Universidad Central de Venezuela

Facultad de Ingeniera
Maestra de Investigacin de Operaciones
Inferencia Estadstica

Superficies de Respuesta

Integrantes:
Jos Alirio Cardoza

Ciudad Universitaria de Caracas

Septiembre 2016
Tabla de contenido
1. Fundamentos de la metodologa de las Superficies de Respuesta .................................. 4
2. Superficie de Respuesta .................................................................................................. 5
3. Polinomio de primer orden.............................................................................................. 6
Prueba de falta de ajuste .......................................................................................... 6
Mtodo de mxima pendiente en ascenso ................................................................ 8
4. Polinomio de Segundo orden ........................................................................................ 11
Anlisis Cannico .................................................................................................. 12
Anlisis Grafico de una superficie de respuesta .................................................... 15
5. Diseo experimentales para ajustar superficies de respuesta ........................................ 16
Diseo para ajustar modelos de primer orden........................................................ 16
Diseo .............................................................................................................. 17
Diseo fracciones de la serie ............................................................................ 18
Diseos para ajustar modelos de segundo orden ................................................... 19
Diseo central compuesto ...................................................................................... 20
6. Modelo de Superficies de Respuesta para diseo de helicptero de papel ................... 23
7. Bibliografa ................................................................................................................... 32
 INTRODUCCIN

La metodologa de Superficies de Respuesta (RSM) es un conjunto de tcnicas matemticas

y estadsticas utilizadas para modelar y analizar problemas en los que una variable de inters
es influenciada por otras. El objetivo es optimizar la variable de inters. Esto se logra al
determinar las condiciones ptimas de operacin del sistema.

La RSM comprende un conjunto de mtodos de exploracin en la cual se busca el punto

ptimo de operacin a travs de mtodos experimentales. Tpicamente la RSM implica la
realizacin continua de experimentos usando los resultados de uno para establecer la
direccin de los siguientes. Los resultados de un experimento te pueden llevar a enfocarte en
un conjunto de condiciones experimentales o a la recoleccin de ms data para ajustar el
modelo o confirmar que el modelo que se tiene es el correcto.

Los diferentes niveles o valores que pueden tomar las condiciones de operacin comprenden
los factores de ajuste de cada experimento. Los factores de ajuste pueden estar compuestos
por variables cuantitativas con una relacin de primer orden (lineal) o de segundo orden
(cuadrtica) y en base a las caractersticas de la superficie de respuesta de estas se decide que
accin se tomar en el experimento.

El problema de Superficie de respuesta puede verse como un problema de regresin lineal,

donde las variables independientes equivaldran a los factores del experimento y la variable
dependiente vendra siendo el resultado del experimento. Hay que tomar en cuenta que hay
importantes caractersticas del anlisis de superficies de respuesta que son diferentes al
procedimiento normalmente utilizado para un anlisis de regresin lineal motivado a que se
debe cumplir con ciertas condiciones del experimento.
1. FUNDAMENTOS DE LA METODOLOGA DE LAS
SUPERFICIES DE RESPUESTA

Suponiendo que un investigador se encuentra interesado en examinar la respuesta y de un

experimento, la cual depende de los factores (variables controladas o regresoras),
x1,x2,x3,.,xp, bajo el control del experimentador y con un mnimo error se denota como :

= (1 , 2 , 3 , , )

Donde la forma de la funcin es desconocida, normalmente la funcin desconocida se

expresa en trminos de los niveles (1 , 2 , 3 , , ), las cuales son funciones lineales
simples de las variables originales. Como la funcin generalmente se desconoce, es necesario
y comn representarla en trminos de un polinomio de bajo orden; si la funcin se aproxima
mediante una funcin lineal de las variables controladas, se crea una funcin de respuesta de
primer orden que se puede escribir de la siguiente forma:

= 0 + 1 1 + 2 2 + 3 3 +

Los modelos de primer orden, slo son tiles cuando se explore una regin relativamente
pequea de (1 , 2 , 3 , , ), dependiendo por supuesto, del problema y de la regin de
exploracin de las variables bajo estudio; generalmente, estas regiones exhiben ninguna o
muy poca curvatura. En caso contrario, es necesario aproximar, mediante un polinomio de
segundo orden, denotado de la siguiente manera:

= 0 + + 2 + +
=1 =1 =1 =1

Partiendo del hecho que los valores (1 , 2 , 3 , , )son variables controladas y medidas
con mnimo error (tan pequeo, que se puede decir que se mide sin error) los coeficientes del
modelo (parmetros) puede estimarse a travs de los procedimientos de regresin lineal
conocidos (mnimos cuadrados, mxima verosimilitud).
2. SUPERFICIE DE RESPUESTA
La relacin = (1 , 2 , 3 , , ) entre y los niveles (1 , 2 , 3 , , ) de los
factores representa una superficie. Con p factores la superficie est en + 1 dimensiones. Si
= 1 la superficie se encontrar en un espacio de dos dimensiones, mientras que si tenemos
= 2 la superficie se encontrar en un espacio de tres dimensiones. Esta superficie es la que
se busca optimizar y conseguir el punto ptimo de operacin del sistema.

REGIN EXPERIMENTAL
La regin experimental especifica la regin de valores para los niveles de los factores. Esto
se puede hacer empleando los niveles actuales de operacin para cada factor, si se desea
explorar el vecindario se incrementa y decremento el valor del nivel en una cantidad
determinada. Esta regin representa las restricciones a las cuales las variables regresoras
estn sometidas.
3. POLINOMIO DE PRIMER ORDEN
Generalmente se desconoce la relacin entre la respuesta y las variables independientes, por
eso se requiere de un modelo que aproxime la relacin funcional entre y las variables
independientes.

Los modelos de primer orden se utilizan cuando el sistema est siendo investigado por
primera vez, a partir de un polinomio de primer orden se puede obtener la direccin de
ascenso mximo de la superficie de respuesta, es probable que le siga un ajuste de segundo
orden, es decir la resolucin de un polinomio de primer orden es la base de una
experimentacin secuencial.

Si la respuesta se describe adecuadamente por una funcin lineal de las variables

independientes se utiliza el modelo de primer orden:

= 0 + 1 1 + 2 2 + 3 3 + +

Los parmetros del modelo se estiman mediante el mtodo de mnimos cuadrados. Una vez
que se tienen los estimadores se sustituyen en la ecuacin y obtenemos el modelo ajustado:

0 +
= 1 1 +
2 2 +
3 3 +

Este modelo servir para estudiar el comportamiento de la respuesta nicamente en la regin

y cuando no conocemos la forma de la superficie.

El anlisis de ajuste del modelo se realizar a travs de una prueba F de anlisis de la

varianza, adicional a esta prueba se puede realizar un anlisis de ajuste del modelo con el
valor de R2.

PRUEBA DE FALTA DE AJUSTE

La falta de ajuste se presenta por la no planaridad o la curvatura de la superficie de respuesta,

esta no se detecta debido a la exclusin de los trminos cuadrticos como son 2 o de los
trminos de producto cruzado que se refieren al efecto de interaccin entre los factores.
Esta prueba est diseada para evaluar si una relacin curvilineal podra ajustar mejor a los
datos que un modelo lineal.

La prueba de falta de ajuste requiere que el diseo del experimento satisfaga:

El nmero de los distintos puntos de diseo, n, debe exceder el nmero de trminos

en el modelo ajustado, es decir > + 1.
Al menos 2 rplicas deben recolectarse en uno o ms puntos del diseo para estimar
la varianza del error.

Adems, los valores del error aleatorio () deben asumir una distribucin normal e
independiente con una varianza comn 2 .

Al cumplirse las condiciones establecidas la suma de cuadrados residual se compone de dos

fuentes de variacin. La primera es la falta de ajuste del modelo ajustado (debido a la
exclusin de trminos de mayor orden) y la segunda es la variacin del error puro. Para
calcularlas necesitamos la suma de cuadrados calculada de las rplicas que recibe el nombre
de error puro de la suma de cuadrados y sustraer de la suma de cuadrados residual ste para
obtener la suma de cuadrados de la falta de ajuste.

