METODOLOGIA DE LA

SUPERFICIE DE
RESPUESTA
Ing. Saúl Pérez P.
Ing. Mecatrónica
Universidad Autónoma del Caribe
 SUPERFICIE DE RESPUESTA
 La metodología de la Superficie de Respuesta ha sido satisfactoriamente utilizada
para optimizar muy diferentes tipos de unidades, procesos y sistemas industriales.
Este es un enfoque experimental que ha sido aplicado en laboratorios de
investigación y desarrollo y, a veces en los propios equipos de fabricación. Sin
embargo, en este último caso es con frecuencia más apropiada la Operación
Evolutiva que es una forma modificada de aquella aplicable tanto para objetivos
de cribado como de optimización.
 Para implantar la metodología de la superficie de respuesta, se utilizan varios
procedimientos estadísticos. El concepto de superficie de respuesta fue
originalmente desarrollado y descrito por Box y Wilson (1951). Al principio, la
metodología de la superficie de respuesta fue utilizada fundamentalmente como
técnica de optimización experimental en la industria química. Pero, desde
entonces, se le han hallado aplicaciones en muchos otros campos (ver Hill y
Hunter1966).

2
Figura 1 Esquema de los elementos de la Metodología de Superficies de
Respuesta
CRIBADO BÚSQUEDA I BÚSQUEDA II
SI TIENEN MUCHOS MODELO TENTATIVO DE FORMULAR MODELO DE
FACTORES PRIMER ORDEN SEGUNDO ORDEN

SELECCIONAR LA DISEŇO CENTRAL

DISENO 2k ó 2k-p CON
RESOLUCIÓN COMPUESTO, DISEŇO DE
REPETICIONES AL CENTRO
BOX BEHNKEN

DISEŇO FACTORIAL
ALTAMENTE REALIZAR LOS CORRER LOS
FRACCIONADO EXPERIMENTOS EXPERIMENTOS

HACER LAS CORRIDAS DETERMINAR EL MEJOR

ESTIMAR EL MODELO Y MODELO JERÁRQUICO
DEL EXPERIMENTO EN PROBAR FALTA DE AJUSTE
ORDEN ALEATORIO
ENCONTRAR EL PUNTO
ESTACIONARIO
NO (CANDIDATO A ÓPTIMO)
ANALIZAR LOS DATOS ¿ES LINEAL
LA
SUPERFICIE?
CARACTERIZAR LA
DETERMINAR LOS SI SUPERFICIE
EFECTOS ACTIVOS MOVERSE
EXPERIMENTANDO EN LA
DIRECCIÓN ÓPTIMA, ¿ES EL NO

HASTA DETECTAR CAMBIO ÓPTIMO QUE

BUSCAMOS?
DE TENDENCIA
ANÁLISIS DE
SI
CONDICIONES CORDILLERA
3
ÓPTIMAS DEL
PROCESO
 UNA VARIABLE

 Deficiencias del enfoque de «una variable a la vez». Un popular método de

experimentación es el que aplica «una sola variable cada vez». Cada factor,
es variado por turno, mientras los demás se mantienen a un determinado
nivel constante. Un inconveniente de este enfoque es que se puede alcanzar
un falso óptimo. Consideremos la siguiente hipotética situación.
 Ejemplo. Tenemos en estudio una reacción química en la que hay dos factores
de interés: la concentración de uno de los reactivos y el tiempo de reacción.
¿Qué valores de los dos factores maximizarán el resultado?. Los que se
consideraban mejores, al principio de la investigación eran una concentración
del 25 por 100 y un tiempo de 1 hora.
 Siguiendo el comentado enfoque, el ingeniero realizó una serie de
experimentos, variando el tiempo, mientras mantenía la concentración en el
25 por 100. El resultado mostró que una producción máxima de alrededor del
65 por 100 se obtenía cuando el tiempo era de 1.9 horas. Manteniendo el tiempo
fijo en este valor, se varió la concentración, y se obtuvo un máximo en el 25
por 100. con lo que el ingeniero llegó a la conclusión de que la mayor producción
(el 65 por 100) se alcanzaba con una concentración del 25 por 100 y un tiempo
de 1.9 horas. Esta conclusión, sin embargo, es incorrecta
 Superficie de respuesta. La situación real, desconocida para el investigador,
se puede ver en la Figura 2. Aquí, el resultado se muestra como una función
de la concentración y el tiempo. Las curvas de trazo continuo son líneas de
contorno de resultado constante. Por ejemplo, hay un conjunto de
condiciones de concentración y tiempo que dan una producción del 80 por
100. El conjunto de los contornos puede verse como una montaña cuyo
vértice es el punto P. Los contornos de 90.80 y demás, serían las altitudes.
Esos números representan los porcentajes de producción.

