Cur So Super Resp

Superficies de Respuesta P.
Reyes / Julio 2005

UNIVERSIDAD IBEROAMERICANA A.C.
MAESTRA EN INGENIERA DE CALIDAD

APLICACIONES DEL ANLISIS DE REGRESIN AL
ANLISIS DE SUPERFICIES DE RESPUESTA
PRIMITIVO REYES AGUILAR
Abril, 2000
1
Superficies de Respuesta P. Reyes / Julio 2005
La tcnica de superficies de respuesta se ha utilizado principalmente en las
industrias de proceso y qumicas, donde despus de realizar un diseo de
experimentos para identificar las variables relevantes, se hace un estudio posterior
en los rangos relevantes de las variables con objeto de optimizar el proceso. Para
la optimizacin, si las variables de control son dos o tres cuantitativas, se puede
optimizar el proceso.
IDEAS BASICAS
Suponiendo que se tiene un sistema con una variable de respuesta y que
depende del nivel de varias variables de entrada: k

,.... 3 , 2 1
,
. Se asume que
los niveles de las
s pueden ser controladas con un error despreciable. El

experimento se realiza con las variables de diseo k
x x x ,....
2 , 1 , las cuales son
simples transformaciones de las
s. Cada tratamiento puede ser representado

por un punto con coordenadas ( ik k k
x x x ,....
2 , 1 ) en un espacio factorial de k
dimensiones, en cada punto es observado un valor de i
y
. Donde:
1
__
ik ik
i ik
i
x

; el denominador es la diferencia entre niveles de
s.
En general la respuesta es una funcin de las variables de entrada:
) , (
,.... 3 , 2 1 n
f y
Esta funcin es desconocida y a veces complicada.
El procedimiento bsico de superficies de respuesta consiste en aproximar la
funcin
) ( f
con un polinomio de bajo orden y usar datos de una muestra para
aproximar por el mtodo de mnimos cuadrados, los coeficientes del polinomio.
I. SUPUESTOS BASE
Los supuestos bsicos son:
1. Existe la estructura
) , (
,.... 3 , 2 1 n
f y
, y es complicada o desconocida.
2. Las variables
i
son cuantitativas y continuas.

3. La funcin verdadera
) ( f
puede ser ajustada en la regin de inters por un
polinomio de bajo orden.
4. Las variables de diseo ( ik k k
x x x ,....
2 , 1 ) son controladas y medidas sin error.
La meta del anlisis de superficies de respuesta es:
1. Encontrar una funcin de ajuste adecuada con el propsito de predecir
respuesta futura.
2
2. Hallar los niveles de las variables de entrada para los cuales, en cierto sentido,
la respuesta es optimizada.
Si se realiza un experimento con variables de diseo ( ik k k
x x x ,....
2 , 1 )
representado las variables de entrada n

,.... 3 , 2 1
,
, se puede obtener una
aproximacin satisfactoria de
) ( f
a partir de los trminos de bajo orden la serie
de expansin de Taylor alrededor del punto
0 .....
2 1

k
x x x
.
Se toma un modelo de primer orden cuando el experimentador est interesado en
analizar
f
en una regin angosta de k
x x x ,....
2 , 1 , con poca curvatura presente.
En trminos de las variables se tiene:
+
k
i
i i
x y E
1
0
) (
La ecuacin de estimacin para este modelo de primer orden es:
+
k
i
i i
x b b y
1
0
^
donde , 1 ,
b b
o son estimadores muestrales de 1 , 0

Escribiendo la ecuacin en forma matricial se tiene:
y = b
0
+ x b
en donde:
x =
1
1
1
1
]
1
k
x
x
x
....
2
1
; b =
1
1
1
1
]
1
k
b
b
b
....
2
1
De otra forma, el experimentador podra usar la funcin de aproximacin de
segundo orden, tomando los trminos de primero y segundo orden de la
expansin, se tiene el polinomio cuadrtico siguiente:
3

<
+ + +
ij
j i ij
j i
k
i
ii ii
k
i
i i
x x x x y E
1
2
1
0
) (
1 1 , 0
, x
son del modelo de primer orden
ii
= coeficiente cuadrtico de la variable i
ij
= coeficiente de interaccin de las variables i, j.

La ecuacin de estimacin para este modelo, en forma matricial se puede escribir
como:
y = b
0
+ x b + x B x , donde la matriz B, es:
B =
1
1
1
1
1
]
1
kk
k k
k
k
b sym
b
b b
b b b
..... .......... ,.........
2 / ..... .......... ..........
2 / ...... ,......... ....
2 / ..... ,......... 2 /
), 1 (
2 22
1 12 , 11
II. ANLISIS DE LA SUPERFICIE AJUSTADA
Habiendo encontrado y probado un polinomio que aproxime la funcin de
respuesta, el prximo paso es buscar las caractersticas esenciales de la
superficie ajustada, como sigue:
Se puede calcular el punto en el cual y es un mximo, un mnimo o un punto en
una silla, se le denomina punto estacionario (x
0
)ya que la derivada vale cero.
De la ecuacin general para la estimacin de la respuesta:
y = b
0
+ x b + x B x
Las coordenadas del punto estacionario x
0
se encuentran por derivacin parcial
de la ecuacin de primer orden para la respuesta estimada, quedando como:
x
0
= - B
-1
b / 2
4
donde b y B se obtienen de la ecuacin de estimacin.
el valor de y, y
0
en el punto estacionario se encuentra substituyendo x
0
en la
ecuacin de estimacin, quedando como:
y
0
= b
0
+ ( x b ) / 2
**** poner figuras 5.3 y 5.5
III. EJEMPLO NUMERICO
Un qumico realiza un experimento para observar el efecto de la temperatura Tp y
el tiempo de reaccin Tm, sobre el rendimiento de un proceso utilizado para
producir antibiticos. El experimento es como sigue:
Tratamiento Tp Tm
1 20 20
2 20 50
3 20 80
4 50 20
5 50 50
6 50 80
7 80 20
8 80 50
9 80 80
Transformando los datos para encontrar las variables de diseo x
1i
, x
2i
con la frmula:
30 / ) 50 (
ij ij
x
Se tiene la siguiente tabla de valores:
Bloques
Tratamiento x
1
x
2
I II III Totales
1 -1 -1 13.66 13.16 15.05 41.87
2 -1 0 12.23 13.84 11.85 36.92
3 -1 1 7.97 10.19 8.38 26.54
4 0 -1 16.98 13.42 14.29 44.69
5
5 0 0 13.8 15.55 13.92 43.27
6 0 1 12.86 18.27 15.00 46.13
7 1 -1 10.00 10.01 11.10 31.11
8 1 0 10.88 12.18 11.13 34.19
9 1 1 13.28 10.06 11.96 35.30
Totales 111.96 115.78 112.68 340.02
Haciendo un anlisis de varianza preliminar con los datos anteriores para el diseo
en bloques aleatorios se tiene:
La suma de cuadrados total es:
3 9
2
..
3
1
2
9
1
x
y
y SS
j
ij
i
T

SST = 13.66
2
+ 13.16
2
+ ....... + 10.06
2
+ 11.96
2
- (340.06)
2
/ 27
SST = 154.1606 con N 1 grados de libertad gl = 26
La suma de cuadrados para los 9 tratamientos es:
3 9 3
2
..
9
1
2
.
x
y y
SS
i
i
trat

SSt = [41.87
2
+ 36.92
2
+ ....... + 34.19
2
+ 35.30
2
] / 3 - (340.06)
2
/ 27
SSt = 118.3145 con i 1 grados de libertad gl = 8
La suma de cuadrados de los 3 bloques es:
3 9 9
2
..
3
1
2
.
x
y
y
SS
j
j
bloque

SSb = [111.16
2
+ 115.78
2
+ 112.68
2
] / 9 - (340.06)
2
/ 27
SSb = 0.907 con j 1 grados de libertad gl = 2
Para el error se tiene:
SSe = SST SSt SSb = 154.1606 118.3145 0.9704
SSe = 34.8757
Para la formacin de la tabla ANOVA se calculan las sumas promedio cuadradas
MS y el estadstico F como:
6
MSt = SSt / gl t
MSb = SSb / gl b
F = ( MSt o MSb ) / MSe
Por tanto se tiene:
TABLA ANOVA
Fuente Suma de grados de Cuadrados estadstico
de variacin cuadrados libertad medios F
Total 154.1606 26
Bloque 0.9704 2 0.4852
Tratamiento 118.3145 8 14.7893 6.78**
Error 34.8757 16 2.1797 .
** significativo al nivel de 1% con F de tablas = 3.9, p = 0.000
Como los dos factores de tratamiento son variables cuantitativas, probaremos si
se puede aproximar una superficie de respuesta usando un polinomio cuadrtico
como una ecuacin ajustada para describir la superficie.
Utilizando un modelo de segundo orden, la ecuacin de estimacin para dos
factores que aproxime la superficie de respuesta es:
2
22 22 2 1 12
2
11 11 2 2 1 1 0
^
x b x x b x b x b x b b y + + + + +
La matriz bsica de diseo (X) para este experimento se muestra a continuacin:
7
X =
1
1
1
1
1
1
1
1
1
1
1
1
]
1
+ + + + + +
+ + + + + +
+ + + +
+ + + + + +
+ + + + + +
+ + + + +
+ + + +
+ + + + +
+ + + +
1 , 1 , 1 , 1 , 1 , 1
0 , 0 , 1 , 0 , 1 , 1
1 , 1 , 1 , 1 , 1 , 1
1 , 0 , 0 , 1 , 0 , 1
0 , 0 , 0 , 0 , 0 , 1
1 , 0 , 0 , 1 , 0 , 1
1 , 1 , 1 , 1 . 1 , 1
0 , 0 , 1 , 0 , 1 , 1
1 , 1 , 1 , 1 , 1 , 1
El patrn anterior es repetido tres veces para los tres bloques.
Las ecuaciones normales para este experimento son:
X X b = X y
donde:
X X = 3 x
1
1
1
1
1
1
1
]
1
+ + + + + + + + +
+ + + + + + +
+ + + + + + + + +
+ + + + + +
+ + + + + +
+ + + + + + + + +
1 , 0 , 1 , 1 , 0 , 1 , 1 , 0 , 1
1 , 0 , 1 , 0 , 0 , 0 , 1 , 0 , 1
1 , 1 , 1 , 0 , 0 , 0 , 1 , 1 , 1
1 , 0 , 1 , 1 , 0 , 1 , 1 , 0 , 1
1 , 1 , 1 , 0 , 0 , 0 , 1 , 1 , 1
1 , 1 , 1 , 1 , 1 , 1 , 1 , 1 , 1

