Вы находитесь на странице: 1из 29

SSUUPPEERRFFIICCIIEESS DDEE RREESSPPUUEESSTTAA MMÉÉTTOODDOOSS YY DDIISSEEÑÑOOSS

É É T T O O D D O O S S Y Y D D

Carmen Dolores Fernández Melcón Montserrat Piñeiro Barcia

SSUUPPEERRFFIICCIIEESS DDEE RREESSPPUUEESSTTAA MMÉÉTTOODDOOSS YY DDIISSEEÑÑOOSS

§ 1. INTRODUCCIÓN A LA METODOLOGÍA DE SUPERFICIES DE RESPUESTA

La Metodología de Superficies de Respuesta (RSM) es un conjunto de técnicas

matemáticas utilizadas en el tratamiento de problemas en los que una respuesta de interés está influida por varios factores de carácter cuantitativo. 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.

Cuando decimos que el valor real esperado, η, que toma la variable de interés considerada

, X k , esto significa que existe

k) que proporciona el

está influido por los niveles de k factores cuantitativos, X 1 , X 2 ,

,

alguna función de X 1 , X 2 ,

correspondiente valor de η para alguna combinación dada de niveles:

X k (que se supone continua en X i , i = 1,

,

η

=

f (X 1 , X 2 ,

,

X k )

de tal forma que la variable respuesta puede expresarse como:

Y

= η + ε

=

f (X 1 , X 2 ,

, X k ) + ε

donde ε es el error observado en la respuesta.

La relación η = f (X 1 , X 2 ,

representarse a través de una hipersuperficie (subconjunto de un espacio euclídeo (k+1)- dimensional) a la que llamaremos superficie de respuesta.

, X k ) existente entre η y los niveles de los k factores puede

Una técnica utilizada para ayudar a visualizar la forma que puede tener una superficie de respuesta tridimensional consiste en representar la gráfica de contornos de la superficie, en la que se trazan las denominadas líneas de contorno, que son curvas correspondientes a valores

1. Introducción a la Metodología de Superficies de Respuesta

constantes de la respuesta sobre el plano X 1 X 2 (plano cuyos ejes coordenados vienen dados por los niveles X 1 y X 2 de los factores). Geométricamente, cada línea de contorno es una proyección sobre el plano X 1 X 2 de una sección de la superficie de respuesta al intersecar con un plano paralelo al X 1 X 2 . La gráfica de contornos resulta útil para estudiar los niveles de los factores en los que se da un cambio en la forma o altura de la superficie de respuesta.

La existencia de gráficas de contorno no está limitada a 3 dimensiones a pesar de que en el caso en que haya más de 3 factores de influencia no es posible la representación geométrica. No obstante, el hecho de poder representar gráficas de contorno para problemas en que haya 2 o 3 factores permite visualizar más fácilmente la situación general.

[EJEMPLO.-] Un agricultor quiere maximizar su producción de almendras (medida en Kg./Ha.) en función de las cantidades (medidas en Kg./Ha.) de dos tipos de fertilizante, A y B, que utiliza. Una superficie de respuesta para la producción de almendras viene dada por la gráfica siguiente:

de almendras viene dada por la gráfica siguiente: Fig 1.1.- Superficie de respuesta tridimensiona l en

Fig 1.1.- Superficie de respuesta tridimensional en la que se observa la producción esperada de almendras (η) en función de las cantidades de fertilizante A (X 1 ) y fertilizante B (X 2 ) utilizadas.

En este ejemplo, dado que hay dos factores de influencia (k = 2), la superficie de respuesta se visualiza en un espacio tridimensional en el que la tercera dimensión representa la producción esperada de almendras sobre el plano bidimensional definido por las combinaciones de los niveles de los dos factores, X 1 y X 2 .

1. Introducción a la Metodología de Superficies de Respuesta

Para generar la gráfica de contornos correspondiente se secciona la superficie de respuesta usando planos paralelos al X 1 X 2 en ciertos valores de respuesta considerados, por ejemplo:

en ciertos valores de respuesta considerados, por ejemplo: Fig 1.2.- Sección de la superficie de respuest

Fig 1.2.- Sección de la superficie de respuesta por planos paralelos al plano X 1 X 2 , en los valores esperados de producción: 11.5, 12.1, 12.7, 13.3, 13.9.

Cada línea de contorno representa un número infinito de combinaciones de las cantidades de los dos fertilizantes, para las producciones de almendras esperadas consideradas. La producción máxima, que es de 14.12 Kg./Ha. se localiza en el centro de la elipse más pequeña y corresponde a los niveles X 1 = 170.06 del fertilizante A y X 2 = 246.65 del fertilizante B.

del fertilizante A y X 2 = 246.65 del fertilizante B. Fig 1.3.- Gráfica de contornos

Fig 1.3.- Gráfica de contornos de la superficie de respuesta con líneas de contorno correspondientes a los valores esperados de producción: 11.5, 12.1, 12.7, 13.3, 13.9.

2. Superficies de Respuesta Polinómicas. Modelos de Primer y Segundo Orden

La gráfica de contornos correspondiente a la superficie de respuesta del ejemplo que estamos considerando nos indicaría que ésta tiene forma de loma.

A la hora de planificar el programa de experimentación que nos va a permitir llevar a cabo el estudio acerca del efecto de los factores sobre la variable respuesta, el primer paso que debemos dar es la elección de los factores que usaremos en el experimento. Una vez determinados, el siguiente paso es seleccionar los rangos de valores de cada factor que se considerarán, pues aunque en el experimento es posible explorar la región correspondiente al espacio completo de los factores de influencia o región operativa, lo más frecuente consiste en explorar únicamente una región de interés limitada, la región experimental, contenida en la región general. De este modo, durante la ejecución del experimento, sólo se utilizarán niveles de los factores correspondientes a valores que caigan en esta región, a menos que se descubra, durante el conjunto inicial de experimentos, que pueda ser necesario explorar niveles que estén más allá de los límites de la región considerada.

§ 2. SUPERFICIES DE RESPUESTA POLINÓMICAS. MODELOS DE PRIMER Y SEGUNDO ORDEN

La forma de la función f que determina la relación entre los factores y la variable respuesta

es, en general, desconocida, por lo que el primer objetivo de la RSM consiste en establecer experimentalmente una aproximación apropiada de la función f. Para ello, se propone un modelo

, X k y se selecciona un conjunto

de ecuación, generalmente polinómico, en los k factores X 1 , X 2 ,

de tratamientos sobre los que realizar las observaciones experimentales, que se utilizarán tanto para obtener estimaciones de los coeficientes en el modelo propuesto (por ejemplo, a través del método de mínimos cuadrados) como para obtener una estimación de la variación del error experimental (para lo que es necesario tener al menos 2 observaciones por cada tratamiento). Se realizan, entonces, contrastes sobre las estimaciones de los parámetros y sobre el ajuste del modelo y si el modelo se considera adecuado, puede utilizarse como función de aproximación. En tal caso, el estudio de la superficie de respuesta se hace en términos de la superficie ajustada, pues su análisis será aproximadamente equivalente al del sistema real.