)2
= (
=1 =1
Donde:

: Es la u-sima observacin del l-smo punto del diseo.

: Es el promedio de las observaciones del l-simo punto del diseo.

= 1,2, ,
= 1,2, ,
: Numero de replicaciones para el l-simo punto.

=


= ( )2
=1
Donde:
: Es el valor predicho en el l-simo punto del diseo.

: El Error Residual (=1( 2

) )

La prueba de adecuacin del modelo ajustado es:

/( )
=
/( )
Donde:
: Nmero de niveles de las variables independientes.
N: Nmero total de observaciones.
p: Nmero de variables que tiene el modelo

Se busca contrastar la hiptesis de Ho: la relacin es lineal contra H1: la relacin no es lineal.
La hiptesis de suficiencia de ajuste con un nivel de significancia se rechaza cuando el
valor calculado del estadstico es mayor a (, ,) . Cuando la calculada no es mayor
el cuadrado medio residual es utilizado para estimar la Varianza y tambin se usa para probar
la significancia del modelo.

Cuando la hiptesis de suficiencia de ajuste se rechaza, se debe elevar el grado del modelo
aumentando trminos de producto cruzado y/o trminos de mayor grado en
(1 , 2 , 3 , , ). Si se requieren puntos adicionales para estimar todos los coeficientes
estos se aaden. Se colectan los datos y se vuelve hacer.

Si no se rechaza la hiptesis podemos inferir que la superficie es plana. Una vez que se tiene
la ecuacin y se ha probado el ajuste se busca niveles que mejoren la respuesta,

MTODO DE MXIMA PENDIENTE EN ASCENSO

Frecuentemente la estimacin inicial de las condiciones de operacin ptimas est alejada

del ptimo real, en este caso se desea mover rpidamente a la proximidad del ptimo. El
mtodo de mxima pendiente en ascenso es un procedimiento para recorrer secuencialmente
la trayectoria de la mxima pendiente, que nos en la direccin del mximo aumento de la
respuesta. Cuando se desea la minimizacin se habla de la mnima pendiente de descenso.
En las etapas iniciales de un experimento es posible mejorar bastante la respuesta. Se debe
seleccionar una regin de operabilidad, que generalmente es una subregin de toda la regin
de inters, y que muchas veces va cambiando conforme la investigacin progresa. En esta
regin seleccionada se corre un diseo de primer orden para explorar la regin experimental
determinada ante, ajustar este modelo y si existe falta de ajuste investigar las causas posibles.
Para seguir con el proceso, una vez obtenido el modelo depurado y ajustado, se procede a
determinar la regin ptima de movimiento, a partir del centro de diseo. Se debe decidir una
longitud en unidades de pasos codificadas (la seleccin de los pasos codificados se realiza en
base al tipo de diseo del experimento, se explicar ms adelante) y reales.

Generalmente se recomienda un paso unitario codificado en el factor con mayor influencia,

aunque en la prctica el tamao real del paso lo determina el experimentador con base al
conocimiento del proceso. En la prctica se ha visto que por lo general se utilizan un mnimo
de cuatro o cinco puntos en la direccin ptima. Se mide la respuesta obtenida en esos puntos
hasta detectar un cambio en la tendencia ascendente dada por el plano. Para detectar
fcilmente este cambio se recomienda graficar un nmero suficiente de puntos o pasos contra
el valor de la respuesta; cuando en esta grafica se detecte un cambio en el comportamiento
de la respuesta, entonces ya no se debe de seguir esa direccin de bsqueda y se recomienda
determinar el centro de la nueva regin experimental, que por lo general se toma como el
ltimo punto de la direccin optima con la que se mantuvo la tendencia ascendente (o
descendente) y as volver a iniciar el proceso hasta que la aproximacin de primer orden sea
inadecuada.