1
1
1
1
1
1
1
1
1
1
1
1
]
1
+ + + + + +
+ + + + + +
+ + + +
+ + + + + +
+ + + + + +
+ + + + +
+ + + +
+ + + + +
+ + + +
1 , 1 , 1 , 1 , 1 , 1
0 , 0 , 1 , 0 , 1 , 1
1 , 1 , 1 , 1 , 1 , 1
1 , 0 , 0 , 1 , 0 , 1
0 , 0 , 0 , 0 , 0 , 1
1 , 0 , 0 , 1 , 0 , 1
1 , 1 , 1 , 1 . 1 , 1
0 , 0 , 1 , 0 , 1 , 1
1 , 1 , 1 , 1 , 1 , 1
8
X X =
1
1
1
1
1
1
1
]
1
+ + + + + +
+ + + + + +
+ + + + + +
+ + + + + +
+ + + + + +
+ + + + + +
18 , 00 , 12 , 00 , 00 , 18
00 , 12 , 00 , 00 , 00 , 00
12 , 00 , 18 , 00 , 00 , 18
00 , 00 , 00 , 18 , 00 , 00
00 , 00 , 00 , 00 , 18 , 00
18 , 00 , 18 , 00 , 00 , 27
; b =
1
1
1
1
1
1
1
]
1
22
12
11
2
1
0
b
b
b
b
b
b
X y =
1
1
1
1
1
1
1
]
1
+ + + + + + + + +
+ + + + + + +
+ + + + + + + + +
+ + + + + +
+ + + + + +
+ + + + + + + + +
1 , 0 , 1 , 1 , 0 , 1 , 1 , 0 , 1
1 , 0 , 1 , 0 , 0 , 0 , 1 , 0 , 1
1 , 1 , 1 , 0 , 0 , 0 , 1 , 1 , 1
1 , 0 , 1 , 1 , 0 , 1 , 1 , 0 , 1
1 , 1 , 1 , 0 , 0 , 0 , 1 , 1 , 1
1 , 1 , 1 , 1 , 1 , 1 , 1 , 1 , 1

1
1
1
1
1
1
1
1
1
1
1
1
]
1
30 . 35
19 . 34
11 . 31
13 . 46
27 . 43
69 . 44
54 . 26
92 . 36
87 . 41
=
1
1
1
1
1
1
1
]
1
64 . 222
52 . 19
93 . 205
70 . 9
73 . 4
02 . 340
Por tanto de la ecuacin X X b = X y se tiene:
9
1
1
1
1
1
1
1
]
1
+ + + + + +
+ + + + + +
+ + + + + +
+ + + + + +
+ + + + + +
+ + + + + +
18 , 00 , 12 , 00 , 00 , 18
00 , 12 , 00 , 00 , 00 , 00
12 , 00 , 18 , 00 , 00 , 18
00 , 00 , 00 , 18 , 00 , 00
00 , 00 , 00 , 00 , 18 , 00
18 , 00 , 18 , 00 , 00 , 27
1
1
1
1
1
1
1
]
1
22
12
11
2
1
0
b
b
b
b
b
b
=
1
1
1
1
1
1
1
]
1
64 . 222
52 . 19
93 . 205
70 . 9
73 . 4
02 . 340
La solucin para b = (X X)
-1
X y, por tanto:
b =
1
1
1
1
1
1
1
]
1
+ + + +
+ + + + +
+ + + +
+ + + + +
+ + + + +
+ + +
6 / 1 , 00 , 00 , 00 , 00 , 9 / 1
00 , 12 / 1 , 00 , 00 , 00 , 00
00 , 00 , 6 / 1 , 00 , 00 , 9 / 1
00 , 00 , 00 , 18 / 1 , 00 , 00
00 , 00 , 00 , 00 , 18 / 1 , 00
9 / 1 , 00 , 9 / 1 , 00 , 00 , 27 / 5

1
1
1
1
1
1
1
]
1
64 . 222
52 . 19
93 . 205
70 . 9
73 . 4
02 . 340
=
1
1
1
1
1
1
1
]
1
6733 . 0
6267 . 1
4583 . 3
5389 . 0
2628 . 0
3478 . 15
La suma de cuadrados SSR de la regresin para la superficie ajustada (con
correccin en la media) es:
SSR = b X y -
27 / ) (
2
y

donde:
b X =
[ ] 6733 . 0 , 6267 . 1 , 4583 . 3 , 5389 . 0 , 2628 . 0 , 3473 . 15
x
10
1
1
1
1
1
1
1
]
1
+ + + + + + + + +
+ + + + + + +
+ + + + + + + + +
+ + + + + +
+ + + + + +
+ + + + + + + + +
1 , 0 , 1 , 1 , 0 , 1 , 1 , 0 , 1
1 , 0 , 1 , 0 , 0 , 0 , 1 , 0 , 1
1 , 1 , 1 , 0 , 0 , 0 , 1 , 1 , 1
1 , 0 , 1 , 1 , 0 , 1 , 1 , 0 , 1
1 , 1 , 1 , 0 , 0 , 0 , 1 , 1 , 1
1 , 1 , 1 , 1 , 1 , 1 , 1 , 1 , 1
=
[ ] 04 . 12 , 62 . 11 , 86 . 9 , 13 . 14 , 34 . 15 , 21 . 15 , 31 . 9 , 15 . 12 , 64 . 13
Entonces b X y es:
b X y =
[ ] 04 . 12 , 62 . 11 , 86 . 9 , 13 . 14 , 34 . 15 , 21 . 15 , 31 . 9 , 15 . 12 , 64 . 13

1
1
1
1
1
1
1
1
1
1
1
1
]
1
30 . 35
19 . 34
11 . 31
13 . 46
27 . 43
69 . 44
54 . 26
92 . 36
87 . 41
b X y = 4394.7113
Con los valores anteriores, calculando SSR se tiene:
SSR = 4394.7113 4281.9852 = 112.7561
La suma de cuadrados para la falta de ajuste, SSLF es:
SSLF = SST SSR = 118.3145 112.7261 = 5.5884
11
El anlisis de varianza ANOVA final con la suma de cuadrados de tratamientos
particionados en un componente asociado con la superficie ajustada y un
componente asociado con la falta de ajuste es:
12
TABLA ANOVA
Fuente Suma de grados de Cuadrados estadstico
de variacin cuadrados libertad medios F
Total 154.1606 26
Bloque 0.9704 2 0.4852
Superficie 112.7561 5 22.5452 10.34**
ajustada
Falta de 5.5844 3 1.8628 0.85 NS
ajuste
Error 34.8757 16 2.1797 .
** significativo al nivel de 1% con F de tablas = 3.9, p = 0.000
NS, no significativo
De la tabla de ANOVA se observa que la superficie ajustada contiene una cantidad
significativa de la variacin de la respuesta, mientras que la falta de ajuste no es
significativa. La proporcin de la variacin total en respuesta contenida en la
superficie de respuesta es:
R
2
= SSR / Sstot = 112.726 / 154.1606 = 0.73
La ecuacin que describe la superficie en trminos de las variables de diseo es:
2
2 2 1
2
1 2 1
67 . 0 63 . 1 46 . 3 54 . 0 26 . 0 35 . 15 x x x x x x y +
13
[ ] [ ] +
1
]
1
1
]
1
+
+
1
]
1
+
0
2
1
2 1 2 1
67 . 0 , 81 . 0
81 . 0 , 46 . 3
,
54 . 0
26 . 0
, 35 . 15 b
x
x
x x x x y
xb +xBx
Para analizar en ms detalle la superficie, encontramos el punto estacionario
) , (
0 0
y x
, donde:
14
x
0
= (-B
-1
b )/2 = -
1
]
1
1
]
1
1
]
1

25 1
18 . 0
) 2 / 1 (
54 . 0
26 . 0
0747 . 2 , 4880 . 0
4880 . 0 , 4040 . 0
con y
0
calculada como sigue:
y
0
= b
0
+ (x
0
b) /2 = 15.35 +

[ ] 71 . 15 ) 2 / 1 (
54 . 0
26 . 0
25 . 1 , 18 . 0
1
]
1

Como ambos coeficientes bii, b
ij
son negativos, el punto estacionario es un
mximo.
La ecuacin final cuadrtica que describe la superficie de respuesta es:
2 2
0007 . 0 0018 . 0 0038 . 0 0335 . 0 2852 7239 . 9
m m p p m p
T T T T T T y + +
donde
y = resultado de salida de antibitico
Tp = temperatura (C)
15
Tm = tiempo de reaccin (min.)
16
1. INTRODUCCIN A LA METODOLOGA DE SUPERFICIES DE
RESPUESTA (RSM)
La RSM es un conjunto de tcnicas con el objeto de:
1. Preparar una serie de experimentos que proporcionen una medicin adecuada
y confiable de la respuesta de inters.
2. Determinar un modelo matemtico que mejor ajuste los datos colectados del
diseo seleccionado en (1), realizando pruebas de hiptesis apropiadas en
relacin con los parmetros del modelo, y
3. Determinar el ajuste ptimo de los factores experimentales que produzcan el
valor mximo o mnimo de la respuesta.
Para evaluar el efecto de ciertos factores en el comportamiento de una variable de
respuesta medible, se utiliza la regresin, la cual ayuda a establecer una relacin
emprica entre la variable de respuesta y los factores de influencia. La variable de
respuesta es la variable dependiente y es llamada la respuesta, los niveles de los
factores de influencia se denominan, regresores, explicatorios o variables de
entrada.