Los polinomios usados más frecuentemente como funciones de aproximación son los de órdenes uno y dos, que nos proporcionan, respectivamente los siguientes modelos:

2. Superficies de Respuesta Polinómicas. Modelos de Primer y Segundo Orden

modelo de primer orden

Y

=

β

0

modelo de segundo orden

Y

=

β

+

0

k

=

i

1

β X

i

i

+

+

k

=

i

1

β X

i

i

ε

+

k

=

i

1

β X

ii

2

i

+

i,j

i

<

j

β X X

ij

i

j

+

ε

§ 2.1. UTILIZACIÓN DE VARIABLES CODIFICADAS

En la construcción de modelos de superficies de respuesta, es muy común la codificación

de los valores reales de los niveles de los factores, pues las distancias medidas sobre los ejes de las

variables codificadas en el espacio k-dimensional se convierten en estándar, lo que facilita

considerablemente los cálculos que deben llevarse a cabo para obtener el modelo de

aproximación e incrementa el ajuste en la estimación de los coeficientes.

Una fórmula que suele resultar útil para codificar los valores de los factores es la siguiente:

x

i

=

X

+

X

X iNSup

iNInf

2

i -

X

iNSup

- X

iNInf

=

(

~

X

i

)

X

i

-

X

iNSup

- X

iNInf

i = 1, 2,

, k

donde X iNInf valor del nivel más bajo del factor i y X iNSup valor del nivel más alto del factor i y

~

X

i

=

X

iNInf

+

X

iNSup

2

,

es la media entre los valores más alto y más bajo del nivel i = 1,

fórmula

anterior

(x

1 ,

,

x k ) = (0,

,

verifica

que

k

=

i

1

x

i =

0

y

transforma

las

0) al que se denomina centro del diseño.

medias

~

X

1

,

,

~

X

k

en

el

,n. La

punto

La fórmulas empleadas para la codificación dan lugar a transformaciones biyectivas entre

variables reales y codificadas, de manera que cualquier ecuación polinómica en los valores de x i se

puede expresar equivalentemente como una ecuación polinómica del mismo grado en los valores

de X i . Por tanto, a partir de ahora se trabajará con las variables codificadas, pues las conclusiones

que se obtengan sobre éstas pueden extrapolarse a las variables reales.

2. Superficies de Respuesta Polinómicas. Modelos de Primer y Segundo Orden

§ 2.2. MODELOS DE PRIMER ORDEN

Cuando no se tiene suficiente información acerca de la forma que presenta la superficie de

respuesta, el primer intento de ajuste se hace, generalmente, aproximando a través de un modelo

de primer orden.

La forma general de un modelo de primer orden con k factores, X 1 , X 2 ,

k

Y = β + ∑ β X ε i + 0 i i = 1
Y =
β
+
β X
ε
i +
0
i
i
= 1

(2.1)

, X k , es:

variable

respuesta

parámetros

desconocidos

error

aleatorio

o, equivalentemente, en forma matricial:

Y

=

X β

+ ε

donde la matriz X puede escribirse alternativamente como X = [ 1 : D ], con D la matriz de

combinaciones de niveles de los factores, denominada matriz de diseño.

Si la matriz X es de rango completo, entonces el estimador de β obtenido por el método

de mínimos cuadrados es b = (X’ X) -1 X’ Y (que es, de hecho, el mejor estimador lineal insesgado

de β) y la matriz de varianzas-covarianzas de b viene dada por Var(b) = (X’ X) -1 σ 2 .

El modelo de primer orden ajustado es, entonces:

ˆ

Y

=

b

0

+

k

=

i

1

b

i

X

i

Si el modelo está bien ajustado, la parte no aleatoria del modelo representa la respuesta

real esperada y ε es el error experimental. Sin embargo, si el modelo no está ajustado a la función

respuesta real, lo que ocurre cuando la relación entre la respuesta y los factores está demasiado

simplificada, ε contiene, además del error experimental, una parte de error no aleatorio que se

debe a la falta de ajuste.

§ 2.3. MODELOS DE SEGUNDO ORDEN

Cuando existe curvatura en la superficie de respuesta, el modelo de primer orden no es

una aproximación adecuada y es necesario utilizar un modelo que ajuste mejor. Se emplea

entonces un modelo de segundo orden.

2. Superficies de Respuesta Polinómicas. Modelos de Primer y Segundo Orden

La forma general de un modelo de segundo orden con k factores, X 1 , X 2 ,

, X k es:

k k k-1 k 2 Y = β + ∑ β X + ∑ β
k
k k-1
k
2
Y
=
β
+
β X
+
β X
+
∑∑
β X X
+
ε
0
i
i
ii
i
ij
i
j
(2.2)
i
=
1
i
=
1
i
= 1
j =
2
j
> i
variable
parámetros desconocidos
error
respuesta
aleatorio

De manera análoga a como se hizo para los modelos de primer orden se obtiene que el

modelo ajustado de segundo orden es:

ˆ

Y

=

b

0

+

k

=

i

1

b

i

X

i

+

k

=

i

1

b

ii

X

2

i

+

k-1

k

∑∑

i

=

1

j

j

=

>

2

i

b

ij

X

i

X

j

§ 2.4. NATURALEZA SECUENCIAL DE LA METODOLOGÍA DE SUPERFICIES DE RESPUESTA

La RSM es una técnica secuencial. A menudo, la estimación inicial de las condiciones

óptimas de operación está alejada del óptimo real, así que el objetivo es, usando un método lo

más simple y menos costoso posible, moverse rápidamente hacia las cercanías del óptimo.

En general, se sabe muy poco o nada acerca de la relación existente entre la variable

respuesta y los factores, así que, en un principio, se propone el modelo de aproximación más

simple posible, el de primer orden, que suministra la base para ejecutar un conjunto inicial de

experimentos que proporcionarán datos correspondientes a los puntos del diseño de primer

orden. Si los datos recogidos permiten hacer una estimación de la varianza del error, se puede

llevar a cabo un contraste para evaluar el ajuste del modelo. Esto nos lleva a una segunda etapa,

que consiste en localizar áreas de la región experimental en las que se sospeche que puedan estar

los valores más deseables de la variable respuesta. El plan que vamos a seguir, que nos llevará

hacia valores máximos en la respuesta, se conoce como método de máxima pendiente en

ascenso (en descenso si lo que queremos es minimizar los valores de la respuesta).