Para comprender como se sigue la ruta de la mxima pendiente en ascenso, son necesarios el
uso de algunas herramientas del clculo diferencial, para obtener la direccin y la longitud
de los pasos que se usarn para desplazarse a travs de la curva, se utiliza el mtodo del
gradiente.

Para entender la metodologa del gradiente partiremos del siguiente anlisis, supngase que
se tiene una funcin de dos dimensiones (, ), esta pudiese representar la altura de una
montaa como una funcin de su posicin. Supngase que se encuentra en un lugar especfico
de la montaa (a,b) quiere conocer la pendiente en una direccin arbitraria. Una forma de
definir la direccin es a lo largo de un nuevo eje que forma un ngulo con el eje . La
elevacin a lo largo del nuevo eje puede entenderse como como una nueva funcin (). Si
usted define su posicin como el origen de este eje (es decir, = 0), la pendiente en esta
direccin podra designarse como (0). Est pendiente se llama derivada direccional, se
puede calcular a partir de las derivadas parciales a lo largo de los ejes y mediante:

(0) = cos + sin

Suponiendo que el objetivo es obtener la mayor elevacin en el siguiente paso, la direccin

sera lo que se conoce como el gradiente, el cual se define as:

= +

Este vector tambin se conoce como nabla , el cual relaciona con la derivada direccional
de (, ) en el punto = y = .

La notacin vectorial ofrece un medio conciso para generalizar el gradiente a n dimensiones,

1

2
() = .
.
.

{
Para el problema de subir la montaa, si lo que interesa es ganar elevacin tan rpidamente
como sea posible, el gradiente nos indica, de manera local, que direccin tomar y cunto
ganaremos al hacerlo.

Para un modelo de superficie de respuesta de primer orden, partiendo de que este se trata de
un plano, la direccin ptima es perpendicular a los contornos o curvas de nivel. Se
recomienda como ya se dijo, un paso de movimiento unitario en el factor de mayor influencia,
con lo cual se asegura que los pasos en los otros factores sern de menor amplitud y
proporcionales a sus coeficientes. Esta longitud de paso representa la mitad del rango
experimental utilizado (es decir, nivel alto menos nivel bajo entre dos).

As si el modelo es de la forma:

0 +
= 1 1 +
2 2

Y el factor con mayor influencia es 2 , se tomara en unidades codificadas de incremento

2 = 1, y para el factor 1 se tomara en unidades codificadas 1 = 1 2. Similarmente
2
se har si se tienen ms factores. Se generan entonces puntos en la direccin ptima, a partir
del centro de diseo, hasta detectar un cambio en la variable respuesta. Cuando esto ocurre
se tiene el centro de una nueva regin de experimentacin.

4. POLINOMIO DE SEGUNDO ORDEN

Cuando se ha encontrado la regin donde se cree que se encuentra el ptimo o punto

estacionario, se puede caracterizar la superficie para ver si se tiene un mximo, un mnimo o
un punto de silla.

El modelo de segundo orden es el siguiente:

= 0 + + 2 + +
=1 =1 =1 =1
En ste los son los coeficientes de regresin para los trminos de primer orden, los son
los coeficientes para los trminos cuadrticos puros, los son los coeficientes para los
trminos de productos cruz y es el trmino del error aleatorio. Los trminos cuadrticos
puros y los de productos cruz son de segundo orden. El nmero de trminos en la ecuacin
esta dado por = ( + 1)( + 2)/2.

Los parmetros del modelo se estiman mediante el mtodo de mnimos cuadrados. Una vez
que se tienen los estimadores se sustituyen en la ecuacin y obtenemos el modelo ajustado
para la regin donde se encuentra el valor ptimo de la respuesta.

0 + +
= 2
+
=1 =1 =1 =1

La significancia de los coeficientes estimados y el ajuste del modelo se prueban con el

estadstico .

Una vez que se ha verificado que el modelo tiene suficiencia de ajuste y que los coeficientes
son significativos, se procede a localizar las coordenadas del punto estacionario mediante
mtodos de optimizacin y se lleva a cabo un anlisis ms detallado de la respuesta.

