17.

En Bowles y Montgomery (1997) se presenta el problema de elaborar una margarita (bebida de

tequila). Diseñar la fórmula de una margarita es un problema que corresponde al ámbito de los
experimentos con mezclas, donde los ingredientes tienen restricciones, ya que una mezcla que
contenga 100% de cualquiera de los cuatro ingredientes resultara poco satisfactoria y se desea que
cada componente éste presente en cualquier formulación. Con base en la experiencia práctica con
esta bebida se definieron las siguientes restricciones:

Margarita Mix:| 0.49 ≤ X1 ≤ 0.55

Tequila: 0.25 ≤ X2 ≤ 0.31
Triple Sec: 0.08 ≤ X3 ≤ 0.16
Jugo de lima: 0.04 ≤ X4 ≤ 0.10

Con X1 + X2 + X3 + X4 = 1. La variable de respuesta de este experimento debe ser una medida del goce
de esta bebida. Se usaron dos variables de respuesta, Y2: Los panelistas evaluaron cada receta sobre
una escala del 1 al 10, indicando que el 10 se refiere a la más deliciosa (sabor y la intensidad de la
bebida); Y1: cada participante fue cuestionado para comparar el goce relacionado con cada receta,
construyendo una escala en la que la mejor se considerará en el lugar número 1, la siguiente ocupara
el número 2 y así sucesivamente. Se formó un jurado con 15 participantes. Se reportan los
resultados promedio.

Mezcla X1 X2 X3 X4 Y1 Y2
1 49 25 16 10 9.33 5.14
2 51 31 8 10 9.17 4.45
3 55 28 13 4 9.57 3.96
4 55 25 10 10 3.67 6.29
5 55 29 8 8 7.33 5.07
6 51 31 8 10 9 4.12
7 55 25 10 10 5.33 6.21
8 52 28 16 4 12.33 4.21
9 52 25 16 7 8.67 5.54
10 49 28 13 10 6.5 4.92
11 55 25 16 4 8 4.6
12 55 29 8 8 7.17 5.79
13 55 31 10 4 7.5 4.6
14 49 31 13 7 7.67 4.99
15 49 31 16 4 9.17 2.79

a) Ajustar el modelo apropiado y depurar el modelo para Y2.

Haciendo para un ajuste lineal tenemos los siguientes resultados para Y2:

Regresión para mezclas: Y2 vs. X1, X2, X3, X4

Coeficientes de regresión estimados para Y2 (proporciones del componente)

Término Coef SE Coef T P VIF
X1 13.84 2.757 * * 106.503
X2 -13.53 4.447 * * 80.101
X3 -0.58 4.224 * * 14.159
X4 19.88 5.588 * * 9.579

S = 0.543429 PRESS = 5.92222

R-cuad. = 72.24% R-cuad.(pred.) = 49.39% R-cuad.(ajustado) = 64.67%

Análisis de varianza para Y2 (proporciones del componente)

Fuente GL SC Sec. SC Ajust. MC Ajust. F P

Regresión 3 8.4543 8.4543 2.8181 9.54 0.002
Lineal 3 8.4543 8.4543 2.8181 9.54 0.002
Error residual 11 3.2485 3.2485 0.2953
Falta de ajuste 8 2.9316 2.9316 0.3665 3.47 0.167
Error puro 3 0.3168 0.3168 0.1056
Total 14 11.7028

Coeficientes de regresión estimados para Y2 (cantidades del componente)

Término Coef
X1 0.138442
X2 -0.135303
X3 -0.00575196
X4 0.198773

Luego obtenemos un mejor ajuste para un modelo cuadrático.

Regresión para mezclas: Y2 vs. X1, X2, X3, X4

Coeficientes de regresión estimados para Y2 (proporciones del componente)

Término Coef SE Coef T P VIF

X1 -39.1 101.0 * * 197932
X2 5.6 198.1 * * 219984
X3 -279.8 228.7 * * 57404
X4 -765.1 306.0 * * 39732
X1*X2 82.4 531.1 0.16 0.883 433937
X1*X3 520.5 522.0 1.00 0.364 80902
X1*X4 1120.1 543.8 2.06 0.094 34202
X2*X3 115.0 364.6 0.32 0.765 11244
X2*X4 559.0 444.4 1.26 0.264 6562
X3*X4 1241.7 418.7 2.97 0.031 993

S = 0.462055 PRESS = 23.8193

R-cuad. = 90.88% R-cuad.(pred.) = 0.00% R-cuad.(ajustado) = 74.46%

Análisis de varianza para Y2 (proporciones del componente)