MÉTODO DE MÁXIMA PENDIENTE EN ASCENSO

El método de máxima pendiente en ascenso consiste en ejecutar una secuencia de

experimentos a lo largo de la línea de máximo incremento de la respuesta. Si el modelo ajustado

de primer orden es adecuado, la información que éste proporciona se utiliza para determinar una

dirección en la cual se espere observar mayores valores de la variable respuesta. A medida que se

avanza sobre la superficie ajustada en la dirección en que se incrementan los valores de la

3. Diseños de superficies de respuesta

respuesta y se va llegando a una región en la que haya curvatura en la superficie real, el incremento en la respuesta se estabilizará en el punto más alto de la superficie ajustada. Si se continúa en esta dirección y la altura de la superficie disminuye, se lleva a cabo un nuevo conjunto de experimentos y se ajusta de nuevo el modelo de primer orden. Se determina una nueva dirección hacia valores crecientes de la respuesta y se ejecuta otra secuencia de experimentos en la dirección determinada. Este proceso continúa hasta que se hace evidente que a partir del método no se puede obtener un incremento en la respuesta o éste es muy pequeño.

Si los tests de ajuste detectan que puede haber curvatura en la superficie, se aumenta un grado al modelo añadiéndole los términos del producto cruzado y/o los términos cuadráticos puros y se completa el diseño de primer orden añadiéndole los puntos necesarios para ajustar el nuevo modelo de segundo orden. Si el modelo de segundo orden se ajusta adecuadamente, se utiliza para describir la forma de la superficie a través de la gráfica de contornos en la región experimental. Se utiliza entonces el modelo ajustado de segundo orden para localizar, en el lugar en el que la pendiente de la superficie ajustada es cero, las coordenadas del punto estacionario, que es el punto que proporciona el valor óptimo de la variable respuesta y, si se detecta que éste se encuentra dentro de los límites de la región experimental, se pasa a determinar su naturaleza (si es máximo, mínimo o punto de silla). Si, por el contrario, el punto estacionario no se halla dentro de la región experimental, hemos de realizar una nueva experimentación en la dirección en la que éste se encuentra. Una vez que se ha localizado el punto que proporciona valores óptimos de la variable respuesta, se describe la superficie en un entorno próximo a éste.

§ 3. DISEÑOS DE SUPERFICIES DE RESPUESTA

La elección de un diseño adecuado del experimento a realizar es fundamental para modelar y explorar la superficie de respuesta usada para ajustar un modelo polinómico al conjunto de datos recogidos en los puntos del diseño. Así pues, sería deseable que el diseño

tuviera, de las características que se enumeran a continuación, y dado que algunas de ellas resultan conflictivas entre sí, las que más sirvan al interés del experimento:

1. Generar una distribución razonable de puntos y, por tanto, de información, en toda la región de interés, pero utilizando el menor número posible de puntos experimentales.

2. Asegurar que, para cada punto x, el valor ajustado, Ŷ(x), está tan cerca como sea posible del valor real, Y(x).

3. Diseños de superficies de respuesta

3. Permitir la detección de falta de ajuste en el modelo.

4. Permitir la ejecución de los experimentos en bloques.

5. Permitir la construcción secuencial de diseños de orden creciente.

6. Proporcionar una estimación interna de la varianza del error.

7. Asegurar simplicidad en los cálculos de las estimaciones de los parámetros del modelo.

Además de las propiedades mencionadas, sería muy conveniente que el diseño elegido fuera ortogonal y/o invariante por rotación:

Un diseño ortogonal es aquel en el que los términos del modelo ajustado son incorrelados y, por tanto, también las estimaciones de los parámetros lo son, en cuyo caso, la varianza de la respuesta esperada en cualquier punto de la región experimental se puede expresar como la suma ponderada de las varianzas de los parámetros estimados del modelo.

Por otro lado, en un diseño invariante por rotación, la varianza de Ŷ(x), que depende de la situación del punto x, es función únicamente de la distancia del punto al centro del diseño, lo que significa que es la misma en todos los puntos equidistantes del centro del diseño. Teniendo en cuenta que el objetivo de la RSM es la optimización de la respuesta y que se desconoce la localización del óptimo antes de ejecutar el experimento, esta propiedad resulta muy interesante, puesto que garantiza que el diseño proporciona estimaciones igualmente precisas en todas las direcciones.

§ 3.1. DISEÑOS DE PRIMER ORDEN

Si el modelo (2.1) es una representación adecuada de la respuesta real esperada, entonces el diseño elegido para estimar los parámetros debe proporcionar valores razonables de la respuesta sobre la región de interés. Los diseños considerados con el propósito de recoger datos para ajustar un modelo de primer orden se conocen como diseños de primer orden.

Un criterio razonable para la elección de un diseño de primer orden adecuado es la minimización de Var(Ŷ), lo que se logra minimizando la varianza de los estimadores de los

parámetros β i , i = 1,

, k. Hay una única clase de diseños que lo consiguen, los ortogonales, que

en los modelos de primer orden son aquellos para los que se verifica que los elementos de fuera de la diagonal principal de la matriz X’X son cero, lo que nos permite determinar de manera

, k).

independiente los efectos de los k factores (medidos a través de los valores de b i , i = 1,

Además, se verifica que todo diseño ortogonal de primer orden es invariante por rotación. Por

3. Diseños de superficies de respuesta

tanto, consideraremos únicamente aquellos diseños de primer orden que son ortogonales y, en particular, los diseños factoriales 2 k y las fracciones de diseños factoriales 2 k .

DISEÑOS FACTORIALES 2 K

En un diseño factorial 2 k , para cada factor se consideran dos niveles, que pueden codificarse en los valores +1 (para el más alto) y –1 (para el más bajo). Considerando todas las posibles combinaciones de los niveles de los k factores, se obtiene una matriz de diseño de 2 k filas, cada una de las cuales representa un tratamiento.

Los diseños factoriales 2 k presentan el inconveniente de que, salvo que se repitan algunas observaciones, no permiten la estimación del error experimental. Una técnica habitual para incluir repeticiones consiste en aumentar el diseño con algunas observaciones en el centro, pues esto no influye sobre las estimaciones de los parámetros y no altera la ortogonalidad del diseño, aunque

como resultado, la estimación de β 0 es la media de todas las observaciones.