Estas tcnicas de optimizacin dependen del modelo ajustado, existen diferentes tcnicas
para evaluar donde se encuentra el punto ajustado, en este trabajo hablaremos del anlisis
cannico y el uso de curvas de nivel.

ANLISIS CANNICO
Es una tcnica utilizada para analizar los modelos de segundo orden y caracterizar su
superficie, estudiando las coordenadas del punto estacionario el tipo de punto y la orientacin
de la superficie. Este anlisis consiste en rescribir el modelo ajustado de segundo orden en
forma cannica, que consiste en expresarlo en trmino de nuevas variables, llamadas
variables cannicas, las cuales son transformaciones de las variables codificadas. La ventaja
es que la ecuacin cannica proporciona a simple vista informacin a simple vista sobre el
tipo de superficie que se est observando y sobre su forma.
El primer consiste en hallar el punto estacionario, que consiste en el punto donde el plano
tangente a la superficie tiene tangente cero, el cual se localiza derivando con respecto a cada
variable , igualando a cero y despejando. Todo esto se puede facilitar si el modelo se
rescribe en su notacin matricial como:

0 + +
=
Donde

= [1 , 2 , , ]

: Corresponde a un punto de la regin de operabilidad del proceso

1

2

= .
.


{
: es el vector de los coeficientes de la parte lineal del proceso.

11 1 /2
=( )

1 /2

: es la matriz de los coeficientes de las interacciones y de los trminos cuadrticos puros.

El punto estacionario se encuentra derivando con respecto al vector e igualando a cero

= + 2 = 0

De donde se obtiene el punto:

1
0 =
2

Donde es la inversa de la matriz.

Sustituyendo el punto en :
 1

0 = 0 + 0
2
Habiendo encontrado el punto estacionario es necesario caracterizar la superficie de
respuesta, es decir determinar si se trata de un punto de respuesta mximo, mnimo o silla.
La ecuacin cannica es una manera efectiva de visualizar la superficie y determinar la
sensibilidad relativa de la respuesta a los cambios en cada uno de los factores. El anlisis
cannico gira los ejes de las variables a un nuevo sistema de coordenadas, y el centro de
este nuevo sistema se coloca en el punto de respuesta estacionario.

La ecuacin cannica de una superficie puede ser representada de la siguiente manera:

0 + 1 1 2 + 2 2 2 + + 2
=
Donde:
0 : es el valor predicho para el modelo sobre el punto estacionario
: Representa las variables independientes transformadas conocidas como variables
transformadas.
: Son los valores propios de la matriz

Los tamaos y signos de las determinan el tipo de superficie de respuesta y punto

estacionario que se ha encontrado:

Si los valores propios son todos negativos, el punto estacionario es un mximo.

Si son todos positivos, el punto estacionario es un mnimo.
Si los valores son de signos mezclados, el punto estacionario es un punto de silla.

Para encontrar el valor de los o valores propios de la matriz hay que recordar que son
constantes que cumplen la relacin

=
Donde:
: es un vector propio, tambin llamado vector caracterstico.

El vector se obtiene al resolver e igualar a cero, el determinante de la matriz

Donde:
: Matriz identidad de dimensin k.
 ANLISIS GRAFICO DE UNA SUPERFICIE DE RESPUESTA

