos cuando el punto estacionario no es el ptimo buscado?

Objetivo: MAXIMIZAR
la Respuesta

Punto Estacionario

En este caso deberemos encontrar el mejor punto posible dentro del

Entorno Experimental. Este punto se ubica en la cordillera de mayor
crecimiento de la superficie y se encuentra por el mtodo conocido como
anlisis de cordilleras
 Construir esferas (o crculos) concntricas al centro del diseo

Objetivo: MAXIMIZAR
la Respuesta

Centro del Diseo

Punto ptimo
en el Entorno
Experimental

Los softwares de optimizacin

emplean ecuaciones matemticas Cordillera del sistema
para resolver este tipo de situaciones Puntos
alternativos
 Error de prediccin
Para estar seguros de haber encontrado un ptimo confiable para
nuestro sistema debemos tener en cuenta el error en la prediccin

El error de prediccin de la respuesta es funcin del

modelo postulado, el diseo y ubicacin del punto
Est dado por el producto del Leverage en ese punto de la superficie
por el Error Experimental

Vy L x Vexp
De una manera similar a cuando se obtiene la varianza en la
prediccin en una curva de calibrado univariado

El Intervalo de Confianza para la respuesta predicha puede

calcularse a partir de su desviacin estndar

IC y t(0.05) x S y
 Error de prediccin
Leverage: funcin del diseo y del modelo ajustado
ert Software Leverage vs. Run Design-Expert Software Leverage vs. Run
R1
1.00
1.00
by value of
Color points by value of
R1:
795.8
0.75 1 0.75
puntos axiales
Leverage

Leverage
0.50 0.50

0.25 0.25

puntos centrales
0.00
Design-Expert Software

StdErr of Design
DCC 0.00

1 3 5 7 9 11 13 15 17
1 3 5 7 9 11 13 15 17
1.5

Modelo Lineal
Run Number
0.5

X1 = A: A
1.000 Modelo Cuadrtico
R un N um ber

X2 = B: B
0.750
StdErr of Design

Actual Factor
C: C = 0.00
0.500

0.250

0.000

1.00
1.00
0.50 0.50

0.00 0.00
-0.50 -0.50
B: B A: A
-1.00 -1.00
 Diseos
De mezclas
 En los casos estudiados hasta
ahora (deseos experimentales
para variables independientes),
cada variable poda tomar
cualquier valor dentro de su
rango, independientemente del
valor tomado or las otras
variables.
Euna mezcla tenemos la restriccin
de que la suma de todos los
componentes sea 1 (o 100%). Es
decir no pueden ser variados
independientemente, ya que al
hacerlo se puede pasar el porcentaje
de 100. 1
S=1 S=2

S=1
0 S=0 S=1
0 1
Como consecuancia, no es
posible aplicar a los
problemas de mezclas los
diseos vistos.
Cuando es necesario realizar diseos de mezclas?

Composicin de azcares (u otro nutriente) de un

medio de cultivo que exige que se cumpla cierto
valor de osmolaridad.
Mezcla de solventes en un proceso extractivo
(diferentes polaridades para diferentes compuestos
a extraer).
Composicin de fases en cromatografa.
Diferentes ligandos de un comprimido
farmacutico.
Constituyentes de un alimento.
Otros.
 Cuando los factores analizados son componentes
de una mezcla, sus niveles no son
independientes entres si.

El espacio experimental es una figura que tiene

tantos vrtices como componentes, en un espacio
cuya dimensionalidad es igual al nmero de
componentes menos uno.

La respuesta es una funcin de las proporciones

de los componentes.
 X1+x2 = 1
Dos componentes (2)
Espacio experimental:
x2

segmento de recta (cada extremo

corresponde a 100 % un
componente)
Dimensionalidad: 1
0
1

0 x1
1

Tres componentes (3)

Espacio experimental: tringulo
(cada vrtice corresponde a un
componente puro)
Dimensionalidad: 2
1

0.5
0.33

0
 Cuatro componentes (4)
Espacio experimental:
pirmide (cada vrtice
corresponde a un
componente)
Dimensionalidad: 3
Modelo clsico para un sistema lineal de 2
componentes:

y = b0 + b1 x1 + b2 x2
=

y = X b + e = ypred + e

(XTX)-1XT y = (XTX)-1XTX b

b = (XTX)-1XT y b = [b0 ; b1 ; b2 ]
ypred = X (XTX)-1XT y ypred = H y
(H es conocida como matriz hat por sombrero)