6
 2.00 1
le -o
50
1
1,75 1
1
1
u,
<
1 70
ce
C>
1..50
%:

:e
.!_il:..!
1...25

1,00

0,75 50---------1

15 20 25 30

Figura 2. Superficie de respuesta que muestra el rendimiento de una

reacción química en función de la concentración y del tiempo.
7
 El objetivo del ingeniero era hallar aquellos valores de la concentración y del
tiempo que daban la máxima producción. Visto geométricamente, lo que el
ingeniero quería hacer era ascender al punto más alto de la montaña. El
intento falló por una muy simple razón.
 Hablando en forma figurada, al variar el tiempo, el ingeniero, primero,
atravesó la montaña a lo largo del camino que va del punto A al punto B (ver
la Figura 2). Entre A y E el camino sube. pero, a partir del punto E, empieza a
bajar por el otro lado. Entre el punto E y el punto B. el ingeniero ha estado
descendiendo por el otro lado de la montaña. Vemos también el camino (de C
a E y a D) recorrido al variar las concentraciones.

8
 El investigador ha alcanzado sólo una producción del 65 por 100 (en E),
mientras que es posible (en P) llegar al 90 por 100. Esta mayor producción
puede alcanzarse si. simultáneamente, se incrementa la concentración y se
reduce el tiempo a partir de los valores «óptimos» de los que ha informado el
ingeniero.
 Si los contornos de la montaña hubieran sido circulares y no hubiera ningún
valor experimental, el procedimiento de «uno a la vez» habría llevado al
ingeniero al punto más alto de la montaña. En general, los contomos reales
de las superficies de respuesta no son circulares o esféricos, y. por eso. es
necesaria una estrategia experimental más sofisticada, tal como la metodología
de la superficie de respuesta.

9
En muchas situaciones experimentales se enfrenta
el problema de que:
No se obtienen las respuestas buscadas o el nivel de mejoras logrado no es
suficiente, por lo que es necesario experimentar de manera secuencial hasta
encontrar el nivel de mejoras deseado. En este caso, después de una primera
etapa experimental quizá sea necesario desplazar la región experimental
(moverse de lugar) en una dirección adecuada, o bien, explorar en forma más
detallada la región experimental inicial

10
Figura 3 Las acciones básicas de la Metodología de
Superficies de Respuesta
¿Cómo se construye un
Modelo de Superficies de
Respuesta apropiado para
cada variable de respuesta del
proceso?

11
La Metodología de Superficies de Respuesta (MSR) es la estrategia
experimental y de análisis que permite resolver el problema de encontrar las
condiciones de operación óptimas de un proceso, es decir, aquéllas que dan por
resultado “valores óptimos” de una o varias características de calidad del
producto.

La MSR implica tres aspectos: diseño, modelo y técnica de optimización.

El diseño y el modelo se piensan al mismo tiempo y dependen del tipo de

comportamiento que se espera en la respuesta.

El modelo puede ser de primero o segundo orden, por ello, el diseño y el método
de optimización se clasifican de igual manera.

12
 El aspecto diseño implica que para optimizar un proceso se debe aplicar el
diseño de experimentos, en particular aquellos que sirven para ajustar un
modelo de regresión lineal múltiple.
 El aspecto del modelo utiliza el análisis de regresión lineal múltiple, junto
con sus elementos básicos que son: parámetros del modelo, modelo ajustado,
significancia del modelo, prueba de falta de ajuste, residuos, predichos,
intervalos de confianza para predichos y coeficiente de determinación.
 Por último, el aspecto de optimización está formado por algunas técnicas
matemáticas que sirven para que, dado un modelo ajustado, explorarlo a fin de
obtener información sobre el punto óptimo. Conviene recordar técnicas como:
derivadas de funciones, multiplicadores de Lagrange, operaciones con
matrices, valores y vectores propios y sistemas de ecuaciones simultáneas.