(a)
(b)
0

x1
Fig. 1.1 Modelos de polinomios, (a) lnea recta, 1 1 0
X +
y (b) parbola
1 1 0
X +
La funcin de la respuesta de prediccin Y-gorro est en funcin de los
parmetros estimados b0, b1, b2, etc., establecindose como sigue:
^
2 2 1 1 0
X b X b b Y + +
La superficie de respuesta est representada por la ecuacin de prediccin, por
ejemplo para el caso de una ecuacin de segundo orden se tiene:
17
2
2
2
1 2 1 2 1
^
78 . 0 94 . 1 57 . 0 56 . 0 90 . 0 85 . 13 x x x x x x Y +
donde las xs son variables codificadas. Con k factores la superficie de respuesta
es un subconjunto de un espacio euclidiano de (k + 1) dimensiones.
La representacin del contorno de una superficie de respuesta son las lneas o
curvas de respuesta constante en funcin de las variables de entrada Xs.
La regin de operacin es el espacio factorial donde se realizan los experimentos
y la regin experimental de inters R representa una parte limitada de la anterior.
18
2. CONCEPTOS MATEMTICOS RELACIONADOS CON RSM
MATRICES
Definicin 2.1 Una matriz cuadrada tiene el mismo nmero de renglones y de
columnas.
Definicin 2.2 La transpuesta de una matriz M (N x k) es la matriz (k x N) o M,
obtenida al intercambiar filas por columnas.
Definicin 2.3 Una matriz simtrica es igual a su transpuesta, M = M.
Definicin 2.4 Una matriz diagonal es una matriz cuadrada cuyos elementos fuera
de la diagonal mij , i j son cero. Si los elementos en la diagonal son 1s se tiene
una matriz identidad I.
Definicin 2.5 La traza de una matriz cuadrada M es la suma de los elementos de
la diagonal.
Definicin 2.6 Asociada con cada matriz cuadrada M se tiene su determinante
denotado por |M|.
Definicin 2.7 Los valores caractersticos de una matriz cuadrada M son las las
soluciones a las ecuaciones de determinantes |M - I| = 0. El determinante es un
polinomio de grado k simo en , por tanto M tiene k valores caractersticos.
Definicin 2.8 Asociado con cada valor caracterstico i de la matriz cuadrada M,
hay un vector caracterstico vi, cuyos elementos satisfacen el sistema de
ecuaciones:
0 ) (
i i
v I M

Definicin 2.9 Las matrices que tienen el mismo orden pueden ser sumadas
elemento por elemento, se dice que son conformables para la adicin. En forma
similar son conformables para la multiplicacin si el nmero de columnas de la
matriz de la izquierda es igual al nmero de filas de la matriz de la derecha. Por
ejemplo si M es (N x k) y T es (k x r), su producto MT es (N x r).
Definicin 2.10 La inversa de una matriz cuadrada M es una matriz denotada por
M tal que MM
-1
= M
-1
M = I, la matriz que tiene inversa se dice que no es singular.

Definicin 2.11 Una matriz cuadrada T se dice que es ortogonal si T = T
-1
o sea
la transpuesta es igual a su inversa. La transformacin w = T v se denomina una
transformacin ortogonal.
19
MTODO DE MNIMOS CUADRADOS
Asumiendo que N observaciones de la respuesta se puedan expresar por medio
de un modelo de primer orden
u uk k u u u
X X X Y + + + + + .......
2 2 1 1 0 (2.1)
En la ecuacin 2.1 Yu denota la respuesta observada en el intento u; Xui
representa el nivel del factor i en el intento u; las betas son parmetros
desconocidos y
u
representa el error aleatorio en Yu. Se asume que los errores
u
tienen las caractersticas siguientes:
1. Tienen media cero y varianza comn
2
.
2. Son estadsticamente independientes.
3. Estn distribuidos en forma normal.
El mtodo de mnimos cuadrados selecciona como estimados para los parmetros
desconocidos beta, los valores b0, b1, ...., bk respectivamente, los cuales minimizan
la cantidad:

N
u
uk u u u k
X X Y R
1
2
2 2 1 1 0 1 0
) ..... ( ) ,..., , (
Y son las soluciones a un conjunto de (k +1) ecuaciones normales.
Sobre N observaciones el modelo de primer orden puede expresarse en forma
matricial como:
Y = X + = [1 : D] +
Y es un vector N x 1.
X es una matriz de orden N x (k + 1), donde la primera columna es de 1s.
es un vector de orden (k + 1) x 1.
es un vector de orden N x 1.
D es la matriz de Xij con i = 1, 2, ..., N; j = 1, 2, ......, k
Las ecuaciones normales a resolver para minimizar los cuadrados se pueden
escribir como:
XX b = X Y (2.2)
Los estimadores de mnimos cuadrados b de los elementos son:
20
b = (XX)
-1
XY (2.3)
Como principales caractersticas de los estimadores b se tienen:
La matriz de varianza y covarianza de el vector de estimados b es:
Var(b) = C = (XX)
-1

2
(2.4)
El elemento (ii) de esta matriz
) (
2
i ii
b Var c
es la varianza del elemento i de b.
El error estndar de bi es la raz cuadrada positiva de la varianza de bi o sea:
2
.
ii i
c b se (2.5)
La covarianza del elemento bi y bj de b es
2
) var(
ij ij
c c Co
.
(2.6)
Si errores estn normalmente distribuidos, entonces b se dice que est distribuido
como:
) ) ' ( , (
2 1

X X N b
Sea xp un vector (1 x p) vector cuyos elementos corresponden a una fila de la
matriz X, p = k + 1, entonces en la regin experimental el valor de prediccin de la
respuesta es:
b x x Y
p
' ) (
^
(2.7)
Una medida de la precisin de la prediccin Y-gorro(x) se puede expresar como:
2 1
^
) ' ( ' ) ( )) ( (
p p p
x X X x b x Var x Y Var

(2.8)
RESIDUOS
Los residuos se definen como la diferencia entre los valores reales observados y
los valores predichos para estos valores de respuesta usando el modelo de ajuste,
o sea:
N u x Y Y r
u u u
,..., 2 , 1 ), (
^

(2.9)
Si se obtienen valores para los N intentos entonces en forma matricial:
21
^
r = Y X b (2.10)
los residuos tienen las propiedades siguientes:
1. 1r = 0, donde 1 es un vector (1 x N) de 1s.
2. Yest(X)r = 0
3. Xr = 0
ESTIMACIN DE
Para un modelo con p parmetros y se tengan N observaciones (N > p), la
varianza se estima como sigue:
SSE
p N
Xb Y Xb Y
p N
r
p N
s
N
u
u
1
) ( )' (
1 1
1
2 2
(2.11)
TABLA DE ANOVA
La suma de cuadrados totales es:

N
u
u
Y Y SST
1
2
__
) (
con N-1 grados de libertad (2.12)
La suma de cuadrados debidos a la regresin es:

N
u
u
Y x Y SSR
1
2
__ ^
) ) ( ( con p (parmetros) 1 grados de libertad (2.13)
La suma de cuadrados del error o de los residuos es:

N
u
u u
x Y Y SSE
1
2
^
)) ( ( con (N-1) (p 1) grados de libertad (2.14)
En forma matricial se tiene:
N
Y
Y Y SST
2
) ' 1 (
'
22
N
Y
Y X b SSR
2
) ' 1 (
' '
Y X b Y Y SSE ' ' '
(2.15)
Para probar la hiptesis de existencia del modelo:
0 ... :
2 1 0

k
H
k i H
i a
,..., 2 , 1 , 0 :
Se calcula el estadstico F como:
) /
) 1 /(
p N SSE
p SSR
MSE
MSR
F

(2.16)
Se compara el valor de F con el de tablas para F
,p-1,N-p el cual es la parte superior
de la distribucin F, si F calculada excede a F de tablas se infiere que la variacin
explicada por el modelo es significativa.
El coeficiente de determinacin R
2
mide la proporcin de la variacin total de los
valores Yu alrededor de la media Y explicada por el modelo de ajuste. Se expresa
en porcentaje.
SST
SSR
R
2
(2.17)
23
EJEMPLO: MODELANDO LA CANTIDAD DE COMIDA INGERIDA POR RATAS
DE LABORATORIO
1
Doce ratas de tamao uniforme fueron privadas de comida excepto por una hora
por da durante 10 das. Al siguiente da, cada rata fue inyectada con una
substancia reductora del hambre (dosis de 0.3 y 0.7 mg/kg) y despus de
transcurrido un cierto tiempo (1, 5 y 9 horas), las ratas fueron alimentadas, cada
combinacin fue aplicada a dos ratas midindose el peso de la comida ingerida
por cada rata para analizar los efectos.
Tabla: Peso de la comida ingerida por las ratas
Tiempo transcurrido entre inyeccin y comida
Dosis (mg/kg) 1 5 9 total
0.3 5.63, 6.42 11.57, 12.16 12.68, 13.31 61.77
0.7 1.38, 1.94 5.72, 4.69 8.28, 7.73 29.74
total 15.37 34.14 42.00 91.51
El modelo propuesto para relacionar el peso de la comida ingerida por rata al nivel
de dosis de droga (X1) y el tiempo transcurrido entre inyeccin e ingestin (X2) es:
i i i i i i i
x x x x x Y + + + + +
2
2 22 2 1 12 2 2 1 1 0
12 ,......., 2 , 1 i
Codificando las variables como:
2 . 0
5 . 0
1
1

X
x
Para los niveles de dosis de droga inyectada, 0.3 y 0.7 mg/kg equivale a valores
de 1 y +1 respectivamente.
4
5
2
2

X
x
Para los intervalos de tiempo de 1, 5 y 9 horas corresponden a los niveles 1, 0 y
+1 respectivamente.
Expresando el modelo en notacin matricial se tiene:
1
Khuri, Andre I, et.al., Response Surfaces: Design and Analysis, Marcel Dekker, Inc.
America Society for Quality Control, Nueva York, 1987, cap. 1 y 2
24
Y = X +
25
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
]
1
+
1
1
1
1
1
1
]
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
]
1
+ + + + +
+ + + + +
+ + +
+ + +
+ + + + +
+ + + + +
+ + + +
+ + + +
+ + +
+ + +
+ + +
+ + +
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
]
1
12
11
10
9
8
7
6
5
4
3
2
1
22
12
2
1
0
1 , 1 , 1 , 1 , 1
1 , 1 , 1 , 1 , 1
1 , 1 , 1 , 1 , 1
1 , 1 , 1 , 1 , 1
0 , 0 , 0 , 1 , 1
0 , 0 , 0 , 1 , 1
0 , 0 , 0 , 1 , 1
0 , 0 , 0 , 1 , 1
1 , 1 , 1 , 1 , 1
1 , 1 , 1 , 1 , 1
1 , 1 , 1 , 1 , 1
1 , 1 , 1 , 1 , 1
73 . 7
28 . 8
31 . 13
68 . 12
69 . 4
72 . 5
16 . 12
57 . 11
94 . 1
38 . 1
42 . 6
63 . 5
26
Las ecuaciones normales de las variables codificadas son:
X X b = X Y se tiene:
1
1
1
1
1
1
]
1
+ + + + +
+ + + + +
+ + + + +
+ + + + +
+ + + + +
08 , 00 , 00 , 00 , 08
00 , 08 , 00 , 00 , 00
00 , 00 , 08 , 00 , 00
00 , 00 , 00 , 12 , 00
08 , 00 , 00 , 00 , 12
1
1
1
1
1
1
1
]
1
22
12
11
2
1
0
b
b
b
b
b
b
=
1
1
1
1
1
1
]
1
37 . 57
25 . 1
63 . 26
03 . 32
51 . 91
La solucin para b = (X X)
-1
X Y, es por tanto (ver Ejeratas):
b =
1
1
1
1
1
1
]
1
364 . 1
156 . 0
329 . 3
669 . 2
535 . 8
El modelo ajustado de segundo orden es:
2
2 2 1 2 1
^
364 . 1 156 . 0 329 . 3 669 . 2 35 . 8 ) ( x x x x x x Y +
Este modelo expresado en trminos de las variables originales queda como:
27
2
2 2 1 2 1
^
085 . 0 195 . 0 782 . 1 369 . 12 428 . 8 ) ( X X X X X x Y +
Tabla: Valores de respuesta estimada y residuos obtenidos con la ecuacin anterior.
Dosis Horas Peso observ. Desv. Peso pronost. Desv. Residuo
(X1) (X 2) Y i
__
Y Y
i