Fuente GL SC Sec. SC Ajust. MC Ajust. F P

Regresión 9 10.6353 10.6353 1.1817 5.54 0.037
Lineal 3 8.4543 1.5246 0.5082 2.38 0.186
Cuadrática 6 2.1810 2.1810 0.3635 1.70 0.288
Error residual 5 1.0675 1.0675 0.2135
Falta de ajuste 2 0.7506 0.7506 0.3753 3.55 0.162
Error puro 3 0.3168 0.3168 0.1056
Total 14 11.7028
Coeficientes de regresión estimados para Y2 (cantidades del componente)

Término Coef
X1 -0.391486
X2 0.0556546
X3 -2.79774
X4 -7.65137
X1*X2 0.00824337
X1*X3 0.0520509
X1*X4 0.112009
X2*X3 0.0115017
X2*X4 0.0559007
X3*X4 0.124168

Para un modelo con depuración que mejor se ajusta seria el cubico centrado.
Regresión para mezclas: Y2 vs. X1, X2, X3, X4

No se pueden estimar los siguientes términos y se eliminaron:

X1*X3*X4
X2*X3*X4

Coeficientes de regresión estimados para Y2 (proporciones del componente)

Término Coef SE Coef T P VIF

X1 119 271.7 * * 2891901
X2 -1106 666.5 * * 5031919
X3 5247 2837.0 * * 17854788
X4 -14029 5135.2 * * 22621134
X1*X2 1835 1677.7 1.09 0.354 8753671
X1*X3 -9548 5610.4 -1.70 0.187 18890677
X1*X4 25581 9344.1 2.74 0.071 20416145
X2*X3 -10031 7554.9 -1.33 0.276 9759055
X2*X4 53944 20469.2 2.64 0.078 28138589
X3*X4 -344 672.5 -0.51 0.644 5178
X1*X2*X3 16944 13748.5 1.23 0.306 8693374
X1*X2*X4 -99346 38030.2 -2.61 0.080 26338522

S = 0.324987 PRESS = *
R-cuad. = 97.29% R-cuad.(pred.) = *% R-cuad.(ajustado) = 87.37%

Análisis de varianza para Y2 (proporciones del componente)

Fuente GL SC Sec. SC Ajust. MC Ajust. F P

Regresión 11 11.3859 11.38592 1.035084 9.80 0.043
Lineal 3 8.4543 1.47140 0.490465 4.64 0.120
Cuadrática 6 2.1810 2.78538 0.464231 4.40 0.126
Cúbico especial 2 0.7506 0.75063 0.375313 3.55 0.162
Error residual 3 0.3168 0.31685 0.105617
Total 14 11.7028

Coeficientes de regresión estimados para Y2 (cantidades del componente)

Término Coef
X1 1.18897
X2 -11.0584
X3 52.4713
X4 -140.290
X1*X2 0.183495
X1*X3 -0.954757
X1*X4 2.55810
X2*X3 -1.00306
X2*X4 5.39438
X3*X4 -0.0344444
X1*X2*X3 0.0169444
X1*X2*X4 -0.0993461

Se concluye que mejor el mejor modelo sin depuración que se ajusta seria el
cuadrático con un R- cuadrado de 90.88% pero si queremos con depuración seria de
cubica centrada con un R-cuadrado de 97.99%.

b) De acuerdo con el modelo ajustado ¿Cuáles son los aspectos más relevantes?
Con el modelo cubico centrado podemos ver que el factor que más influye es X3 seguido de X1
el cual corresponde al Triple Sec y Margarita Mix respectivamente.

De acuerdo al modelo ajustado los aspectos más importantes es el R-cuadrado que para
nuestro modelo cuadrático seria 90.88% y para nuestro modelo cubico centrada seria de
97.99%, Otro aspecto importante es el P-valor observando q para los modelos ajustados van a
ser menor de 0.5 lo cual van a ser significativos teniendo una observación de que para el modelo
cubico centrado aumenta el P valor en comparación del cuadrático pero ambos dentro del
rango pero lo que más tendríamos que decidir seria por el R cuadrado.
Tenemos una representación
Aquí tenemos la gráfica de superficie para el modelo cubico centrado:

Gráfica de superficie de mezcla de Y2

(cantidad de los componentes)
Valores fijos
X4 4

40

20 X1
Y2 63.00

8.00
0
25.00

X2
39.00 49.00
22.00
X3

c) ¿Cuál sería la mezcla optima?