FRACCIONES DE DISEÑOS FACTORIALES 2 K

Estamos considerando los diseños factoriales 2 k para ajustar los modelos de primer orden, pero si se recogen datos en todos los puntos es posible, en realidad, estimar todos los coeficientes de un modelo de la forma:

Y

=

β

0

+

k

=

i

1

β x

i

i

+

k

∑∑

i

=<

1

j

β x x

ij

i

j

+

k

∑∑ ∑

β

i

j

1

=<<

l

ijl

x

i

x

j

x

l

+

+

β

12

k

x

1

x

2

x

k

+

ε

en el que los términos adicionales de mayor orden están asociados con las interacciones entre los factores. De esta manera, el número de puntos del diseño, y por tanto, el número de observaciones, junto con el número de posibles términos del modelo con parámetros estimables, se incrementan rápidamente a medida que aumenta el número k de factores.

Así pues, hay que valorar, en función del coste del experimento, si para ajustar un modelo de primer orden es necesario llevar a cabo las 2 k combinaciones, o si es más conveniente omitir algunas utilizando únicamente un subconjunto de los puntos de un diseño factorial 2 k . Se puede considerar en este último caso una fracción 2 -m de un diseño 2 k que consiste en 2 k-m tratamientos

(k m), siempre y cuando el diseño resultante tenga, al menos, k+1 puntos, que es el número de parámetros que han de estimarse y mantenga las mismas propiedades que las del factorial completo, en particular, sea ortogonal.

3. Diseños de superficies de respuesta

§ 3.2. DISEÑOS DE SEGUNDO ORDEN

Los diseños utilizados para recoger observaciones que permitan estimar los parámetros de los modelos de segundo orden se denominan diseños de segundo orden. Éstos deben tener, al menos, (k+1)(k+2)/2 puntos, que es precisamente el número de coeficientes del modelo que se necesita estimar y deben involucrar, como mínimo 3 factores, dado que el modelo contiene términos cuadráticos puros. Por otro lado, sería conveniente, por las razones que se han comentado, que fueran ortogonales y/o invariantes por rotación. Así pues, se van a considerar los diseños factoriales 3 k , que son ortogonales, pero no invariantes por rotación, y los diseños compuestos centrales, que verifican ambas propiedades.

DISEÑOS FACTORIALES 3 K

En los diseños factoriales 3 k cada uno de los k factores presenta 3 niveles, de manera que el número de observaciones experimentales es N = 3 k . Este número puede hacerse excesivamente grande, especialmente cuando se están estudiando muchos factores, de manera que en ocasiones conviene más considerar diseños fraccionales 3 k-m de los diseños factoriales 3 k , tal y como se hizo para los diseños factoriales 2 k .

Los diseños 3 k y sus fracciones presentan el inconveniente de que, aunque son ortogonales, no son invariantes por rotación, lo que hace que no sean muy buena elección como diseños de superficies de respuesta de segundo orden.

DISEÑOS COMPUESTOS CENTRALES

Los diseños compuestos centrales se presentan como una alternativa a los diseños factoriales 3 k .

Un diseño compuesto central consiste en:

1. parte factorial: un diseño factorial 2 k , completo o fraccional, en el que los niveles

están codificados en la forma habitual como ±1 ,

2. n 0 ( 1) puntos centrales,

3. parte axial: dos puntos axiales en los ejes correspondientes a cada uno de los

factores, situados a una distancia α del centro del diseño. de manera que el número total de puntos del diseño es N = 2 k + 2k + n 0 .

3. Diseños de superficies de respuesta

En principio, los diseños compuestos centrales así definidos no tienen por qué ser ni ortogonales ni invariantes por rotación. Se convierten en invariantes por rotación mediante una

elección adecuada del valor de α, que debe depender del número de puntos de la parte factorial del diseño para conseguirlo. Por otro lado, a través de una elección apropiada de n 0 el diseño puede hacerse ortogonal o incluso de precisión uniforme (diseño que verifica que Var(Ŷ) en el origen es la misma que en un punto a una distancia unitaria del origen), que permite mayor protección que un diseño ortogonal contra el sesgo de los coeficientes de regresión producido

por la presencia de términos de orden mayor que 2 en la superficie real. Se muestra a

continuación una tabla con los valores que deben tomar α y n 0 , según el número de factores del modelo, para que el diseño correspondiente sea ortogonal o de precisión uniforme:

 

2

3

4

5

5

6

6

7

8

k

 

½ rep.

½ rep.

½ rep.

½ rep.

puntos

4

8

16

32

16

64

32

64

128

factoriales

puntos

4

6

8

10

10

12

12

14

16

axiales

DISEÑO ORTOGONAL

 

n 0

8

9

12

17

10

24

15

22

33

N

16

23

36

59

36

100

59

100

177

DISEÑO DE PRECISIÓN UNIFORME

 

n 0

5

6

7

10

6

15

9

14

20

N

13

20

31

52

32

91

53

92

164

α

1.414

1.682

2

2.378

2

2.828

2.378

2.828

3.364

Una propiedad muy interesante de los diseños centrales compuestos es que se pueden construir a partir de un diseño de primer orden (el 2 k ) sin más que agregar los puntos axiales y quizá algunos puntos centrales.

Por

todas

las

propiedades

que

verifican,

los

diseños

compuestos

centrales

son

posiblemente los más utilizados para ajustar superficies de respuesta de segundo orden.

4. Algunas consideraciones finales

§ 4. ALGUNAS CONSIDERACIONES FINALES

BLOQUES

En los diseños de superficies de respuesta es frecuente que, por diversas causas, se haga necesaria la utilización de bloques para asegurar la homogeneidad de las condiciones de trabajo. Por ejemplo:

si se ha de trabajar con varias remesas de material, diferentes entre sí por cuestiones de composición, procedencia u otras características cualesquiera, resulta conveniente hacer bloques para asegurar la homogeneidad del material,

cuando se construye un diseño de segundo orden a partir de uno de primer orden, puede ocurrir que las condiciones de trabajo se vean modificadas durante el tiempo que transcurre entre la ejecución de los experimentos iniciales y la ejecución de los experimentos complementarios, lo que hace necesaria la formación de bloques,

si el número de factores es tan elevado como para necesitar que una gran cantidad de observaciones se lleven a cabo bajo las mismas condiciones y esto no es posible, la creación de bloques garantiza la homogeneidad de las condiciones de trabajo.