Xb = X(XTX)-1XT y

Pero XTX es singular en un diseo de

mezclas
ya que x1+ x2 = 1
y = b0 + b1 x1 + b2 x2 + e
Si (x1+ x2= 1), podemos hacer:

ypred = b0 (x1+ x2)+ b1 x1 + b2 x2 (la suma no se altera)

ypred = (b0 + b1) x1 + (b0 + b2) x2

ypred = b1* x1 + b2 * x2

Si x1 = 1, x2 = 0, entonces y = b1*
Si x2 = 1, x1 = 0, entonces y = b2*

Con slo dos experimentos se pueden calcular fcilmente los

coeficientes del modelo lineal para dos componentes
Reemplazando x12 = x1 (1- x2 ) y x22 = x2 (1- x1 ), se llega a :

ypred = b1* x1 + b2 * x2 + b12* x1 x2

Modelo cuadrtico para dos componentes

De manera similar se puede llegar a:

ypred = b1* x1 + b2 * x2 + b3 * x3 + b12* x1 x2 + b13* x1 x3 +

+ b23* x2 x3
Modelo cuadrtico para tres componentes

ypred = b1* x1 + b2* x2 + b3* x3 + b12* x1 x2 + b13* x1 x3 +

+ b23* x2 x3 + + b123* x1 x2 x3
Modelo cbico especial para tres componentes
Modelo cuadrtico csico:

Yi = o + 1 X1 + 2 X2 + 12 X1 X2 + 11 X12 + 22 X22 + i

Modelo de Scheff:
q q
y i xi ij xi x j ijk xi x j xk
i 1 i j k

Henry Scheff (1907-1977)

 Diseos utilizados

Simplex Lattice
Simplex Centroid

D-Optimal
 Ejemplo 1
Formulacin del un comprimido
en que se busca la mejor mezcla de los tres
ligandos (90.8% del total):
alfa-lactosa monohidratada
(X1), beta-lactosa anhidra (X2) y almidn de arroz
modificado (X3).

Respuestas: fuerza que hay que hacer para romper la

tableta (Y1), y la velocidad de disolucin (Y2).
(R. Leardi / Analytica Chimica Acta 652 (2009) 161172)
 Modelo obtenido para la primer respuesta:

Los coeficientes de los trminos lineales

corresponden a la respuesta obtenida
con el componente puro.
 Los coeficientes de las interacciones dobles
indican el efecto sinrgico. En el ejemplo, si no
hubiera interaccin, el valor debera ser el promedio de los
coeficientes para X1 y X2, es decir 72 [(31+113)/2]. Pero
es 120/4 (as se calcula el efecto en las interacciones
dobles, dividiendo por cuatro), es decir 30, o sea 42
unidades menos.b

Los coeficientes de las interacciones triples se

calculan dividiendo por 27
 Y1 = 31
(X1 = 100%)

Y1 = 39 (X2 = 0)
Y1 = 42 (X3 = 0)

Y1 = 38
Y1 = 113 (X3 = 100%)
(X2 = 100%) Y1 = 70 (X1 = 0)

En la figura puede verse que X2 tiene el mayor efecto sobre Y1 y

ste es positivo.
X1 tiene menor efecto, pero negativo (pasa de 70 a 31).
X3 es el componente con menor efecto (pasa de 42 a 38).
Observar que estos efectos no se corresponden con los
valores de los coeficientes!
Modelo obtenido para la segunda respuesta:

Mayor
respuesta para
la combinacin
de ambos
factores
 Ejemplo 2
Formulacin de un comprimido
en el cual hay 20% de droga y el resto
corresponde a una mezcla de 3
excipientes:

1- Lactosa
2- Avicel PH 101 (una celulosa microcristalina)
3- Hidroximetilpropilcelulosa (HMPC)

Comprehensive Chemometrics.Vol 1, pgina 431

Se mide una propiedad:

Fuerza de rotura (kg) <1.30

Se quiere ajustar un modelo
cbico especial
Ajuste de la primer respuesta Fuerza de rotura
La interaccin BC se debe mantener para que el
modelo sea jerrquico
 Grfica de trazas: Trace

Es una especie de silueta de la superficie

de respuesta.