) (
^
i
x Y

__ ^
) ( Y x Y
i

) (
^
i
i x Y Y
0.3 1 5.63 -1.996 6.36 -1.266 -0.73
6.42 -1.206 6.36 -1.266 0.06
0.7 1 1.38 -6.246 1.33 -6.296 0.05
1.94 -5.586 1.33 -6.296 0.61
etc.
Calculando las sumas de cuadrados para realizar el ANOVA se tiene:
436 . 183 ) 626 . 7 (
12
1
2

i
i
Y SST
con 12-1 grados de libertad
436 . 183 ) 626 . 7 ) ( (
12
1
2
^

i
i
x Y SSR con 5 - 1 grados de libertad
143 . 4 )) ( (
12
1
2
^

SSR SST x Y Y SSE

i
i i
con 12-5 = 7 grados de libertad
La tabla de ANOVA queda como:
Tabla ANOVA
Fuente df SS MS F
Regresin 4 179.293 44.283 44.283/4.143 = 75.73
Residuos 7 4.413 0.592
Total 11 183.436 .
El valor calculado de F excede al de tablas con F0.01,4,7 = 7.85, por tanto se rechaza la hiptesis de
que los coeficientes sean iguales a cero, donde al menos uno es diferente de cero.
28
0 :
22 11 2 1 0
H
0 :
i a
H
El valor de R
2
como medicin de la proporcin de la variacin total de los valores de Yi alrededor
de la media Ymedia explicada por el modelo ajustado. Se expresa como:
SST
SSE
R
2
donde p es el nmero de parmetros del modelo.
por tanto R
2
es igual a 0.98.
Para probar la hiptesis de igualdad a cero de cada parmetro se compara su valor estimado con
su error estndar estimado o sea:
09 . 6
966 . 6 * 591 . 0
369 . 12
*
22
1

C MSE
b
t
Este valor se compara con la t de tablas con de 0.01 y 7 grados de libertad asociados con MSE
de los residuos, que es 2.998, por tanto como el valor absoluto de t calculado excede al de tablas,
se rechaza la hiptesis nula de que H0: 1 = 0 a favor de que Ha: 1 < 0.
Se pueden realizar pruebas similares para los otros parmetros 2 , 12 , 22 obtenindose una t
calculada de 5.14, -0.57 y 2.93 respectivamente, con hiptesis:

H0: 2 = 0; Ha: 2 > 0 ; t
de tablas para = 0.01 es 2.998 y se rechaza H0.

H0: 22 = 0; Ha: 22 < 0, t
de tablas para = 0.01 es 2.998 y no se rechaza H0.

H0: 12 = 0 a favor de que Ha: 12 0, t
/2 de tablas para = 0.05 es 3.499 y no se rechaza H0.
De acuerdo a lo anterior se infiere que el cambio en la dosis de droga de 0.3 a 0.7 mg/kg reduce el
hambre de las ratas evidenciada por el menor peso de comida consumida. Lo contrario sucede con
el tiempo entre inyeccin y comidas.
PRUEBA DE LA FALTA DE AJUSTE DEL MODELO AJUSTADO
USANDO OBSERVACIONES REPLICADAS
El modelo puede ser inadecuado debido a que:
1. Hay factores que se omitieron pero que afectan la respuesta.
2. Se omitieron factores de mayor orden y son requeridos para mejorar la
explicacin.
La prueba de adecuacin (cero falta de ajuste) requiere que se cumplan dos
condiciones:
29
1. El nmero de puntos de diseo n debe ser mayor que el nmero de trminos
en el modelo de ajuste. Si el modelo contiene p trminos entonces n > p.
2. La estimacin de la varianza del error experimental no debe depender de la
forma del modelo de ajuste, lo cual puede ser logrado si se toman al menos
dos observaciones replicadas en uno o ms de los puntos de diseo y se
calcula el error antes y despus de la rplica observando que no vare.
Asumiendo que los errores estn distribuidos en forma aleatoria con varianza
comn
2
.
Cuando se cumplen las dos condiciones anteriores, la suma de cuadrados residual
SSE puede ser particionada en dos fuentes de variacin; la variacin entre los
puntos replicados (suma de cuadrados del error puro SSPE ) y la variacin por falta
de ajuste del modelo (SSLOF ).
Si denotamos a la observacin i-sima en el punto de diseo Yik donde i = 1, 2, ....
rk >= 1, k = 1,2,3,.... n. Definiendo
k Y
__
como el promedio de las rk observaciones
en el punto de diseo i-simo, entonces la suma de cuadrados del error puro es:

rk
i
k ik
n
k
PE
Y Y SS
1
2
__
1
) (
con N n grados de libertad. N = total de observaciones.
La suma de cuadrados por falta de ajuste se calcula por resta:
PE LOF
SS SSE SS
con (N p) (N n) = n p grados de libertad.

o en forma alterna si
^
k
Y
es el valor de prediccin de la respuesta en el punto de
diseo k-simo entonces:

n
k
k
k
k LOF
Y Y r SS
1
2
__ ^
) (
La prueba de la hiptesis nula de adecuacin de ajuste (o falta de ajuste cero) se
toma como:
) (
) (
n N
SS
p n
SS
F
PE
LOF
30
La hiptesis nula realmente probada por F es:
q p p p q p q
X X X X A donde A X X H
' 1 '
0
) ( .. , 0 ) ( :

La matriz A se denomina la matriz Alias.
Cuando Ho es rechazada y se asume Ha como verdadera, el paso siguiente es
agregar ms trminos de alto orden al modelo.
Continuando con el ejemplo, de:
SSE = 4.143 con 7 grados de libertad,
SS
PE
= (5.63 6.025)
2
+ (6.42 6.025)
2
+.....+(7.73 8.005)
2
= 1.523 con 6 gl.
donde por ejemplo 6.025 es la media de 5.63 y 6.42 que es la observacin con
una dosis de 0.3 y 1 hora.
Restando SSPE de SSE se tiene:
SSLOF = 4.143 1.523 = 2.620 con 7 6 =1 grados de libertad.
El valor de F es:
32 . 10
6 / 523 . 1
1 / 620 . 2
F
Como F excede el valor de F de tablas
99 . 5
6 , 1 , 05 . 0
F
inferimos que hay evidencia
suficiente para indicar que el modelo exhibe falta de ajuste al nivel = 0.05 de
significancia. Posiblemente es causado por haber omitido el trmino
2
2 1 122
X X .
COMENTARIOS ACERCA DE LAS PROPIEDADES DE UN DISEO DE
SUPERFICIE DE RESPUESTA
El objetivo principal a lograr es explorar la superficie de respuesta sobre la regin
experimental, de acuerdo a Box y Draper se tienen 14 caractersticas de un diseo
de superficie de respuesta a ser usado cuando se ajusta un modelo de polinomio a
los datos colectados en los puntos de diseo, las ms importantes son:
1. El diseo debe generar una distribucin satisfactoria de informacin a travs de
la regin de inters.
2. El diseo debe asegurar que el valor de prediccin en x,
^
), (x Y
.. sea tan
cercano como sea posible al valor verdadero en x, (x).
31
3. El diseo debe detectar adecuadamente la falta de ajuste.
4. El diseo debe permitir realizar experimentos en bloques.
5. El diseo debe permitir construir sobre el diseo de ms alto orden en forma
secuencial.
6. El diseo debe proporcionar una estimacin interna de la varianza del error
2
.
7. El diseo debe requerir un nmero mnimo de puntos experimentales.
8. El diseo debe asegurar simplicidad de clculos de los parmetros del modelo
estimados.
Ortogonalidad y Rotabilidad
En un diseo ortogonal los trminos del modelo de ajuste son no correlacionados
entre s y las estimaciones de los parmetros no son correlacionadas. En este
caso la varianza de la respuesta de estimada en cualquier punto x en la regin
experimental, se puede expresar como la suma ponderada de las varianzas de los
parmetros estimados del modelo. Un modelo de primer orden es ortogonal si la
matriz correspondiente es XX diagonal.
En un diseo rotable, la varianza de la respuesta estimada
^
), (x Y
que es sabido
que depende de la localizacin del punto x, es funcin unicamente de la distancia
del punto x al centro del diseo. De esta forma la varianza de prediccin
1
]
1
) (
^
x Y Var
es
la misma para todos los puntos equidistantes del centro del diseo. Esta
caracterstica es importante cuando se trata de predecir hacia donde moverse
durante la optimizacin.
32
3. MODELOS Y DISEOS DE PRIMER ORDEN
En la prctica se utilizan polinomios de bajo orden (primero o segundo) por su
simplicidad considerando que se est trabajando en la regin de inters que es
pequea, para toda la regin de operacin s sera necesario el uso de polinomios
de ms alto orden.
El modelo de primer orden con k variables de entrada k
X X X ,.... ,
2 1 es:
+ +
k
i
i i
X Y
1
0

(3.1)
Si el error experimental tiene una media cero, entonces la ecuacin anterior
representa la respuesta verdadera , o sea:
+
k
i
i i
X
1
0