Una tcnica utilizada para ayudar a visualizar la forma que puede tener una superficie de
respuesta tridimensional consiste en representar la grfica de contornos de la superficie, en
la que se trazan las denominadas lneas de contorno, que son curvas correspondientes a
valores constantes de la respuesta sobre el plano
1 2 (plano cuyos ejes coordenados vienen dados por los niveles 1 y 2 de los factores).
Geomtricamente, cada lnea de contorno es una proyeccin sobre el plano 1 2 de una
seccin de la superficie de respuesta al intersectar con un plano paralelo al 1 2 . La grfica
de contornos resulta til 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 grficas de contorno no
est limitada a 3 dimensiones a pesar de que en el caso en que haya ms de 3 factores de
influencia no es posible la representacin geomtrica. No obstante, el hecho de poder
representar grficas de contorno para problemas en que haya 2 o 3 factores permite visualizar
ms fcilmente la situacin general.
Un mximo o un mnimo puede estar representado como la figura que se muestra a
continuacin, donde dependiendo de los valores mostrados, se tendr un mximo si los
crculos en el interior tienen valores ms grandes, y estos disminuyen conforme se alejan del
centro o un mnimo cuando se comporte de manera contraria a la anterior.

5. DISEO EXPERIMENTALES PARA AJUSTAR SUPERFICIES

DE RESPUESTA
El ajuste y anlisis de una superficie de respuesta se facilita con la eleccin apropiada de un
diseo experimental.
Un diseo es el conjunto especfico de combinaciones de los niveles de las k variables que
se utilizar al llevar a cabo el experimento.

DISEO PARA AJUSTAR MODELOS DE PRIMER ORDEN

Una clase nica de diseos que minimizan la varianza de los coeficientes de regresin ( )
son los diseos ortogonales de primer orden. Se considera que un diseo es ortogonal cuando
los coeficientes estimados en el modelo ajustado, no estn correlacionados entre s.

En esta clase de diseos de primer orden se incluyen:

Diseo
Diseo fracciones de la serie
Diseo Simplex
 DISEO
Para entender el diseo se comenzar por explicar el diseo para luego extender el
desarrollo a variables.
Este es el caso ms sencillo de diseos factoriales a dos niveles. En la notacin , el
exponente indica el nmero de factores: 2; mientras que la base indica los niveles de cada
factor: tambin 2. El diseo consta de dos factores: el factor A y el factor B. Ambos factores
tienen dos niveles: el nivel () y el nivel (+). Si el factor es cuantitativo, el nivel (+)
representa al nivel superior y el () al inferior. Si el factor es del tipo presencia/ausencia de
cierto atributo, el nivel (+) representa la presencia del atributo y () la ausencia. En cualquier
otro caso, la asignacin del nivel (+) o () es arbitraria. El diseo consta, entonces, de 4
experimentos segn las cuatro combinaciones de los signos de los factores (factor A, factor
B). Sea y la variable respuesta. Se suele denominar con la letra o al valor de y correspondiente
a la combinacin (, ); con a a la combinacin (+, ); con b a la combinacin (, +); y
ab a la combinacin (+, +). El diseo se puede resumir en la siguiente tabla, donde cada fila
es un experimento distinto:

Cuando la secuencia de signos es como aparece en la tabla, recibe el nombre de configuracin

o tabla estndar: el factor A alterna los signos comenzando con el (), mientras que el B
cambia de signo cada dos experimentos y comienza por el (). El subndice de y es 1 si el
factor est en el nivel (), y 2 si est en el (+).

Para la estimacin de la interaccin, puede comprobarse que su estimacin es equivalente a

aplicar una columna de signos obtenida multiplicando las columnas de los factores
implicados. Si multiplicamos las columnas de signos del Factor A y el Factor B se obtiene:
Si se extiende este anlisis para el caso de k factores con dos niveles cada uno. Se tiene, por
tanto, observaciones. Por ejemplo, si k = 3 se tienen = 8 observaciones. La tabla
estndar se construye de igual forma que en el caso . El primer factor comienza con el
signo () y alterna signos () y (+). El segundo factor cambia de signo cada dos
observaciones ( ), el tercer factor cada cuatro ( ) y el factor k-simo cada
observaciones.
Por ejemplo, el diseo tiene la siguiente tabla estndar:

DISEO FRACCIONES DE LA SERIE

Se denomina fraccin de un diseo factorial a un diseo en el que no se realizan todos los
experimentos que se indican en la tabla estndar, sino slo una fraccin de ellos. Veamos un
ejemplo a partir del diseo . La tabla estndar de un diseo es:
Lo que indica que hay que realizar 8 experimentos para obtener estimaciones independientes
de cada efecto. Se pueden elegir muchas fracciones diferentes de este diseo. Una posible
fraccin consistira, por ejemplo, en realizar slo aquellos experimentos correspondientes a
los signos (+) de la interaccin ABC, es decir, hacer slo la siguiente mitad de la tabla:

La ventaja de realizar slo una fraccin de los experimentos es clara: es ms econmico.