13
14
 DISEÑOS EXPERIMENTALES PARA MODELOS DE
SEGUNDO ORDEN

Número de corridas

Número de Número de Factorial Central Box- Draper y

factores parámetros completo 3k compuesto Behnken Lin
2 6 9 13 -16 - -
3 10 27 17 - 23 15 12
4 15 81 27 - 36 27 18
5 21 243 29 - 36 46 24
6 28 729 47 - 59 54 30

15
 ALGUNOS CONCEPTOS BÁSICOS

REGIONES EXPERIMENTAL Y DE
OPERABILIDAD
La región experimental es el espacio delimitado por los rangos de
experimentación utilizados con cada factor. La región de operabilidad está
delimitada por el conjunto de puntos o condiciones donde el equipo o proceso
puede ser operado. Es difícil delimitar con certeza el tamaño de la región de
operabilidad, ya que aun cuando se conozca (por especificaciones del equipo)
el rango en que se puede colocar cada factor individual, es necesario
determinar esos límites considerando varios factores de manera simultánea.
Por ejemplo, es posible que la temperatura se pueda correr en su nivel más
alto de operabilidad, siempre y cuando los factores velocidad y fuerza se
mantengan bajos. La región de operabilidad considera todas las combinaciones
posibles de los niveles de los factores donde el proceso puede operarse y ésta
siempre es igual o más grande que la región experimental.

16
17
 En la MSR es importante tener presente esta visión de las regiones de operabi-
lidad y experimental, ya que en principio, el punto óptimo que interesa
encontrar pudiera localizarse en cualquier lugar de la región de operabilidad.
dentro o afuera de la región experimental inicial. En procesos ya establecidos
y muy estudiados, es de esperarse que dicho punto óptimo se encuentre "no
muy lejos" de las condiciones de operación usuales, posiblemente dentro de
la región experimental inicial. En cambio, cuando el proceso es nuevo o
cuando se está escalando o rediseñando, es más probable que el punto de
interés se ubique fuera de la primera región experimental propuesta para el
experimento inicial, y en ese caso primero será necesario acercarse a dicho
punto para luego "atraparlo".

18
19
 ETAPAS DE LA MSR
1. Cribado: La optimización de un proceso se inicia con esta etapa cuando se tienen
muchos factores (más de 6) que influyen en la variable de interés.

2. Búsqueda I o de primer orden: Se aplica cuando se tienen pocos factores y se sabe

que estos influyen en la variable de respuesta. Se corre un diseño de primer orden
(factorial o factorial fraccionario con repeticiones en el centro) que permita caracterizar
en forma preliminar el tipo de superficie de respuesta y detectar la presencia de
curvatura.

3. Búsqueda II o de segundo orden: Se desarrolla cuando se detecta curvatura o la

superficie es más compleja que un híper plano. Se corre o completa un diseño de segundo
orden para caracterizar la superficie y modelar la curvatura. Con el modelo ajustado se
determinan las condiciones óptimas de operación del proceso.

20
En esta visión gráfica de la MSR se supone que la etapa de
cribado ya se realizó. 21
Figura 1 Esquema de los elementos de la Metodología de Superficies de
CRIBADO
Respuesta
BÚSQUEDA I BÚSQUEDA II