Representa el efecto de cambiar cada

componente en una lnea imaginaria a
partir de una mezcla referencia (el
centroide)
 Grfica de trazas para el ejemplo 1
(Leardi)

Es un anlisis similar al realizado anteriormente

Uso de restricciones

Ejemplo: es necesario
que los tres
componentes estn
siempre
 A veces es necesario que nunca estn
en forma pura

Pseudocomponentes
 Pseudocomponentes
Ejemplo: Formulacin de un
detergente midiendo dos
respuestas: viscosidad y turbidez

Restricciones:
3% A (agua) 8%
2% B (alcohol) 4%
2% C (urea) 4%
A+B+C=9%

Tutorial DExpert
Pseudocomponentes: diseo generado
Pseudocomponentes
Propiedades del diseo
Pseudocomponentes
Los vrtices ya no son puros
 Ejemplo usando efluentes industriales
para un medio de cultivo

Efluente de la
industria lechera

Efluente de la
Efluente de la
industria
industria
azucarera
cervecera

Optimization of the Bacillus thuringiensis var. kurstaki HD-1 d-endotoxins production by using experimental mixture design
and artificial neural networks. GA Moreira, GA Micheloud, AJ Beccaria, HC Goicoechea, Biochem. Eng. J., 2007, 35, 48-55.
Modelos mixtos: mezcla-proceso
Mezcla-Mezcla (mezclas cruzadas)
 Modelo mixto

Lineal x Lineal

Cuadrtico x Cuadrtico
 Modelo lineal mixto de mezclas cruzadas
para tres componentes
y = f (x) x g (z)

y = (f1 x1 + f2 x2 + f3 x3) x (g1 z1 + g2 z2 + g3 z3)

y = (f1 x1 + f2 x2 + f3 x3) x g1 z1 + (f1 x1 + f2 x2 + f3 x3) x g2 z2 + (f1 x1

+ f2 x2 + f3 x3) x g3 z3

y = f1 x1 g1 z1 + f2 x2 g1 z1 + f3 x3 g1 z1 + f1 x1 g2 z2 + f2 x2 g2 z2 + f3
x3 g3 z3 + f1 x1 g3 z3 + f2 x2 g3 z3 + f3 x3 g3 z3

y b x z b x z b x z b x z b x z b x z
1
1 1 1
1
2 2 1
1
3 3 1
2
1 1 2
2
2 2 2
2
3 3 2

b x z b x z b x z
3
1 1 3
3
2 2 3
3
3 3 3
 Ejemplo de uso en CE: optimizacin en la
separacin de picos combinando dos variables de
proceso (pH y voltaje) y tres de mezclas (3
diferentes sales para los buffers)
Determinacin de fluoroquinolonas por CE-DAD en
aguas

Se evalu la separacin de los 4 quinolonas fluoradas bajo diferentes soluciones

reguladoras compuestas por 3 naturalezas distintas de iones: fosfato, borato y
citrato, todas de sodio.

Enoxacina: ENO
Ciprofloxacina: CPF
Ofloxacina: OFN
Enrofloxacina: ENF

M.R. Alcarz, L. vera-Candioti, MJ Culzoni, H.C. Goicoechea. Anal.

Bioanal. Chem. 406 (2014) 2571-2580.
Tipo de datos: CE-DAD

4
2
Se tiene como objetivo reducir tiempo de
anlisis, pero asegurndose que no se toquen los
picos 2 y 4
Modelo mixto
Modelo mixto
Valor ptimo
(target): 2
Modelo mixto
Modelo mixto
Modelo mixto
Modelo mixto
 Modelo mixto
Optimizacin de un medio de cultivo para la
produccin de una protena recombinante

C. Didier, M. Etcheverrigaray, R. Kratjie, H.C. Goicoechea, Chemom. Intell. Laborat. Syst. 86 (2007) 1
 Modelo mixto
N sources C sources

Constrains
 Modelo mixto
Optimizacin por
sectores
 Modelo mixto
Response Modelo F p Adj. R2 p-LOF
IVC QxQ 6.46 < 0.0001 0.722 0.307
qprot QxQ 8.39 < 0.0001 0.781 0.013
BA QxQ 11.04 < 0.0001 0.832 0.052
qlact QxQ 5.46 < 0.0001 0.679 0.233
qamo QxQ 2.85 0.0055 0.500 0.005

Commercial product
of high price

Developed product of
low price
 Conclusiones
La MSR es una tcnica sumamente
verstil que permite la utilizacin de
diferentes diseos experimentales y
herramientas estadsticas para resolver
problemas de optimizacin de sistemas.

Puede aplicarse a la optimizacin de

una nica respuesta o a la optimizacin
simultanea de varias respuestas.
 Conclusiones

El buen criterio del operador y el

correcto uso de la metodologa son
fundamentales para arribar a conclusiones
correctas.

Una vez obtenidas las condiciones

ptimas de operacin del sistema, segn el
criterio establecido, las mismas deben
confirmarse experimentalmente.
167