Pero, como puede observarse en esta tabla, al realizarse slo una parte de los experimentos,
no se tiene la informacin suficiente para estimar todos los efectos de forma independiente.
Las columnas de signos ya no son todas ortogonales.

DISEOS PARA AJUSTAR MODELOS DE SEGUNDO ORDEN

Un diseo experimental para ajustar un modelo de segundo orden debe tener al menos tres
niveles de cada factor (-1, 0, 1). As como en el diseo de primer orden se desea la
ortogonalidad, en este se desea que sea un diseo rotable. Se dice que un diseo es rotable
cuando la varianza de la respuesta predicha en algn punto es funcin slo de la distancia del
punto al centro y no es una duncin de la direccin.

La rotabilidad es una propiedad importante, dado que la finalidad de la metodologa de

superficies de respuesta es optimizar y desconocemos la localizacin del ptimo, tiene
sentido utilizar un diseo que proporcione estimaciones precisas en todas direcciones.

Dentro de los diseos de segundo orden se incluyen:

Diseo central compuesto

Diseo equirradial
Diseos Box-Behnken
 DISEO CENTRAL COMPUESTO
Cuando se busca un modelo de segundo orden que se ajuste a los datos, el diseo central
compuesto, tambin llamado Box-Wilson es uno de los diseos ms utilizados, por su gran
flexibilidad. Se empieza con un diseo factorial o factorial fraccionario a dos niveles,
puntos centrales (que sirven para examinar la presencia de curvatura, dar informacin acerca
de los efectos cuadrticos y estimar la magnitud del error experimental) y puntos axiales
o puntos estrellas:(, 0, ,0), (, 0, ,0),
(0, , ,0), (0, , ,0),, (0,0, , ), (0,0, , ). Se tendr por lo tanto, en total,
= 2 + 2 + 0 corridas.

La distancia de los puntos axiales al origen, que se denotan por , vara segn las
propiedades que se desean en el diseo. Las propiedades ms buscadas, generalmente, son
rotabilidad, ortogonalidad y precisin uniforme.

Box y Hunter, establecen que un diseo experimental es rotable o girable si la varianza de la

respuesta predicha , en algn punto , es funcin slo de la distancia al punto desde el
centro del diseo y no es una funcin de la direccin. Un diseo central compuesto se hace
rotable mediante una eleccin apropiada del espaciamiento axial . Si el diseo es rotable,
la desviacin estndar (o la varianza) de la respuesta predicha es constante en todos los
puntos que estn a la misma distancia del centro del diseo. Para lograr rotabilidad en un
diseo factorial completo a dos niveles, se debe eligir un valor de = (2 )1/4. Esta
propiedad de rotabilidad cobra importancia en la exploracin de una superficie de respuesta,
porque la precisin de la superficie estimada no depende de la orientacin del diseo con
respecto a la superficie de respuesta real o a la direccin de bsqueda de las condiciones
ptimas. Dado que la finalidad del diseo de superficies de respuesta es la optimizacin y se
desconoce la localizacin del ptimo antes de correr el experimento, tiene sentido usar un
diseo que proporcione estimaciones igualmente precisas en todas direcciones. Cuando se
tienen rplicas del factorial 2 y rplicas de los puntos axiales, se debe escoger la
distancia = ( 2 / ). Por otra parte, cuando se usa un factorial fraccionario 2 , como
base al diseo central compuesto, se escoger = ( 2 / )1/4.