SI TIENEN MUCHOS MODELO TENTATIVO DE FORMULAR MODELO DE

FACTORES PRIMER ORDEN SEGUNDO ORDEN

SELECCIONAR LA DISEŇO CENTRAL

DISENO 2k ó 2k-p CON
RESOLUCIÓN COMPUESTO, DISEŇO DE
REPETICIONES AL CENTRO
BOX BEHNKEN

DISEŇO FACTORIAL
ALTAMENTE REALIZAR LOS CORRER LOS
FRACCIONADO EXPERIMENTOS EXPERIMENTOS

DETERMINAR EL MEJOR
HACER LAS CORRIDAS ESTIMAR EL MODELO Y MODELO JERÁRQUICO
DEL EXPERIMENTO EN PROBAR FALTA DE AJUSTE
ORDEN ALEATORIO
ENCONTRAR EL PUNTO
ESTACIONARIO
NO (CANDIDATO A ÓPTIMO)
ANALIZAR LOS DATOS ¿ES LINEAL
LA
SUPERFICIE?
CARACTERIZAR LA
DETERMINAR LOS SI SUPERFICIE
EFECTOS ACTIVOS MOVERSE
EXPERIMENTANDO EN LA
DIRECCIÓN ÓPTIMA, ¿ES EL NO
HASTA DETECTAR CAMBIO ÓPTIMO QUE
BUSCAMOS?
DE TENDENCIA
ANÁLISIS DE
SI2
CONDICIONES
2
CORDILLERA
ÓPTIMAS DEL
PROCESO
23
MODELOS DE PRIMERO Y
SEGUNDO ORDEN

24
 TÉCNICAS DE OPTIMIZACIÓN

Cuando se tiene el modelo debidamente ajustado y validado, se procede a

explorar la superficie descrita por el modelo para encontrar la combinación
de niveles de los factores que dan por resultado un valor óptimo de la variable
de respuesta (característica de calidad), o bien, para determinar la dirección
óptima de movimiento en la que se debe experimentar en el futuro.

Si el modelo no explica al menos el 70 % del comportamiento de la

respuesta (R aj
2
≥ 70 % ), no se recomienda emplearlo para fines de
optimización porque su calidad de predicción es mala.

25
 TÉCNICAS DE
OPTIMIZACIÓN

La técnica de optimización a utilizar depende del tipo de modelo ajustado y existen

básicamente tres métodos, que son:
1. Escalamiento ascendente (o descendente)
2. Análisis canónico
3. Análisis de cordillera
El escalamiento ascendente es para el modelo de primer orden y las otras dos
técnicas son para el modelo de segundo orden. A continuación se describen cada
uno de estos métodos.

26
 TÉCNICAS DE OPTIMIZACIÓN
1) Escalamiento ascendente ( o descendente)
Se aplica cuando se cree que se está lejos de la condición óptima, por lo que
será necesario explorar una región de experimentación inicial y a partir de ésta
determinar una dirección en la cual experimentar fuera de la región inicial.
2) Análisis canónico
Se aplica un diseño de segundo orden cuando se quiere explorar con más
amplitud una región experimental y/o se espera que el punto óptimo ya esté cerca
(quizás en la región experimental).
3) Análisis de cordillera
Este análisis se realiza cuando el punto estacionario no es del tipo que se requiere
y entonces la opción es encontrar el “mejor punto posible” dentro de la región
experimental.

27
 ESCALAMIENTO ASCENDENTE (DESCENDENTE)

Cuando la variable de respuesta de interés es del tipo: mientras más grande es

mejor, se tiene un escalamiento ascendente; pero si lo que interesa es:
mientras más pequeña mejor, se trata de escalamiento descendente.

De aquí en adelante, diremos simplemente escalamiento ascendente, en lugar

de "escalamiento ascendente (descendente)", puesto que el escalamiento
descendente se convierte en ascendente al cambiar los signos de los términos
del modelo ajustado. Cuando la respuesta es del tipo: el valor nominal es lo
mejor, el problema es localizar la curva de nivel específica que tenga la altura o
valor requerido de la variable de respuesta. En este caso, cada punto sobre la
curva de nivel es una solución, y de todos ellos se elige el de menor variabilidad
y/o menor costo.

28
ESCALAMIENTO ASCENDENTE (DESCENDENTE)

29
 ESCALAMIENTO ASCENDENTE (DESCENDENTE)

Se analizan con detalle los resultados y se ajusta un modelo de primer orden con
niveles codificados. Si éste explica satisfactoriamente la variabilidad observada
es necesario continuar como se indica más adelante, de lo contrario, investigar a
qué se debe la falta de ajuste: ¿Mucha variabilidad? ¿Curvatura? ¿Región más
complicada? y proceder en consecuencia.