EXPERIMENTOS DE MEZCLA

Los desarrollos acerca de la RSM que se han llevado a cabo en los epígrafes anteriores se han hecho bajo la suposición de que los niveles de cada factor son independientes de los niveles de los demás factores. Sin embargo, puede ocurrir que esto no sea así, como es el caso de los experimentos de mezcla, en los que los factores son ingredientes de una mezcla y sus niveles no son independientes. En este caso, se supone que la variable respuesta depende únicamente de las proporciones relativas de los componentes presentes en la mezcla.

En los experimentos de mezcla, el propósito del programa experimental es modelar la superficie a través de una función que permita, por un lado, determinar empíricamente los valores esperados de la variable respuesta para alguna combinación de ingredientes y, por otro, obtener alguna medida de la influencia de cada componente sobre la variable respuesta, tanto por separado como en combinación con los otros ingredientes.

5. Un ejemplo numérico

EVOP

En muchas ocasiones puede resultar inviable, por diversas razones, llevar a cabo los procedimientos experimentales de la RSM en procesos de producción a gran escala. En estos casos es frecuente que la RSM se aplique a operaciones en plantas piloto, para posteriormente extrapolar las conclusiones obtenidas a los procesos a escala normal. El problema que plantean estos procedimientos es que el paso del entorno de trabajo de la planta piloto al real puede llevar aparejada una distorsión en las condiciones óptimas, pues aunque la planta a escala normal comienza su operación con niveles óptimos, generalmente se desvía de estos niveles como consecuencia de la variación en las condiciones del entorno de trabajo. El objetivo en estos casos es hacer un seguimiento del proceso en su escala normal que permita ir redirigiendo las condiciones de operación hacia el óptimo o, en todo caso, permita hacer un seguimiento de las

desviaciones que aparezcan. Con este fin se emplean los métodos de operación evolutiva o EVOP, que consisten en introducir sistemáticamente pequeños cambios en los niveles de los

factores de tal manera que no se provoquen alteraciones importantes en el rendimiento, calidad

o cantidad, pero que permitan la detección de potenciales mejoras en el desempeño del proceso. Para llevarlas a cabo se emplean, en general, diseños factoriales 2 k .

§ 5. UN EJEMPLO NUMÉRICO

El rendimiento (Y) de un determinado proceso químico se puede medir en términos de la cantidad de material residual eliminado durante la reacción, resultando así una medida de la

pureza del producto final, y se conoce que depende, entre otros factores, de la temperatura (X 1 )

y el tiempo de reacción (X 2 ). El proceso opera actualmente en un rango de porcentaje de pureza entre el 55% y el 75%, pero se cree que es posible un mayor porcentaje de rendimiento, así que un investigador, interesado en determinar si efectivamente esto es así, decide llevar a cabo un

experimento variando la temperatura y el tiempo de reacción pero manteniendo fijos el resto de los factores. Para el conjunto inicial de experimentos, considera dos niveles de temperatura (70º

C y 90º C) y dos niveles de tiempo (30 seg. y 90 seg.) y realiza dos observaciones de cada una de

las posibles combinaciones temperatura-tiempo. Los datos recogidos, que se muestran en la tabla

5.1., se utilizarán para ajustar el modelo bifactorial Y = α 0 + α 1 X 1 + α 2 X 2 .

5. Un ejemplo numérico

Tiempo (seg.) Temp. (º C)
Tiempo
(seg.)
Temp.
(º C)

70

30

90

49.8

48.1

65.7

69.4

90

57.3

52.3

73.1

77.8

(5.1.)

Se codifican las variables X 1 y X 2 utilizando las transformaciones siguientes:

x

1 =

X

1

- 80

10

x

2 =

X

2

- 60

30

que nos proporcionan los siguientes valores codificados:

X 1

x 1

70

90

-1

1

X 2

x 2

30

90

-1

1

La localización de los cuatro puntos del diseño sobre la región completa de combinaciones temperatura-tiempo se muestra a continuación:

temperatura-tiempo se muestra a continuación: Fig 5.1.- Valores observados en los cuatro tr atamientos

Fig 5.1.- Valores observados en los cuatro tratamientos iniciales sobre la región experimental definida por los niveles de los dos factores que influyen en el porcentaje de rendimiento del proceso químico considerado.

5. Un ejemplo numérico

Los valores del porcentaje de rendimiento, expresados en función de las variables codificadas,

vienen dados a través del siguiente modelo:

Y = β 0 + β 1 x 1 + β 2 x 2 + ε

(5.2)

en el que los parámetros β 0 , β 1 , β 2 son función de α 0 , α 1 , α 2 :

β 0

=

α 0 + 80 α 1 + 60 α 2

β 1

=

10 α 1

y el término ε representa el error aleatorio.

En notación matricial:

Y

49.8

52.3

65.7

69.4

73.1

77.8

57.3

48.1

=

=

X

-1

-1

1

1 1

1

1

1

1

-1

-1

1 1

1

1

1

-1

-1

-1

1

1

1

1

-1

β

β      β

 

0

β

1

2

+

+

β 2

=

ε

ε   

ε

1

ε

ε

ε

ε

ε

2

3

4

5

6

7

  ε

8

 

30 α 2

donde

distribución N(0,σ 2 ).

ε i ,

i

=

1,

2,

, k, se suponen independientes e igualmente distribuidos según una

Los estimadores de los parámetros del modelo de primer orden se obtienen resolviendo la

ecuación normal:

8

0

  0

X’X

0

8

0

0


8  

0

b

b

b

  b

0

1

2  

=

=

X’Y ⇒ b = (X’X) -1 X’Y  1  0 0   
X’Y
b
=
(X’X) -1
X’Y
 1
0
0
 493.5 
 b 
8
493.5 
61.6875 
0
1
27.5
b 
=
 0
0 
27.5
=
3.4375
  b
1 
8
 78.5 
 78.5 
 9.8125 
2  
1
0
0
8

Por tanto, el modelo ajustado de primer orden en las variables codificadas es:

 

Ŷ ( x ) = 61.6875 + 3.4375 x 1 + 9.8125 x 2

(5.3)

y

el modelo equivalente en las variables originales es:

Ŷ ( x ) = 14.5625 + 0.3437 X 1 + 0.3271 X 2

(5.4)

Las sumas de cuadrados necesarias para llevar a cabo el análisis de la varianza se calculan como

sigue:

5. Un ejemplo numérico

S.C.Total

=

Y' Y -

(1' Y)

2

8

=

898.749

con

S.C.Regresión

=

b' X' Y -

(1' Y)

2

8

=

864.812

S.C.Residual = Y' Y - b' X' Y = 33.936

con

7 g.l.

con

5 g.l.

2 g.l.

S.C.Error =

1

2

[(

49.8 - 48.1

= 31.835

con

)

2

+

(

57.3 - 52.3

4 g.l.