(3.2)
Sin embargo si el modelo anterior no es adecuado para representar la respuesta
media, entonces contiene en adicin al error experimental, un error sistemtico
causado por la ausencia de trminos de m alto orden en las Xs, denominado
error de falta de ajuste.
En forma matricial el modelo de primer orden para N observaciones es:
Y = X + (3.3)
Y es un vector de N (N k +1) observaciones;
= ( 0 , 1 ,......., k ) es un vector (k+1) x 1 de parmetros desconocidos;
= ( 0 , 1 ,........, N ) es un vector N x 1 de errores y
X es una matriz N x (k +1) de ajuste de valores de las variables de entrada.
X = [ 1: D
x
] ; donde 1 es un vector N x 1 de 1s y
D
x
es la matriz de diseo N x k cuyos elementos (ui) simos , Xui son los
valores de las variables de entrada usadas en la corrida experimental u sima
( u = 1, 2, ...., N; i = 1, 2, ....., k).
33
Se asume que los errores estn independientemente distribuidos como variables
normales con media cero y varianza comn
2
.
Un estimador de es el estimador (BLUE) de mnimos cuadrados b:
b = (XX)
-1
XY (3.4)
La matriz de varianza y covarianza de b es:
Var (b) = (XX)
1
2
(3.5)
Los niveles de k variables de entrada Xi se codifican con la transformacin:
i
i
ui ui
R X X x / ) ( 2
__

u = 1, 2, ..., N; i =1, 2, ...., k (3.6)
donde
__
i
X
es la media de todas las observaciones y i
R
es el rango entre el ajuste
menor y el mayor de las variables. Sobre las N observaciones, los valores de las
variables codificadas satisfacen:
N
u
ui
x
1
0
i = 1,2, ........, k (3.7)
Del experimento de las ratas, se tiene:
X1 X2 x1 x2
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
]
1
9 , 7 . 0
9 , 7 . 0
9 , 3 . 0
9 , 3 . 0
5 , 7 . 0
5 , 7 . 0
5 , 3 . 0
5 , 3 . 0
1 , 7 . 0
1 , 7 . 0
7 , 3 . 0
1 , 3 . 0
X
D
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
]
1
+ +
+ +
+
+
+ +
+ +
+
+
+
+

1 , 1
1 , 1
1 , 1
1 , 1
0 , 1
0 , 1
0 , 1
0 , 1
1 , 1
1 , 1
1 , 1
1 , 1
D
34
35
3.1 DISEOS PARA AJUSTE CON MODELOS DE PRIMER ORDEN
Sea
) (
^
x Y
la respuesta de prediccin en el punto x = (x1, x2,....,xk) en la regin de
inters en el espacio de las variables codificadas denotado por R, se tiene:
[ ] b x x Y ' , 1 ) (
^
(3.8)
2 1
2
^
) ' ( ' ) (
x D D x
N
x Y Var

+
1
]
1
(3.10)
Aqu se muestra la dependencia de la varianza de Yest. de la matriz de diseo D.
Definicin: Un diseo de primer orden D donde DD es diagonal se denomina
diseo ortogonal.
En un diseo ortogonal los efectos de las k variables de entrada se pueden
evaluar independientemente ya que los elementos de covarianza de la matriz de b
son ceros. Las clases de diseos ortogonales incluyen los siguientes:
1. Los diseos factoriales 2
k
, donde k es el nmero de factores.
2. Replicas factoriales de los diseos 2
k
.
3. Diseos simplex.
4. Diseos de Plackett Burman.
5. Diseos de Taguchi.
DISEOS FACTORIALES
Para estos diseos se utilizan las variables codificadas, el estimador de b, Var(b)
en mnimos cuadrados se transforma en:
Y X b
k
'
2
1
1
2
2
) (
+
k k
I b Var

36
En este caso la varianza es igual al valor de MSE y el valor del error estdar es:
k i
MSE
A sse
2
) (
Las columnas de X correspondientes a las variables de entrada (i = 1,2, .... , k),
consiste de nmeros unos positivos y negativos. De esta forma las b1, b2, ..., bk
son contrastes en las observaciones obtenidas bajo las 2
k
combinaciones de
tratamientos. Estos contrastes estiman los efectos de los k factores.
La suma de cuadrados del contraste i-simo es tambin la suma de cuadrados
(SS) para el factor Ai, esta dado por:

2
2
i
k
A
b SS
i

i = 1, 2, ......, k
Las sumas de cuadrados son estadsticamente independientes (ya que las bi son
estadsticamente independientes) y se prueba con el estadstico F = SSAi / MSE
con 1 y 2
k
k 1 grados de libertad, la hiptesis:
Ho: i = 0
Los valores altos de F son significativos.
Ejemplo 3.1: En un estudio relacionado con la conversin de carbn en aceite, se
investig el efecto de las variables de entrada X1 = temperatura, X2 = CO / H2, X3 =
presin y X4 = tiempo de contacto; la variable de respuesta Y fue el % de lignita.
Se utiliz un diseo factorial 2
4
para ajustar un modelo de primer orden, los niveles
de los cuatro factores son:
X1 = temperatura (C) 380 400
X2 = CO / H2 3/4
X3 = presin (MPa) 7.1 11.1
X4 = tiempo de contacto 10 50
Las variables codificadas se definen como sigue:
40
420
1
1

X
x
37
4 / 1
2 / 1
2
2

X
x
0 . 2
1 . 9
3
3

X
x
20
30
4
4

X
x
La combinacin de los tratamientos y la respuesta correspondiente se muestra a
continuacin:
Tabla 3.1 Combinacin de tratamientos y valores de la respuesta
Combinaciones x1 x2 x3 x4 Y
(1) -1 -1 -1 -1 53.3
a1 1 -1 -1 -1 78.0
a2 -1 1 -1 -1 62.4
a1a2 1 1 -1 -1 78.9
a3 -1 -1 1 -1 75.9
a1a3 1 -1 1 -1 75.4
a2a3 -1 1 1 -1 71.3
a1a2a3 1 1 1 -1 84.4
a4 -1 -1 -1 1 64.5
a1a4 1 -1 -1 1 67.5
a2a4 -1 1 -1 1 72.8
a1a2a4 1 1 -1 1 85.3
a3a4 -1 -1 1 1 71.4
a1a3a4 1 -1 1 1 83.3
a2a3a4 -1 1 1 1 82.9
a1a2a3a4 1 1 1 1 81.7
Con estos valores se obtiene el modelo ajustado de primer orden (ver clculos en
Excel) con variables codificadas como sigue:
4 3 2 1
^
86 . 1 98 . 3 15 . 3 00 . 5 ` 31 . 74 x x x x Y + + + +
con sse. = 1.41 en todos los parmetros
La tabla ANOVA queda como:
Fuente grados de Suma de Cuadrado F
libertad cuadrados medio
X1 1 400.00 400.00 12.61**
X2 1 158.76 158.76 5.01 **
X3 1 252.81 252.81 7.97 **
38
X4 1 55.50 55.50 1.75
Residuos 11 348.825 31.71
Total 15 1215.895
La F de tablas para = 0.05 con 1 y 11 grados de libertad es 4.75, por tanto son
significativas las tres primeras variables X1, X2 y X3.
39
4- MODELOS Y DISEOS DE SEGUNDO ORDEN
Cuando con un modelo de primer orden se presenta falta de ajuste por la
existencia de curvatura en la superficie, el modelo de primer orden es enriquecido
agregando trminos de segundo orden al mismo.

+ + + +
k
j
j i ij
k
i
k
i
i ii
k
i
i i
X X X X Y
2
1
1 1
2
1
0

(4.1)
Como alternativa a los diseos factoriales 3
k
, Box y Hunter introdujeron los
Diseos centrales compuestos (CCD), un CCD consiste de:
1. Un diseo factorial 2
k
completo o fraccional, con los niveles codificados +1, -1.
Esta es la porcin factorial del diseo.
2. n0 puntos centrales (n0 >1).
3. Dos puntos axiales sobre el eje de cada variable de diseo a una distancia
del centro. Esta es la porcin axial del diseo.
De esta forma el nmero total de puntos de diseo es N = 2
k
+ 2k + n0 . Los
valores de n0 y se escigen de manera apropiada. Como ejemplo un CCD con k =
2 variables con n0 =1 y = 2 tiene la forma.
1
1
1
1
1
1
1
1
1
1
1
1
1
]
1
+ +
+
+
+
+
+ +
+
+

0 , 0
2 , 0
2 , 0
0 , 2
0 , 2
1 , 1
1 , 1
1 , 1
1 , 1
D
Fig. 4.1 CCD con k = 2 variables
Un CCD puede ser hecho ortogonal si seleccionamos el valor axial de cmo:
40
x
1
x
2
2
F FN
(4.2)
Donde F es el nmero de puntos correspondientes a la parte factorial.
Un diseo rotatorio de segundo orden que proporciona un valor uniforme de
prediccin dentro de una esfera de radio unitario en la vecindad del punto central
del diseo, se denomina diseo de precisin uniforme.
Los valores del coeficiente 4 requeridos para hacer la varianza de Yest.(x) en
=1 igual a la de =0 para un diseo rotatorio para k factores son:
Tabla 4.1 Constantes 4 en funcin de k
k 2 3 4
4 0.7844 0.8385 0.8704
Para hacer que un diseo central compuesto (CCD) sea rotatorio y ortogonal
(OR), el nmero de replicaciones en el centro del diseo n0 es (F puntos del
diseo factorial) :
n0 4 F
1/2
+ 4 2k (4.3)
Por ejemplo para k = 2 y F = 2
2
, no = 8 puntos centrales replicados.
Para un diseo central compuesto (CCD) rotatorio que tenga la propiedad de
precisin uniforme (PU) se tiene:
n0 4 (F
1/2
+ 2)
2
F 2k (4.4)
Por ejemplo para 4 = 0.7844, k = 2 y F = 2
2
, no 5 puntos centrales replicados.
Una tabla de constantes para estos diseos se muestra a continuacin:
41
Tabla 4.2 CCD de precisin uniforme o rotatorio ortogonal
k 2 3 4
F 4 8 16
na 4 6 8
n0 (OR) 8 9 12
no (PU) 5 6 7
N (OR) 16 23 36
N (PU) 13 20 31
Donde na representa el nmero de puntos axiales y N el nmero de puntos
experimentales totales.
Entre otros criterios, el de Box y Draper se refiere al uso de replicaciones del punto
central para probar falta de ajuste en el modelo ajustado de segundo orden,
Draper recomienda realizar un mnimo de cuatro o cinco replicaciones en el punto
central para tener suficiente sensibilidad de falta de ajuste.
42
5.0 DETERMINACIN DE LAS CONDICIONES PTIMAS
5.1 INTRODUCCIN
El grupo de valores de las variables de entrada que generan valores de respuesta
deseados, se denomina conjunto de soluciones ptimas. La estrategia en el
desarrollo de un modelo emprico a travs de un programa secuencial de
experimentacin es como sigue:
1. Se usa un polinomio de primer orden para ajustar los datos colectados en los
puntos de un diseo de primer orden.
2. Si el modelo de primer orden es adecuado, se usa este modelo para localizar
reas dentro de la regin experimental donde se sospecha que se encuentran
los valores ms deseados de la respuesta.
3. Dentro de la nueva regin, se repite el ciclo probando la adecuacin del
modelo de primer orden. Si se detecta falta de ajuste, el modelo puede ser
enriquecido agregando productos cruzados y/o trminos cuadrticos puros.
4. Si se detecta una curvatura en la superficie y un modelo de segundo orden es
apropiado, se utiliza para mapear la forma de la superficie a travs de una
grfica de contorno en la regin experimental. Despus se localizan los valores
ptimos.
5. Al final en la regin donde se encuentran las respuestas ms deseables, se
realizan experimentos adicionales para verificar que as sea.
Revisando el anlisis de una superficie de primer orden, representada por la
ecuacin de un hiperplano en k variables codificadas.
+ +
k
i
i i
X Y
1
0