30
Análisis canónico

Se aplica un diseño de segundo orden cuando se quiere explorar con más

amplitud una región experimental y/o cuando se espera que el punto óptimo
ya esté cerca (probablemente dentro de la región experimental). El análisis
canónico es una de las técnicas para analizar el modelo de segundo orden y
consiste en los siguientes pasos:

1. A partir del conocimiento que ya se tiene del problema, seleccionar los

niveles de los factores para determinar la región de exploración.

2. Correr un diseño de segundo orden (un diseño de composición central,

por ejemplo) para explorar la región experimental determinada antes.

3. Ajustar un modelo de segundo orden con niveles codificados. Si éste

explica bien la variabilidad observada continuar al siguiente paso; de lo
contrario, investigar por qué la falta de ajuste (¿mucha variabilidad?, ¿región
más complicada?) y proceder en consecuencia.
31
4. Encontrar las coordenadas del punto estacionario.

5. Expresar el modelo ajustado en su forma canónica. El análisis canónico

consiste en reescribir el modelo ajustado de segundo orden en su forma
canónica, es decir, se expresa en términos de nuevas variables llamadas
variables canónicas, las cuales son transformaciones de las variables
codificadas. La ventaja es que la ecuación canónica proporciona
información a simple vista sobre el tipo de superficie que se está
observando y sobre su forma.

6. Evidenciar la relación entre las variables canónicas y las variables

codificadas.

En la práctica, si se cuerna con un software adecuado no necesariamente

se siguen los últimos tres pasos del análisis canónico. La mejor estrategia
será encontrar, primero los coeficientes de la ecuación canónica que
indican el tipo de superficie observada y sólo si ésta es del tipo que
interesa (por ejemplo máximo), entonces se procede a localizar las
coordenadas del punto estacionario. Si la superficie encontrada no es del
tipo deseado se sigue el análisis de cordillera 32
DETERMINACIÓN DEL PUNTO ESTACIONARIO (CANDIDATO A
ÓPTIMO)
Modelo ajustad o orden
o de segund

En forma matricial

Punto estacionario
33
 TIPOS DE SUPERFICIE Y ECUACIÓN
CANÓNICA
En algunos problemas de optimización, en especial cuando se
analizan diversas variables, el tipo de superficie de respuesta
no es tan evidente.
Para resolver esta situación se utiliza la ecuación canónica
del modelo de segundo orden, cuya expresión es la siguiente:

34
35
Los coeficientes λ de la ecuación canónica son los valores
propios o eigenvalores de la matriz B y sus signos
determinan el tipo de punto estacionario que se encontró de
acuerdo con la regla siguiente:

Los eigenvalores cumplen con la relación:

36
 ANÁLISIS DE CORDILLERA
Este análisis se realiza cuando el punto estacionario no es del tipo que se
requiere y entonces la opción es encontrar el “mejor punto posible” dentro
de la región experimental. Este punto se ubica sobre la cordillera óptima del
centro del diseño y es aquél que predice la mejor respuesta sobre la región.
Consiste en calcular el máximo o el mínimo de la superficie de respuesta
sobre esferas concéntricas al centro del diseño, empezando por una esfera
de radio casi cero y se va aumentando el radio de la esfera hasta llegar a
una esfera que cubra los puntos experimentales. El punto óptimo es aquél
que predice el desempeño óptimo de la variable de respuesta.

37
Considere el modelo de segundo orden, en forma
matricial, que fue ajustado anteriormente

Sea la esfera centrada en el origen con radio Ri

cuyos puntos cumplen la restricción:

38
 donde λ es un multiplicador de
Lagrange

El punto óptimo sobre una esfera particular se determina

al sustituir para un valor de λ que no sea un auto valor
(eigenvalor) de la matriz B. 39
EJEMPLO

40
 Diseño 2s-2 y resultados para el ejemplo

l -1 -1 -1
2 1 -1 -1 -1 1 -1 6.1
3 -) l -1 -1 l 1 7.8
4 l l -1 -1 -1 1 8.4
5 -1 -1 1 -1 l 1 7.2
6 1 -1 1 -1 -l 1 7.4
7 -1 l 1 -1 -l -1 9.0
8 1 l l -1 1 -1 7.9
9 -1 -1 -1 1 -1 1 6.5
10 1 -1 -1 1 1 1 6.9
11 -1 1 -1 1 1 -1 8.6
12 1 1 -1 1 -1 -) 7.5
13 -1 -1 1 1 1 -1 7.8
14 l -1 1 1 -1 -1 6.3
15 -1 l 1 J -1 1 9.0
16 l 1 1 1 1 1 9.1