)

2

+

(

65.7 - 69.4

)

S.C.Falta de Ajuste = SCResidual - SCError = 2.101

con

2

+

(

73.1 - 77.8

1 g.l.

)]

2

=

El análisis de la varianza (ANOVA) se muestra en la siguiente tabla:

 

Suma de

 

Media

 

Fuente

cuadrados

gl

cuadrática

F

Regresión

864,812

2

432,406

63,709

Residual

33,936

5

6,787

Falta de Ajuste

2,101

1

2,101

0,264

Error

31,835

4

7,959

Total

898,749

7

El primer paso consiste en determinar si el modelo ajustado es adecuado. En vista de los datos

contenidos en la tabla, dado que F Falta de ajuste = 0.264 < F 0.05,1,4 = 7.71, podemos considerar que el

modelo ajustado es una buena aproximación de la superficie de respuesta en la región

experimental en que estamos trabajando.

Al no descubrir evidencia de la falta de ajuste del modelo, el siguiente paso es determinar si el

modelo ajustado explica una cantidad significativa de la variación de los valores de rendimiento

observado. Para ello se realiza el siguiente contraste:

H 0 :

H 1 :

β 1 = β 2 = 0

la temperatura y el tiempo no influyen sobre el rendimiento del proceso

β 1 0 o β 2 0

la temperatura y/o el tiempo influyen sobre el rendimiento del proceso

Los datos contenidos en la tabla, dado que F regresión = 63.71 > F 0.01,2,5 = 13.27, nos llevan a rechazar

la hipótesis nula, lo que significa que uno de los parámetros β 1 o β 2 , o ambos, son no nulos en la

ecuación (5.2.).

5. Un ejemplo numérico

Como consecuencia de la conclusión a la que hemos llegado, el siguiente paso que debemos dar

es ejecutar contrastes por separado para determinar los efectos que, sobre el rendimiento, pueden

tener la temperatura y el tiempo:

1. H 0 1 :

β 1 = 0

la temperatura no tiene efecto sobre el rendimiento del proceso

2. H 0 2 :

β 2 = 0

el tiempo no influye sobre el rendimiento del proceso

para los que se calcula el valor de

Est.[σ

2 ] =

SC

=

Residuos

6.7873

t i

=

b i - 0

Est[Var(b )]

i

i

Est.[Var(b

=

1, 2

i

)] =

, utilizando que:

1

8

Est.[σ

2

] =

0.8484

i

=

0, 1, 2

De esta manera obtenemos que t 1 = 3.73 > t 0.025,5 = 2.571 y t 2 = 10.75 > t 0.025,5 = 2.571, lo que

nos lleva a rechazar la hipótesis nula en ambos casos. Esto significa que tanto la temperatura

como el tiempo tienen efecto sobre el porcentaje de rendimiento. Es más, dado que tanto b 1

como b 2 son positivos, los efectos de x 1 y x 2 son positivos, lo que significa que si se eleva la

temperatura o se aumenta el tiempo, se produce un incremento significativo en el rendimiento del

proceso.

El modelo ajustado (5.4.) puede utilizarse ahora para representar, a través de una gráfica de

contornos, valores de la superficie de respuesta estimada sobre la región experimental, tal y como

se muestra a continuación:

región experimental, tal y como se muestra a continuación: Fig 5.2.- Gráfica de contornos de la

Fig 5.2.- Gráfica de contornos de la superficie de respuesta dada por la ecuación (5.4.). La flecha, perpendicular a las líneas de contorno de la superficie ajustada, indica la dirección de máximo ascenso.

La flecha perpendicular a las líneas de contorno de la superficie ajustada apunta hacia arriba y

hacia la derecha, lo que indica que los valores más altos de la respuesta se espera que se consigan

5. Un ejemplo numérico

aumentando los valores de x 1 y x 2 por encima de 1, acción que correspondería a aumentar la

temperatura por encima de 90º C y el tiempo de reacción por encima de 90 seg.

Por tanto, en la región de las condiciones iniciales de que partíamos hemos ajustado una

superficie de respuesta plana, que nos indica que es posible una mejora en el rendimiento, en

términos de un mayor valor de la variable respuesta. Así que, llegados a este punto, resulta natural

preguntarse que, si es posible ejecutar experimentos adicionales, con qué valores de tiempo y

temperatura deberían realizarse. Esto nos lleva a la segunda etapa en el proceso secuencial de

experimentación que estamos llevando a cabo, que es determinar qué estrategia seguir que nos

permita movernos en la dirección que indicaba la flecha de la gráfica anterior. Para ello recurrimos

al método de máxima pendiente en ascenso.

Dado que b 2 > 0 en el modelo ajustado (5.3.), sabemos que la superficie crece en altura a medida

que aumenta el valor de x 2 , esto es, para valores de tiempo mayores de 60 seg. Vamos a buscar

ahora el valor del multiplicador de Lagrange µ que corresponde a un incremento arbitrario en el

tiempo (X 2 ) de 2 = 45 seg., incremento que en las variables codificadas corresponde a un

aumento de 45/30 = 1.5 unidades. Por tanto:

µ

=

 

b

2

9.8125

=

=

3.27

=

b

1

=

3.4375

2

x

2

2

1.5

x

1

2

µ

2 3.27

= 0.536

de manera que el cambio incremental en la temperatura es 1 = 0.53 · 10 = 5.3ºC

El primer punto en la pendiente de máximo ascenso se localiza, por tanto, en las coordenadas

(x 1 , x 2 ) = (0.53, 1.5) (que corresponde, en las variables originales a (X 1 , X 2 ) = (85.3, 105)). Para

comprobar si es de esperar aquí un incremento en el valor de la variable respuesta, se compara la

estimación del modelo en dicho punto con la estimación en el centro del diseño:

Ŷ(0.53, 1.5) –Ŷ(0, 0) = 78.2281 - 61.6875 = 16.5406

Aunque la estimación Ŷ(0.53, 1.5) corresponde a un punto de fuera de la región experimental,

parece que, dado que la diferencia es positiva, sería posible observar valores de la respuesta más

altos en la dirección especificada por el punto (x 1 , x 2 ) = (0.53, 1.5).