Para el modelo de cubica centrada tendríamos los siguientes valores óptimos.
Optimización de respuesta

Parámetros

Meta Inferior Objetivo Superior Ponderación Importar

Y2 Máximo 1 5 5 1 1

Solución global

Componentes

X1 = 49
X2 = 28
X3 = 16
X4 = 7

Respuestas pronosticadas

Y2 = 8.70281 , conveniencia = 1.000000

Conveniencia compuesta = 1.000000

Se observa que se tendría un valor optimo como es este caso que es para maximizar
teniendo para margarita Mix 49, tequila 28, triple Sec 16 y jugo de lima de 7

d) Repita el análisis anterior Ahora para Y1:

Haciendo para un ajuste lineal tenemos los siguientes resultados para Y2:

Regresión para mezclas: Y1 vs. X1, X2, X3, X4

Coeficientes de regresión estimados para Y1 (proporciones del componente)

Término Coef SE Coef T P VIF

X1 -6.68 8.502 * * 106.503
X2 32.69 13.715 * * 80.101
X3 28.29 13.030 * * 14.159
X4 -14.72 17.235 * * 9.579

S = 1.67612 PRESS = 58.4575

R-cuad. = 45.58% R-cuad.(pred.) = 0.00% R-cuad.(ajustado) = 30.73%

Análisis de varianza para Y1 (proporciones del componente)

Fuente GL SC Sec. SC Ajust. MC Ajust. F P

Regresión 3 25.880 25.880 8.6265 3.07 0.073
Lineal 3 25.880 25.880 8.6265 3.07 0.073
Error residual 11 30.903 30.903 2.8094
Falta de ajuste 8 29.498 29.498 3.6873 7.87 0.059
Error puro 3 1.405 1.405 0.4683
Total 14 56.783

Coeficientes de regresión estimados para Y1 (cantidades del componente)

Término Coef
X1 -0.0667942
X2 0.326929
X3 0.282901
X4 -0.147200

Luego obtenemos un mejor ajuste para un modelo cuadrático.

Regresión para mezclas: Y1 vs. X1, X2, X3, X4

Coeficientes de regresión estimados para Y1 (proporciones del componente)

Término Coef SE Coef T P VIF

X1 -561 261.3 * * 197932
X2 -1177 512.3 * * 219984
X3 89 591.3 * * 57404
X4 126 791.1 * * 39732
X1*X2 3375 1373.2 2.46 0.057 433937
X1*X3 1154 1349.7 0.85 0.432 80902
X1*X4 1020 1405.9 0.73 0.501 34202
X2*X3 213 942.7 0.23 0.830 11244
X2*X4 439 1149.1 0.38 0.718 6562
X3*X4 -1414 1082.6 -1.31 0.248 993

S = 1.19468 PRESS = 174.674

R-cuad. = 87.43% R-cuad.(pred.) = 0.00% R-cuad.(ajustado) = 64.81%

Análisis de varianza para Y1 (proporciones del componente)

Fuente GL SC Sec. SC Ajust. MC Ajust. F P

Regresión 9 49.646 49.646 5.5163 3.86 0.075
Lineal 3 25.880 7.416 2.4718 1.73 0.276
Cuadrática 6 23.767 23.767 3.9611 2.78 0.141
Error residual 5 7.136 7.136 1.4273
Falta de ajuste 2 5.731 5.731 2.8656 6.12 0.087
Error puro 3 1.405 1.405 0.4683
Total 14 56.783

Coeficientes de regresión estimados para Y1 (cantidades del componente)

Término Coef
X1 -5.60693
X2 -11.7749
X3 0.892155
X4 1.25783
X1*X2 0.337451
X1*X3 0.115388
X1*X4 0.101998
X2*X3 0.0212972
X2*X4 0.0438548
X3*X4 -0.141420

Para un modelo con depuración que mejor se ajusta seria el cubico centrado.

Regresión para mezclas: Y1 vs. X1, X2, X3, X4

No se pueden estimar los siguientes términos y se eliminaron:

X1*X3*X4
X2*X3*X4
Coeficientes de regresión estimados para Y1 (proporciones del componente)

Término Coef SE Coef T P VIF

X1 1185 572.1 * * 2891901
X2 3082 1403.5 * * 5031919
X3 10728 5974.2 * * 17854788
X4 -1089 10813.8 * * 22621134
X1*X2 -8436 3533.0 -2.39 0.097 8753671
X1*X3 -22668 11814.5 -1.92 0.151 18890677
X1*X4 -951 19676.9 -0.05 0.964 20416145
X2*X3 -40756 15909.1 -2.56 0.083 9759055
X2*X4 -523 43104.3 -0.01 0.991 28138589
X3*X4 -1256 1416.2 -0.89 0.441 5178
X1*X2*X3 77778 28951.7 2.69 0.075 8693374
X1*X2*X4 3825 80084.3 0.05 0.965 26338522