18 o o o o o o 7.1
19 o o o o o o 7.2
20 o o o o o o
41
7.2
 42
Aclaración: Experiencias anteriores indican que no
existen interacciones
Trayectoria
de máximo
ascenso

43
 DETERMINACIÓN DE LA TRAYECTORIA DE
MÁXIMO ASCENSO

Se decidió que Z2 se incrementara en 2.5 g/l cada vez en

unidades reales. Esta es una longitud de paso conservadora
porque este factor tiene niveles dados por 25± 10.

44
45
 Trayectoria de máximo ascenso y resultados
experimentales obtenidos

A partir de la corrida 6 los valores de la variable de respuesta

comienzan a descender, por tanto éste debe ser el centro de una
46
nueva región experimental.
47
El modelo de primer orden no describe de manera satisfactoria
los resultados experimentales, debido a que existe una
curvatura fuerte (prueba de falta de ajuste). Observe el valor
del coeficiente de determinación.

48
Es por esto que se requiere extender el diseño de primer orden a un
diseño de segundo orden hasta completar un diseño compuesto central
rotable.
En la tabla que aparece a continuación se muestran los puntos axiales y
los resultados obtenidos.

49
Para encontrar los niveles reales a los que corresponden los
códigos + 1.41 y – 1.41 se utilizó la siguiente ecuación:

Al ajustar un modelo de segundo orden a todos los datos de la

tabla se obtiene la tabla ANOVA que aparece a continuación,
donde se aprecia que el modelo describe adecuadamente la
superficie. Si se elimina el término X 2 X3 que no es
significativo, se obtiene el siguiente modelo ajustado:

Y = 10,66 - 0,61783*X 2 - 0,563021*X 3 - 1,63*X 2^2 - 1,855*X 3^2

50
51
En la superficie de respuesta en contornos para este modelo se
observa que se tiene claramente un máximo cerca de la zona central
de la región experimental.

El óptimo está en el punto (X2 , X3 ) = (-0.189, -0.152) donde se predice

un nivel de Y igual a 10.66. Para encontrar a qué condiciones reales
corresponde este punto, se utiliza la expresión

Entonces se obtiene el valor (Z 2 , Z3 ) = (36.5, 24.7). Para verificar este

punto se hicieron tres corridas confirmatorias en este punto y se
obtuvieron para Y los valores 10.5, 10.7 y 10.6.

Los valores obtenidos confirman un incremento real de 47% en el

rendimiento con la aplicación de MSR, en comparación con el valor
promedio obtenido en el centro de la región experimental inicial (7.2).
Además, se eliminó un componente costoso (X5 ). 52
 b) Segunda región expenmental

0.2 0.6
1
a) Primera región experimental 1
X2

0.6 ...... Trayectoria de máximo ascenso

0.2
"< -o
-0.6

-le......�._., �.,
,_.,_,_........_���� 53

-l -0.6 -0.2 0.2 0.6

X2
ESTRATEGIAS DE SEGUNDO ORDEN

¿Qué diseños se deben emplear?

54
55
56
57
58
59
60
61
62
63
En Stargraphics* una vez seleccionado un modelo de regresión de segundo
orden que describe adecuadamente el comportamiento de la respuesta (Y),
la optimización de ésta se lleva a cabo en la opción tabular de
Optimization. Una vez ahí. con las opciones de panel (botón derecho del
ratón) se elige el tipo de optimización deseada: máximo, mínimo o un
valor objetivo. Si se quiere un valor objetivo se declara su valor en el
campo correspondiente. Se indica el rango de búsqueda para cada factor,
típicamente el rango utilizado en la región experimental. Entonces, se
corre el procedimiento y éste reporta las coordenadas del punto óptimo.

64
 BIBLIOGRAFIA
1. Análisis y diseño de experimentos, Humberto Pulido – Román De La Vara,
Segunda Edición, McGraw Hill, Méjico, 2008
2. Diseño y análisis de experimentos, Douglas Montgomery, Segunda Edición,
Limusa Wiley, Mejico, 2004