(5.1)
Y = + es apropiado cuando:
1. Los valores de la respuesta se colectan sobre una regin limitada del espacio
de k variables.
2. O cuando no se conoce la forma de la superficie en la regin de inters y el
hiperplano representa una primera aproximacin.
5.2 ANALISIS DE UNA SUPERFICIE AJUSTADA DE PRIMER ORDEN
Como ejemplo se realiza un experimento con dos rplicas, con dos factores siendo
X1 la temperatura y X2 el tiempo en segundos, la variable de respuesta es el
porcentaje de producto bueno del proceso, el cual actualmente se encuentra entre
55 a 75% pero se piensa que puede ser mejorado.
43
Tabla 5.1 Datos del experimento
Valores originales Variables codificadas Porcentaje de buenos
Temp. (C) Tiempo (seg.) x1 x2 Y
70 30 -1 -1 49.8, 48.1
90 30 +1 -1 57.3, 52.3
70 90 -1 +1 65.7 69.4
90 90 +1 +1 73.1, 77.8
Los valores codificados x1 y x2 se definen como:
;
10
80
1
1

X
x
(5.2)
;
30
60
2
2

X
x
Los valores observados de la respuesta son modelados con la ecuacin:
+ + +
2 2 1 1 0
x x Y
(5.3)
Los ocho valores de respuesta observados cuando se expresan como funicn de
los niveles de las variables codificadas, en notacin matricial son:
Y = X +
44
1
1
1
1
1
1
1
1
1
1
1
]
1
+
1
1
1
]
1
1
1
1
1
1
1
1
1
1
1
]
1
+ + +
+ + +
+ +
+ +
+ +
+ +
+
+
1
1
1
1
1
1
1
1
1
1
]
1
5
3
8
2
6
4
7
1
2
1
0
1 , 1 , 1
1 , 1 , 1
1 , 1 , 1
1 , 1 , 1
1 , 1 , 1
1 , 1 , 1
1 , 1 , 1
1 , 1 , 1
8 . 77
1 . 73
4 . 69
7 . 65
3 . 52
3 . 57
1 . 48
8 . 49
45
Los coeficientes estimados en el modelo de primer orden de la ecuacin 5.3 se
calculan de:
XX b XY
1
1
1
]
1
1
1
1
]
1
1
1
1
]
1
+ + +
+ + +
+ + +
5 . 78
5 . 27
5 . 493
8 , 0 , 0
0 , 8 , 0
0 , 0 , 8
2
1
0
b
b
b
x2
x1
46
90
85
60
Tiemp
o en
90
30
60 70 80 90 100 110 120 130
Fig. 5.1 Ajustes de temperatura y tiempo y el porcentaje de respuesta observado
Por tanto:
b (XX) XY
47
80
70
Temperatura en C
1
1
1
]
1
1
1
1
]
1
1
1
1
]
1
+ + +
+ + +
+ + +
1
1
1
]
1
8125 . 9
4375 . 3
6875 . 61
5 . 78
5 . 27
5 . 493
8 / 1 , 0 , 0
0 , 8 / 1 , 0
0 , 0 , 8 / 1
2
1
0
b
b
b
.
El modelo de ajuste de primer orden es:
2 1
^
8125 . 9 4375 . 3 6875 . 61 x x Y + +
El modelo equivalente en las variables originales, temperatura (X1) y tiempo (X2)
es:

2 1
^
32708 . 0 34375 . 0 5625 . 14 x x Y + +
48
La sumas de cuadrados separados son:
Suma de cuadrados totales:
; 7488 . 898
8
) ' 1 (
'
2

Y
Y Y SST con 8-1 grados de libertad
Suma de cuadrados de la regresin:
; 8125 . 864
8
) ' 1 (
' '
2

Y
Y X b SSR con 3-1 grados de libertad
Suma de cuadrados residual:
; 9363 . 33 ' ' Y bX Y Y SSE
con 8-3 grados de libertad
Error puro (entre replicaciones):
[ ] ; 8350 . 31 ) 8 . 77 1 . 73 ( ) 4 . 69 7 . 65 ( ) 3 . 52 3 . 57 ( ) 1 . 48 8 . 49 (
2
1
.
2 2 2 2
+ + +
,
_
puro Error
con 4 grados de libertad
Falta de ajuste = SS de residuos Error puro = 33.9363 31.8350 = 2.1013
Con 5-4 = 1 grados de libertad.
Tabla 5.2 Tabla ANOVA para el modelo de primer orden
Fuente gl. Suma de Cuadrado medio F
Cuadrados .
Regresin 2 864.8125 432.4063 63.71
Residual 5 33.9363 6.7873 (MSE)
Falta de ajuste 1 2.1013 2.1013 0.264
Error puro 4 31.8350 7.9588

Con F0.05,1,4 = 7.71
El error puro no es significativo.
0 :
2 1 0
H
El modelo de ajuste es significativo, dado que F = 63.71 > F tablas (0.01,2,5) por
tanto uno o los dos coeficientes no son cero.
Ahora probamos lo siguiente:
49
0 :
1 0
H 0 :
2 0
H
con:
73 . 3
7873 . 6 ) 8 / 1 (
4375 . 3
* ) ' (
4375 . 3
) (
0
1
1
1

MSE X X diag
b Var
b
t
Como t calculada es mayor que la t 0.025,5 gl de MSE = 2.571, 1 tiene efecto significativo
en la respuesta.
65 . 10
7873 . 6 ) 8 / 1 (
8125 . 9
* ) ' (
8125 . 9
) (
0
1
2
2

MSE X X diag
b Var
b
t
(5.6)
Como t calculada es mayor que la t0.025,5 = 2.571, 2 tiene efecto significativo en la
respuesta.
5.2.1 Usando el modelo de primer orden para mapear la superficie en la
regin experimental
Obtendremos las lneas de igual contorno de respuesta utilizando la ecuacin (5.4)
donde por ejemplo si Y (x) = 60, se tiene:
0 = 1.6875 + 3.4375 x1 + 0.8125 x2
Haciendo x1 = 0, calculamos x2 = -1.6875 / 9.8125 = -0.172
Ahora haciendo x2 = 0, calculamos x1 = -1.675 / 3.4375 = -0.495
As la lnea de contorno para Y = 60 pasa por las coordenadas (0, -0.172) y
(-.495, 0) y se extiende un poco ms del rea de experimentacin en x1 = t1 y x2 =
t1.
De esta misma forma podemos trazar las lneas de contorno correspondientes a
Y(x) = 55, 60, 65 y 70% (ver figura 5.2).
La direccin de inclinacin de la superficie plana de la respuesta estimada se
indica con una flecha perpendicular a las lneas de contorno de la fig. 5.2. La
flecha apuntando hacia arriba y a la derecha indica que se pueden obtener valores
ms altos de la respuesta incrementado los valores de x1 y x2 a +1 (90 de
temperatura y 90 seg. De tiempo). Este es el inicio de una serie de experimentos
simples a ser realizados en la trayectoria de ascenso rpido perpendicular a los
contornos hacia hasta la superficie.
50
5.2 REALIZANDO EXPERIMENTOS A LO LARGO DE LA TRAYECTORIA DE
ASCENSO RPIDO
El procedimiento des ascenso rpido consiste de la realizacin de una secuencia
de experimentos a los largo de la trayectoria de mximo incremento en la
respuesta (recordar que la la direccin depende de la escala de los valores).
El procedimiento inicia al aproximar la superficie de respuesta usando una
ecuacin de hiperplano. Con la informacin obtenida por el hiperplano estimado se
determina la direccin hacia la cual podemos observar valores de respuesta
mayores.
Conforme nos movemos hacia la superficie de valores mayores de respuesta y
llegamos donde se presente una curvatura, los valores de respuesta empezarn a
descender si seguimos en esa direccin.
En este punto se realiza un nuevo conjunto de experimentos y otra vez se prueba
la adecuacin del modelo de primer orden. Se determina una nueva direccin
hacia valores mayores de la respuesta, realizando experimentos sobre esta nueva
trayectoria, hasta que sea evidente que casi ya no se obtiene incremento en la
respuesta.
Matemticamente, utilizando el multiplicador de Lagrange para este ejemplo, se
obtiene la relacin:
2
i
i
b
x
(2.11)
Donde el valor de ser determinado de acuerdo a la experiencia y conocimiento
del proceso, tomando un incremento en una de las variables y calculando su
efecto en la otra variable.
Por ejemplo si tomamos un cambio arbitrario en el tiempo de 45 seg. (t), se tiene:
de la ecuacin (5.4) del modelo de primer orden, b2 = 9.8125 y el cambio de 45
segundos corresponde a un cambio en la variable codificada de x2 = 45 / 30 = +1.5
unidades. Por tanto se tiene:
27 . 3
) 5 . 1 ( 2
8125 . 9
2
2
2

x
b
El valor de x1 correspondiente a un cambio en x2 de 1.5 unidades es:

51
526 . 0
) 27 . 3 ( 2
4375 . 3
2
1
1

b
x
Por tanto el cambio incremental en temperatura es T = 0.53(10) = 5.3.
De esta forma el primer punto en la trayectoria de ascenso rpido se
encuentra en las coordenadas (x1, x2) = (0.53, 1.5), que corresponde a
los ajustes en las variables originales (X1, X2) = (83.5, 105).
Para checar si se predice un incremento en la respuesta en este punto,
se estima el valor de la respuesta en este punto (ec. 5.4) y se compara a
la respuesta en el centro del diseo o sea: Yest (0.53,1.5) Yest.(0,0) =
16.5406.
Con el mismo procedimiento se realizan experimentos a lo largo de esta
trayectoria de ascenso rpido correspondientes a los incrementos 1.5i ,
2 i , 3i y 4i ; para (i =1,2).
Utilizando los valores de las variables originales se tiene:
Tabla 5.3 Puntos en la trayectoria de ascenso rpido y respuesta observada
Temperatura (C) Tiempo (seg.) % rendimiento
Base 80 60
i 5.3 45
Base + i 85.3 105 74.3
Base + 1.5i 87.95 127.5 78.6
Base + 2i 90.6 150 83.2
Base + 3i 95.9 195 84.7
Base + 4 i 101.2 240 80.1
Habiendo observado una disminucin en el ultimo punto respecto al penltimo, se
toma la decisin de realizar un segundo grupo de experimentos alrededor de del
punto X1 = 95.9 y X2 = 195 seg. como centro. Tomando los rangos iniciales se
tiene que las variables codificadas son:
10
9 . 95 ) (
1
1

X a Temperatur
x
30
195 ) (
2
2

X Tiempo
x (5.12)
Los cuatro nuevos puntos del diseo, el punto central y los valores de la respuesta
de rendimiento obtenida se muestran en la tabla 5.4.
(Ver tabla 5.4 en la pgina siguiente)
52
El modelo ajustado es el siguiente:
2 1
75 . 2 575 . 3 7 . 82 ) ( x x x Yest +
Calculando el error puro por medio de los puntos replicados se tiene:
+ + + + ) ) 9 . 81 7 . 84 ( ) 1 . 83 5 . 84 ( ) 0 . 77 6 . 74 ( ) 5 . 89 4 . 87 ( ) 4 . 81 9 . 82 ((
2
1
.
2 2 2 2 2
puro Error
Error puro = 11.11
Por tanto el error de falta de ajuste LOF es:
ELOF = Error residual Error puro = 13.455 11.11 = 2.345 con 7 5 = 3 gl.
Calculando la F del error de falta de ajuste contra el error puro se observa que no
es significante (F = 1.173 / 2.222 = 0.53).
Por lo anterior el nuevo modelo de primer orden es adecuado para ajustar la
respuesta.
Ahora se incrementa la temperatura en 10 correspondiente al nivel +1,
utilizando las frmulas para calcular el efecto en x
2
o tiempo se
encuentra que:
77 . 0 769 . 0
575 . 3
750 . 2
)
) 1 ( 2
( 2
750 . 2
2
1
2
2

b
b
x
Por tanto el valor del tiempo corresponde a una disminucin de 0.77 x

30 seg. = -23.1 seg. por tanto las coordenadas del nuevo punto central
sern X1 = 95.9 + 10 y X2 = 195 23.1 seg o sea (105.9, 171.9 seg.).
Estimando la respuesta en este punto se tiene:
Yest. = 82.7 +3.75 (+1) 2.75 (-0.77) = 88.56, la cual es mayor que la
respuesta anterior, por tanto si se incrementa la respuesta.
Siguiendo esta nueva segunda direccin, variando ahora los factores a
partir del segundo punto central con incrementos de Temperatura de
+10, +20, +30 y `40, y los tiempos correspondientes con 23.1,
-46.2, -69.3 y 92.4 se realizan La secuencia de los experimentos
numerados como `pasos 1 al 4 como se muestra en la figura 5.3 y en la
tabla 5.4 donde se muestran los valores de las respuestas observadas.
53
El paso No. 2 con las condiciones de [centro + 2
i
] se observa que da el
valor mayor de la respuesta, por tanto se replica en el paso 5 para
asegurar que efectivamente proporcione una respuesta mayor. Una vez
comprobado continua el proceso.
De la figura 5.3 se observa que al reducir el tiempo se reduce la
respuesta por lo que para ahorrar trabajo de experimentacin se prueba
ahora con un nivel tomando como punto central las condiciones en el
paso 2 que son (+2, -1.54) o (115.9, 148.8 seg.) y se aumentan los
valores en forma relativa con (+1,+1), por lo que ahora se tienen como
nuevos valores (+3,-0.77) o (125.9, 171.9 seg.). La respuesta obtenida
representa al experimento del paso No. 6, donde se observa un nivel de
respuesta mayor.
Uniendo los puntos de los valores de la respuestas correspondientes a
los pasos No. 5 y No. 6 se encuentra una nueva tercera direccin de
ascenso rpido. Realizando los experimentos en esta direccin con
valores incrementados en Temperatura y Tiempo en una unidad se
tiene con valores codificados:
Experimento del paso No. 7 (+4,0) con valor de respuesta Y = 96.2 ;
Experimento del paso No. 8 (+5, 0.77) con valor de respuesta Y = 92.9.
Otra vez en el paso No. 8 se observa una disminucin de la respuesta,
por lo que se intenta un nuevo diseo utilizando el punto en el paso No.
7 como centro o sea en (135.9, 195 seg.) y los experimentos de los
pasos Nos. 6 y 8 como puntos del nuevo diseo, Se realizan adems los
experimentos de los pasos No. 9 y 10, quedando el diseo como (el
punto central se replica para tener dos valores de la respuesta):
Con los datos de los experimentos 6 a 11 y aplicando la regresin lineal
mltiple se obtiene el modelo siguiente:
2 1
375 . 0 025 . 0 983 . 93 ) .( x x x Yest +

Su anlisis de varianza ANOVA queda como sigue:
Fuente Df SS MS F
54
+4,0
Paso 7,11
Y=96.2, 97
+5,+.77 Paso 8
Y = 92.9
+3,-0.77 Paso 6
Y = 93.6
+3,+.77 Paso 9
Y = 91.7
+3,-.77 Paso 6
Y=93.6
Regresin 2 0.5650 0.2825 0.04
Residual 3 22.1833 7.3944
Total 5 22.7483
Por tanto el modelo no explica una gran cantidad de variacin total en la
variable de respuesta.
Una grfica de los residuos (Yu Yu est.) en los puntos del diseo
anterior indican que el modelo de regresin subestima la respuesta en el
centro sin emabrgo la sobre estima en los puntos factoriales, indica que
no es adecuado ajustar una superficie curva con un plano.
Punto Valor del residuo
(-1,+1) -1.88
(+1,+1) -0.73
(-1,-1) -0.73
(+1,+1) -1.88
(0,0) +2.22, +3.02
Probaremos ahora si hay curvatura.
5.3.1 Prueba de curvatura de la superficie con el mtodo de Un solo grado de
libertad
Se trata de probar la hiptesis nula Ho contra la hiptesis alterna Ha siguientes:

k
i
ii
H
1
0
0

k
i
ii a
H
1
0
El estadstico de prueba es:
Y
F
(
Sean n1, las observaciones registradas en el diseo ortogonal de primer orden,

donde n1>n. Si asumimos que se toman un nmero igual de replicaciones r1 en
cada punto del diseo, o sea n1 = nr1. Denotando el promedio de las n1
observaciones por Y1. Suponiendo adems que se toman en forma adiciona n0 >1
observaciones en el centro del diseo (0,0,...,0). Denotando el promedio de estas
observaciones como Y0.
El estadstico de prueba es:
55
)
1 1
(
) (
2 1
2
2
0
__
1
__
n n
s
Y Y
F
+
con , 1, n1 + n0 n - 1 g.l. (5.16)

Donde s
2
es un estimador de la varianza
2
. Si n1 = n, entonces s
2
se calcula a
partir de las replicaciones de los n0 puntos centrales con n0 1 grados de libertad.
Si n1>n entonces s
2
se calcula usando las replicaciones en los putnos del diseo
de primer orden as como las replicas de los puntos centrales.
Para el caso del ejemplo, se tiene:
r
1
=1; n
0
= 2
675 . 96 4 / ) 5 . 92 7 . 91 9 . 92 6 . 93 (
__
1
+ + + Y
6 . 96 2 / ) 0 . 97 2 . 96 (
__
0
+ Y
32 . 0
1 2
) 6 . 96 0 . 97 ( ) 6 . 96 2 . 96 (
2 2
2
+
s con 2 1 grados de libertad
El valor de F es:
19 . 64
) 2 / 1 4 / 1 ( 032
) 6 . 96 675 . 96 (
2
F
Como F0.10,1,1 = 39.9
La F calculada es mayor que la de tablas por lo que se rechaza H0: ii = 0. Por lo
que el siguiente pasa ser establecer un modelo de segundo orden alrededor de la
regin de inters.
Para el modelo de segundo orden, se agregarn puntos adicionales al diseo
bsico, de tal forma que todos los coeficientes en el modelo puedan ser
estimados.
5.4 Ajuste de un modelo de segundo orden: exploracin local de la
respuesta
Ahora se tratar de lograr lo siguiente:
1. Obtener un modelo adecuado de representacin de la superifice estimada de
segundo orden.
56
2. Localizar las coordenadas (x10, x20, ..., xk0) del punto estacionario, donde la
pendiente de la superficie es cero. Si se encuentra dentro de la regin de
inters ir a paso 3; de otra forma se requiere experimentacin adicional en la
direccin del punto estacionario.
3. Describir la naturaleza de del punto estacionario, como un mximo, mnimo o
minimax cordillera.
4. Describir la forma de la superficie de respuesta en la vecindad del punto
estacionario.
5.4.1 Ajuste con un modelo de segundo orden
Suponiendo que se realizan cuatro experimentos adicionales en cada uno de los
ejes axiales ); 0 , 2 ( ) , (
2 1
t x x y ) 2 , 0 ( ) , (
2 1
t x x . Estos puntos junto con los
cuatro puntos de diseo y el punto central forman un diseo central compuesto
rotable, los valores para todos los experimentos se muestran en la tabla 5.5.
Con los datos de la tabla 5.5 y codificando los valores, el modelo de segundo
orden encontrado es (ver ejemplo numrico en pgina 7):
2 1
2
2
2
1 2 1
58 . 0 83 . 1 98 . 1 31 . 0 03 . 0 6 . 96 ) .( x x x x x x x Yest + + (5.20)
La tabla ANOVA se muestra en la tabla 5.6.
La SS del error puro se calcula utilizando las dos rplicas tomadas en el punto
central como:
SS Error puro = ( 96.2 97.0)
2
= 0.32 con 1 grado de libertad
y la SS del error por falta de ajuste es:
SS Error LOF = Error residual Error puro = 0.4539 0.32 = 0.1339 con 4 1 = 3
g.l. por tanto el error cuadrtico medio es 0.044.
Donde se observa que error por falta de ajuste (ELOF) es menor que la unidad, no
es significativo. Los coeficientes cuadrticos puros son muy significativos ( p <
0.001 ), lo que indica la presencia de curvatura en los valores de respuesta
observados.
Con el modelo de segundo orden de ecuacin 5.20, se pueden predecir valores de
rendimiento para diversos valores de x1 y x2 y su varianza dentro de la regin
experimental (ver tabla 5.7) y los contornos de igual respuesta se muestran en la
figura 5.6.
La ecuacin del modelo de segundo orden en forma matricial es:
57
Yest (x) = b0 + xb + xBx (5.21)
Las coordenadas del punto estacionario se determinan con la ecuacin:
2
1
0
b B
x