Así pues, se ejecutan experimentos a lo largo de la pendiente de máximo ascenso en puntos

correspondientes a incrementos de la distancia de 1.5i , 2i , 3i y 4i , i = 1, 2, cuyas

coordenadas, junto con los correspondientes valores observados de porcentaje de rendimiento se

muestran en la tabla siguiente:

5. Un ejemplo numérico

DIRECCIÓN

Temperatura

Tiempo

Porcentaje

1

(ºC)

(seg.)

de rendimiento

Centro i Centro + i Centro + 1.5 i Centro + 2 i Centro + 3 i Centro + 4 i

80.0

60

5.3

45

85.3

105

74.3

87.95

127.5

78.6

90.6

150

83.2

95.9

195

84.7

101.2

240

80.1

Los valores observados de porcentaje de rendimiento crecen hasta un valor de 84.7% para valores de temperatura de 95.9º C y de tiempo de 195 seg. y entonces el valor cae hasta 80.1% para valores de temperatura de 101.2º C y de tiempo de 240 seg. Esto nos lleva a pensar que o bien 101.2º C es una temperatura demasiado alta o bien 240 seg. es un tiempo demasiado largo para la reacción. Así pues, no sería útil ejecutar experimentos adicionales a lo largo de la pendiente para valores más altos de X 1 y X 2 . Lo que se hace entonces es llevar a cabo un nuevo grupo de experimentos para intentar ajustar de nuevo un modelo de primer orden, tal y como se hizo en un primer momento, pero tomando como centro de diseño el punto (X 1 , X 2 ) = (95.9, 195), pues es aquí donde se ha observado un mayor rendimiento. Por tanto, se codifican nuevamente las variables X 1 y X 2 pero utilizando ahora las siguientes transformaciones:

x

1 =

X

1

- 95.9

10

x

2 =

X

2

- 195

30

que nos proporcionan los siguientes valores reales para los valores estándar de las variables codificadas:

x 1

X 1

-1

1

85.9

105.9

x 2

X 2

-1

1

165

225

Se realiza entonces un nuevo experimento en el que se llevan a cabo 2 observaciones en cada uno de los puntos del nuevo diseño, más el centro. Los datos recogidos se muestran en la tabla

(5.5.):

5. Un ejemplo numérico

Tiempo (seg.) Temp. (º C)
Tiempo
(seg.)
Temp.
(º C)

85.9

165

195

225

82.9

81.4

74.6

77.0

95.9

84.7

81.9

105.9

87.4

89.5

84.5

83.1

(5.5.)

El modelo ajustado de primer orden en las variables codificadas, obtenido tal y como se hizo para el conjunto inicial de observaciones, es:

 

Ŷ ( x ) = 82.7 + 3.575 x 1 – 2.750 x 2

(5.6)

y

el modelo equivalente en las variables originales es:

Ŷ ( x ) = 66.2908 + 0.3575 X 1 - 0.0917 X 2

(5.7)

El análisis de la varianza (ANOVA) se muestra en la siguiente tabla:

 

Suma de

 

Media

 

Fuente

cuadrados

gl

cuadrática

F

Regresión

162,745

2

81,373

42,334

Residual

13,455

7

1,922

Falta de Ajuste

2,345

2

1,173

0,53

Error

11,110

5

2,222

Total

176,200

9

Nuevamente, el primer paso consiste en determinar si el modelo ajustado es adecuado, de acuerdo con los datos contenidos en la tabla. Dado que F falta de ajuste = 0.53 < F 0.05,2,5 = 5.79, podemos considerar que el modelo ajustado es una buena aproximación de la superficie de respuesta en la región experimental en que estamos trabajando actualmente.

Ahora, como el test de significación genera un valor F regresión = 42.34 altamente significativo, la información obtenida del modelo ajustado (5.6.) puede utilizarse para obtener una nueva dirección en la cual ejecutar experimentos adicionales en busca de valores más altos de porcentaje de rendimiento, tal y como se hizo con el primer modelo de primer orden que se utilizó. Se indica

a continuación, de manera esquemática, el proceso seguido:

Dado que b 1 > 0 en el modelo ajustado (5.6.), sabemos que la superficie crece en altura a medida que aumenta el valor de x 1 , esto es, para valores de temperatura mayores de 95.9º C. Para un

incremento en la temperatura (X 1 ) de 1 = 10º C, incremento que en las variables codificadas

5. Un ejemplo numérico

corresponde a un aumento de 1 unidad y que supone un incremento en el tiempo de

2 = -077 · 30 = -23.1 seg. El primer punto en la pendiente de máximo ascenso se localiza, por tanto, en las coordenadas (x 1 , x 2 ) = (1, -0.77) (que corresponde, en las variables originales a (X 1 , X 2 ) = (105.9, 171.9)). Dado que la diferencia Ŷ(1, -0.77) –Ŷ(0, 0) = 5.6925 es positiva, sería posible observar valores de la respuesta más altos en la dirección especificada por el punto (x 1 , x 2 ). Así, el modelo ajustado (5.7.) puede utilizarse para representar, a través de una gráfica de contornos, valores de la superficie de respuesta estimada sobre la región experimental, tal y como se muestra a continuación:

experimental, tal y como se muestra a continuación: Fig 5.3.- Gráfica de contornos de la superfic

Fig 5.3.- Gráfica de contornos de la superficie de respuesta dada por la ecuación (5.7.). La flecha, perpendicular a las líneas de contorno de la superficie ajustada, indica la dirección de máximo ascenso.

La flecha perpendicular a las líneas de contorno de la superficie ajustada apunta ahora hacia abajo y hacia la derecha, indicando la dirección en la que se espera obtener valores más altos de porcentaje de rendimiento. Así pues, se ejecutan experimentos a lo largo de la pendiente de

máximo ascenso en puntos correspondientes a incrementos de la distancia de i , 2i , 3i y 4i , i = 1, 2, cuyas coordenadas, junto con los correspondientes valores observados de porcentaje de rendimiento se muestran en la tabla siguiente:

DIRECCIÓN

Temperatura

Tiempo

Porcentaje

Paso

 

2

(ºC)

(seg.)

de rendimiento

Centro i

 

95.9

195

10

-23.1

 

105.9

171.9

89.0

115.9

148.8

90.2

125.9

125.7

87.4

1 35.9

102.6

82.6

1 Centro + i

2 Centro + 2 i

3 Centro + 3 i

4 Centro + 4 i

5. Un ejemplo numérico

Los valores observados de rendimiento crecen hasta un valor de 90.2%, en el punto (X 1 , X 2 ) = (115.9, 148.8) y luego vuelven a caer.

Esta secuencia de experimentos ejecutada a lo largo de la nueva dirección se muestra en la gráfica siguiente:

de la nueva dirección se muestra en la gráfica siguiente: Fig 5.4.- Secuencia de experimentos realizados

Fig 5.4.- Secuencia de experimentos realizados a lo largo de la dirección indicada por la segunda pendiente de máximo ascenso.