S = 0.684361 PRESS = *
R-cuad. = 97.53% R-cuad.(pred.) = *% R-cuad.(ajustado) = 88.45%

Análisis de varianza para Y1 (proporciones del componente)

Fuente GL SC Sec. SC Ajust. MC Ajust. F P

Regresión 11 55.3776 55.3776 5.03433 10.75 0.038
Lineal 3 25.8796 12.6416 4.21385 9.00 0.052
Cuadrática 6 23.7668 19.6981 3.28301 7.01 0.069
Cúbico especial 2 5.7313 5.7313 2.86563 6.12 0.087
Error residual 3 1.4050 1.4050 0.46835
Total 14 56.7827

Coeficientes de regresión estimados para Y1 (cantidades del componente)

Término Coef
X1 11.8460
X2 30.8225
X3 107.284
X4 -10.8911
X1*X2 -0.843634
X1*X3 -2.26684
X1*X4 -0.0950752
X2*X3 -4.07556
X2*X4 -0.0522627
X3*X4 -0.125556
X1*X2*X3 0.0777778
X1*X2*X4 0.00382523

Se concluye que mejor el mejor modelo sin depuración que se ajusta seria el
cuadrático con un R- cuadrado de 87.43% pero si queremos con depuración seria de
cubica centrada con un R-cuadrado de 97.53%.

De acuerdo con el modelo ajustado ¿Cuáles son los aspectos más relevantes?

De acuerdo al modelo ajustado los aspectos más importantes es el R-cuadrado que para
nuestro modelo cuadrático seria 87.43% y para nuestro modelo cubico centrada seria de
97.53%, Otro aspecto importante es el P-valor observando q para los modelos ajustados van a
ser menor de 0.5 lo cual van a ser significativos teniendo una observación de que para el modelo
cubico centrado aumenta el P valor en comparación del cuadrático pero ambos dentro del
rango pero lo que más tendríamos que decidir seria por el R cuadrado.
 Tenemos una representación

Aquí tenemos la gráfica de superficie para el modelo cubico centrado:

Gráfica de superficie de mezcla de Y1

(cantidad de los componentes)
Valores fijos
X4 4

30

20 X1
Y1 63.00

10 8.00

25.00

X2
39.00 49.00
22.00
X3

¿Cuál sería la mezcla optima?

Para el modelo de cubica centrada tendríamos los siguientes valores óptimos.

Optimización de respuesta

Parámetros

Meta Inferior Objetivo Superior Ponderación Importar

Y1 Mínimo 5 5 10 1 1

Solución global

Componentes

X1 = 52.4499
X2 = 25
X3 = 12.5501
X4 = 10

Respuestas pronosticadas

Y1 = 3.71651 , conveniencia = 1.000000

Conveniencia compuesta = 1.000000

Se observa que se tendría un valor óptimo como es este caso que es para minimizar
Y1 teniendo para margarita Mix 52.4499, tequila 25, triple Sec 12.55 y jugo de
lima de 10

e) ¿Qué combinaciones es satisfactoria para ambas variables?

Optimización de respuesta

Parámetros

Meta Inferior Objetivo Superior Ponderación Importar

Y1 Mínimo 5 5 10 1 1
Y2 Máximo 1 5 5 1 1

Solución global

Componentes

X1 = 54.6091
X2 = 25
X3 = 10.4187
X4 = 9.97218

Respuestas pronosticadas

Y1 = 4.10806 , conveniencia = 1.000000

Y2 = 5.00676 , conveniencia = 1.000000

Conveniencia compuesta = 1.000000

Grafica de optimización

Para obtener un valor optimo para Y1 (Minimizar) y Y2 (maximizar) se tiene para

margarita Mix 52.6091, tequila 25, triple Sec 10.4187 y jugo de lima de 9.97218.
Óptimo [ ]:X1 [ ]:X2 [ ]:X3 [ ]:X4
D Alto 55.0 31.0 16.0 10.0
Act [52.2308] [27.7692] [16.0] [4.0]
1.0000 Bajo 52.2308 27.7692 10.8571 4.0

Compuesto
Conveniencia
1.0000

Y1
Máximo
y = 12.2628
d = 1.0000