(5.22)
Donde la matriz B correspondiente al modelo representado por la ecuacin 5.20
es:
1
]
1
83127 . 1 , 28750 . 0
28750 . 0 , 98127 . 1
B
De la frmula para invertir una matriz A:
1
]
1
22 21
12 11
,
,
a a
a a
A
1
]
1
11 21
12 22
1
,
,
1
a a
a a
A
A
Se tiene:
58
1
]
1
5588 . 0 , 08109 . 0
08109 . 0 , 51650 . 0
1
B
1
]
1
31125 . 0
03018 . 0
b
y el punto estacionario es:
1
]
1

08568 . 0
00486 . 0
2
1
1
0
b B x
(5.23)
De acuerdo a las variables originales, el punto de ajuste estacionario es T =
135.85C y t = 193.02 seg. respectivamente, calcualdo de las siguientes
ecuaciones:
1 . 23
195
; ;
10
9 . 135
2 1

tiempo
x
a Temperatur
x

Pendiente el calculo del intervalo de confianza para el punto estacionario.
59
60
5.5.1 La ecuacin cannica del modelo de segundo orden de la superficie de
respuesta
Si trasladamos el origen del centro del diseo al punto estacionario, se tiene:
)' ,....., , ( )' ,....., , (
0 20 2 10 1 2 1 k k k
x x x x x x z z z
o sea z = x x0, expresando la
ecuacin de respuesta de segundo orden como:
Yest (z) = Yest (0) + zBz (5.26)
Definiendo las variables W1, W2, ...., Wk tal que W est dado por:
W = Mz (5.27)
Donde la matriz M es una matriz ortogonal (k x k) cuyas columnas son vectores
propios o caractersticos de la matriz B. M diagonaliza a B, es decir:
M B M = diag (1, 2,....., k) donde las s son valores caractersticos de B.
Los ejes asociados con las variables Wi se denominan ejes principales del sistema
de respuesta.
La transformacin de la ecuacin 5.27 es una rotacin de los ejes zi para formar
los ejes Wi (ver figura 5.9b para k = 2), adems si se escribe:
W =Mz M(x x0);
Entonces los coeficientes de las xi son los cosenos de direccin de los ejes Wi
respecto a los ejes xi y un coeficiente unitario, indicara que los ejes Wi son
paralelos a los xi .
Expresando la ecuacin 5.26 en funcin de las variables Wi, se tiene:
xBz = WMBMW =
k
k
W W
2
2
1 1
..... + +
(5.28)
Los valores caractersticos i son reales y representan a los coeficientes de Wi en
la ecuacin cannica:
+
k
i
i i
W Yest Yest
1
2
) 0 (
(5.29)
Esta ecuacin cannica de la superficie de respuesta de segundo orden, realiza la
misma funcin que la direccin del ascenso rpido para el modelo de priemer
orden. Se puede observar que si (1, 2,....., k) son:
61
1. Todos positivos, entonces en x0, la superficie es un mximo.
2. Todos negativos, entonces en x0, la superficie es un mnimo.
3. De signos mezclados, entonces x0 es un punto silla de la superficie ajustada o
minimax.
4. Si son muy cercanos a cero, significa que la respuesta no cambia en valor
conforme nos movemos en valor desde x0 hacia la direccin del eje Wi. En este
caso para k = 2 se tiene un sistema de cordillera estacionaria (ver figura 5.7d
donde no hay cambio en la direccin de W2).
5. Las magnitudes de los valores individuales de 1, 2,....., k dicen que tan
rpido cambia la altura de la superficie al moverse desde x0 en la direccin del
eje Wi.
Para expresar cada Wi como funcin de xi, si particionamos la matriz M (kxk) en mi
vectores columna se tiene:
M = [ m1: m2: .....:mk ]
Los elementos de mi se obtienen al hallar un vector caracterstico asociado con i
y normalizndolo de tal forma que la suma de cuadrados de mi sea la unidad, o
sea mimi =1 y mimj = 0 para i j. Los elementos de se obtienen al resolver la
ecuacin:
(B i Ik ) mi = 0 (5.31)
Conociendo los valores de los elementos de la matriz M y los valores
caractersticos i , se puede hacer una descripcin de la superficie de respuesta
estimada a travs de la ecuacin cannica de la ecuacin 5.29.
Expresando las variables Wi en trminos de xi, se tiene:
W = Mz = M (x x0) (5.32)
EJEMPLO NUMRICO
El modelo de segundo orden de la ecuacin 5.20 se puede escribir como:
62
1
]
1
1
]
1
1
]
1
+
1
]
1
1
]
1
+
2
1
2
1
2
1
8313 . 1 , 2875 . 0
2875 . 0 , 9813 . 1
'
3112 . 0
0302 . 0
' 6 . 96 ) (
x
x
x
x
x
x
x Yest
=
Yest.(x) = b0 + xb+x B x
En el punto estacionario Yest (x0) = 96.613. Para obtener la ecuacin cannica se
requiere encontrar los valores propios o caractersticos de la matriz B
(1, 2 ) resolviendo la ecuacin de determinantes siguiente:
0 I B
o sea:
63
0
) 8313 . 1 ( , 2875 . 0
2875 . 0 ), 9813 . 1 (
Expandiendo el determinante queda como:

0 5455 . 3 8125 . 3
2
+ + con races:
(1, 2 ) = (-1.6091, -2.2034) y la ecuacin cannica es:
2
2
2
1
2
2 2
2
1 1
2034 . 2 6091 . 1 6133 . 96 ) 0 ( W W W W Yest Yest + +
(5.33)
donde Yest (0) = Yest. (0,0)
Como ambas s son negativas, el punto estacionario es un mximo, la superficie
estimada cae ms rpido en el eje W2 (eje mayor) que al moverse en el eje W1 (eje
menor).
Para dibujar los contornos de la superficie (figura 5.6), se requiere expresar los
ejes Ws en trminos de los xs. Por tanto:
Para el caso de 1 se tiene:
De ecuacin 5.32 para 1 = -1.6091 se tiene:
64
1
]
1
1
]
1
1
]
1
+
+
0
0
) 6091 . 1 8313 . 1 ( , 2875 . 0
2875 . 0 , 6091 . 1 9813 . 1 (
21
11
m
m
o sea:
-0.3722m11 + 0.2875m21 = 0
0.2875m11 0.2222m21 = 0 (5.34)
Inicialmente ponemos a 1 el valor de m11 y resolvemos para m21, por tanto de la
primera ecuacin se tiene:
m21 = 1.2945
Los valores normalizados de m11 y m21 son:
6113 . 0
) 2945 . 1 ( 1
1
2 2
11

+
m
7914 . 0
) 2945 . 1 ( 1
2945 . 1
2 2
21

+
m
con:
1
2
21
2
11
+ m m
De tal forma que:
65
1
]
1
7914 . 0
6113 . 0
1
m
Para el caso de 2 se tiene:
De ecuacin 5.32 para 2 = -2.20335 se tiene:
1
]
1
1
]
1
1
]
1
+
+
0
0
) 20335 . 2 8313 . 1 ( , 2875 . 0
2875 . 0 , 20335 . 2 9813 . 1 (
22
12
m
m
o sea:
0.2221m12 + 0.2875m22 = 0
0.2875m12 0.3721m22 = 0 (5.34)
66
Inicialmente ponemos a 1 el valor de m22 y resolvemos para m12, por tanto de la
primera ecuacin se tiene:
m12 = -1.2945
Los valores normalizados de m11 y m21 son:
7914 . 0
) 2945 . 1 ( 1
2945 . 1
2 2
12

+
m
6113 . 0
) 2945 . 1 ( 1
1
2 2
22

+
m
con:
1
2
22
2
12
+m m
La Matriz M y la relacin entre las variables Ws y xs es de la ecuacin 5.32:
1
]
1
+
+
1
]
1
1
]
1
0857 . 0
0049 . 0
'
6113 . 0 , 7914 . 0
7914 . 0 , 6113 . 0
2
1
2
1
x
x
W
W
De tal forma que:
0708 . 0 7914 . 0 6113 . 0
2 1 1
+ + x x W
67
0485 . 0 6113 . 0 7914 . 0
2 1 2
+ + x x W
Una grfica de los ejes W1 y W2 en relacin a los ejes x1 y x2 se muestra en la
figura 5.11.
68
69
EJEMPLOS DE APLICACIN
70

Cur So Super Resp

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Cur So Super Resp

Enviado por

Direitos autorais:

Formatos disponíveis

Superficies de Respuesta P.

Reyes / Julio 2005

s pueden ser controladas con un error despreciable. El

s. Cada tratamiento puede ser representado

son cuantitativas y continuas.

= coeficiente de interaccin de las variables i, j.

SSR SST x Y Y SSE

de tablas para = 0.01 es 2.998 y se rechaza H0.

de tablas para = 0.01 es 2.998 y no se rechaza H0.

El valor de x1 correspondiente a un cambio en x2 de 1.5 unidades es:

Por tanto el valor del tiempo corresponde a una disminucin de 0.77 x

Sean n1, las observaciones registradas en el diseo ortogonal de primer orden,

con , 1, n1 + n0 n - 1 g.l. (5.16)

Expandiendo el determinante queda como:

Você também pode gostar