Para verificar los altos valores de rendimiento observados se lleva a cabo una nueva serie de observaciones, cuyos resultados se muestran en la siguiente tabla y cuya forma de ejecución se detalla a continuación:

DIRECCIÓN

Temperatura

Tiempo

Porcentaje

Paso

3

(ºC)

(seg.)

de rendimiento

 

115.9

148.8

91.0

125.9

171.9

93.6

135.9

195

96.2

1 45.9

218.1

92.9

5 Centro + 2 i

6 Centro + 3 i

7 Centro + 4 i

8 Centro + 5 i

En primer lugar, se lleva a cabo una nueva observación (paso 5) en el punto (115.9, 148.8), que era el que correspondía, en el anterior grupo de experimentos, a un mayor porcentaje de rendimiento. El valor obtenido en esta nueva observación confirma el alto valor observado en aquel momento. Se realiza entonces (paso 6) una observación en la que se espera obtener un valor más alto de rendimiento, incrementando los valores tanto de temperatura como de tiempo a partir del punto (115.9, 148.8). De hecho, en el paso 6 las variables codificadas de las combinaciones de tiempo y temperatura son +1 en ambos casos, en una replicación 3/4 de un factorial 2 2 consistente en los puntos de los pasos 1, 3 y 6 con el punto 5 como centro. Dado que

5. Un ejemplo numérico

en el paso 6 se observa un mayor rendimiento que en el paso 5, se ejecutan experimentos adicionales (pasos 7 y 8) a partir de una tercera dirección definida por la línea que une los puntos de los pasos 5 y 6. La elección de esta tercera dirección representa una desviación de la aproximación convencional de la pendiente de máximo ascenso, pero se toma en un intento de reducir el trabajo que supondría hacer un experimento correspondiente a un diseño factorial 2 2 completo con centro en el punto del paso 5 y el consiguiente ajuste de un nuevo modelo de primer orden.

Como el valor observado en el paso 8 es más bajo que el del paso 7, se decide no ir más allá del paso 8, así que se establece un nuevo diseño usando como centro el punto del paso 7, (X 1 , X 2 ) = (135.9, 195). Por tanto, se codifican nuevamente las variables X 1 y X 2 pero utilizando ahora las siguientes transformaciones:

x

1 =

X

1

- 135.9

10

x

2 =

X

2

-195

23.1

Se realiza una serie de observaciones hasta completar un diseño 2 2 aumentado con observaciones en el centro, lo que nos proporciona la siguiente tabla de datos:

Tiempo (seg.) Temp. (º C)
Tiempo
(seg.)
Temp.
(º C)

125.9

171.9

195

218.1

93.6

91.7

135.9

96.2

97.0

145.9

92.5

92.9

(5.8.)

A partir de estos datos, el modelo de primer orden ajustado que se obtiene es el siguiente:

Ŷ ( x ) = 93.983 + 0.025 x 1 – 0.375 x 2

(5.9)

El análisis de la varianza (ANOVA) se muestra en la siguiente tabla:

 

Suma de

 

Media

 

Fuente

cuadrados

gl

cuadrática

F

Regresión

,565

2

,282

,038

Residual

22,183

3

7,394

Falta de Ajuste

21,863

2

10,931

34,159

Error

0,320

1

0,320

Total

22,748

5

La secuencia de experimentos completa hasta llegar a este último modelo ajustado de primer orden se muestra en la gráfica siguiente:

5. Un ejemplo numérico

5. Un ejemplo numérico Fig 5.5.- Secuencia completa de experimentos re alizados a lo largo de

Fig 5.5.- Secuencia completa de experimentos realizados a lo largo de las direcciones indicadas por las sucesivas pendientes de máximo ascenso que se han ido obteniendo, sobre la gráfica de contornos del último modelo de primer orden ajustado.

Resulta obvio de los datos contenidos en la tabla ANOVA que, dado que F regresion = 0,038, el modelo ajustado (5.9) no explica una cantidad significativa de toda la variación en el porcentaje de rendimiento. Así pues, debemos recurrir a un ajuste de la superficie de respuesta a través de un modelo de segundo orden:

Y = β 0 + β 1 x 1 + β 2 x 2 +β 11 x 1 2 + β 22 x 2 2 +β 12 x 1 x 2 + ε

(5.10)

Se considera entonces el último diseño de primer orden que habíamos considerado, del que ya

disponemos de datos, y se completa con observaciones en los puntos axiales (x 1 , x 2 ) = (±√2, 0) y

(x 1 , x 2 ) = (0, ±√2) para conseguir un diseño central compuesto. Los datos recogidos se muestran en la siguiente tabla:

Tiempo (seg.) Temp. (º C)
Tiempo
(seg.)
Temp.
(º C)

121.75

162.3

171.9

195

218.1

227.7

92.7

125.9

93.6

91.7

135.9

93.4

96

2

97.0

92.7

145.9

92.5

92.9

150.04

92.8

(5.11.)

5. Un ejemplo numérico

A partir de estos datos, el modelo de segundo orden ajustado que se obtiene es el siguiente:

Ŷ ( x ) = 96.60 + 0.03 x 1 – 0.31 x 2 – 1.98 x 1 2 – 1.83 x 2 2 + 0.58 x 1 x 2 (5.12)

El análisis de la varianza (ANOVA) se muestra en la siguiente tabla:

 

Suma de

 

Media

 

Fuente

cuadrados

gl

cuadrática

F

Regresión

25,447

5

5,089

44,447

Residual

,458

4

,115

Falta de Ajuste

,138

3

,046

0,144

Error

,320

1

,320

Total

25,905

9

El test para comprobar el ajuste del modelo (5.12.) proporciona un valor F < 1 que es claramente no significativo y las estimaciones de los coeficientes cuadráticos puros son todas altamente significativas (p < 0.0001), lo que indica que existe curvatura en la superficie ajustada y que ésta es una buena aproximación de la superficie de respuesta real. Entonces se representa en la región experimental la gráfica de contornos asociada a la superficie ajustada:

la gráfica de contornos asociada a la superficie ajustada: Fig 5.6.- Puntos del diseño utilizados para

Fig 5.6.- Puntos del diseño utilizados para ajustar la superficie de segundo orden, sobre la gráfica de contornos de la superficie ajustada de segundo orden.

Las líneas de contorno son elípticas y el punto de respuesta máxima, esto es el punto estacionario, se hallará en el centro de la elipse más pequeña. El siguiente paso consiste, entonces, en determinar las coordenadas del punto estacionario. Para ello, representamos la ecuación (5.12) en notación matricial:

5. Un ejemplo numérico