Una propiedad de los diseos centrales compuestos es que mediante la eleccin apropiada de
los puntos centrales el diseo puede hacerse ortogonal, esto es, que las estimaciones de los
parmetros para el modelo de segundo orden, estn mnimamente correlacionados con las
estimaciones de otros parmetros.
En los diseos en los que se busque rotabilidad y ortagonalidad, al mismo tiempo, se debe
cumplir con valores especficos para y 0 . Los valores que stos deben tomar son

= (2 )1/4 y 0 = 4(2 )1/2 + 4 2

Se dice que un diseo es de precisin uniforme si la varianza de la respuesta predicha en el

centro de diseo (radio r=0), es la misma que en la esfera de radio r=1, esto es, se tiene una
varianza constante dentro de la esfera unitaria. Box y Hunter demuestran que para conseguir
un diseo rotable con precisin uniforme o case uniforme debe seleccionar

1
= (2 )1/4 y 0 = 4 ((2 )2 + 2) + 2 2

Donde 4 es una constante que depende de k, el nmero de factores a utilizar.

Diseo central compuesto con dos y tres factores.

Consideremos un factorial completo 22 como la base de un diseo central compuesto con
dos factores. Si la distancia desde el centro del diseo a un punto factorial es 1 unidad por
cada factpr, la distancia del centro de diseo a un punto estrella es con || > 1; donde el
valor de alfa vendr dado por:

= (2 )1/4 = 1.4142
Para el caso de un diseo de tres factores se tendr los siguientes factores:

Diseo central Diseo central

compuesto rotable compuesto ortogonal
Puntos Centrales: (0,0,0) 6 puntos centrales 9 puntos centrales
Puntos axiales: 6 puntos axiales con 6 puntos axiales con
( , 0,0), (, 0,0), (0, , 0), (0, , 0), = 1.682 = 1.682
(0,0, ), (0,0, )

Puntos del factorial 23 : 8 puntos del factorial 8 puntos del factorial

(1,1,1), (-1,1,1),(1,-1,1), (1,1,-1), 23 23
(-1,-1,1), (-1,1,-1),(1,-1,-1), (-1,-1,-1)

Diseo central compuesto para k=2 y k=3

Los diseos centrales compuestos son muy eficientes, pues proporcionan mucha informacin
sobre los efectos de las variables experimentales y sobre todo del error experimental, todo
ello en un nmero mnimo de corridas posibles.
6. MODELO DE SUPERFICIES DE RESPUESTA PARA DISEO
DE HELICPTERO DE PAPEL

El siguiente ejemplo extrado del artculo Designing a better paper helicopter, using
response Surface methodology del autor Erik Barry Erhardt es una muestra de cmo se
puede utilizar la metodologa de superficies de respuesta para optimizar el tiempo de vuelo
de helicpteros hechos de papel.

El diseo inicial es como se muestra en la figura a continuacin, se tiene una hoja de papel
de 20 x 8 cm, las lneas solidas representan la parte de papel que se deber cortar y las lneas
segmentadas las partes del papel que debern ser dobladas. Al helicptero de papel se le
puede identificar cuatro partes rotor, cuerpo, pliegue y pie (en el resto del documento se usar
los nombres en ingles motivado a que es el idioma original de donde se sustrajo la
informacin).

Una vez realizados los cortes y los dobles del papel el helicptero quedar como la imagen
que se muestra a continuacin. El tiempo de vuelo del helicptero se mide como el tiempo
en que esta demora en llegar al suelo cuando se deja caer en cada libre.
Para comenzar el diseo de los experimentos la primera decisin que se deber tomar es
cuales son los factores (variables de control) que influencia el tiempo de vuelo y que se
tomarn en cuenta para el diseo del helicptero. La seleccin de los factores para el diseo
del helicptero depende de los conocimientos de aerodinmica que se tenga y de que tanto
control se tenga sobre estas variables.

Una primera seleccin de las posibles variables de control que influencian el tiempo de vuelo
del helicptero sera como se muestra en la siguiente tabla (Se incluye los valores de
codificacin de las variables para la realizacin de los experimentos, las unidades estn dadas
en centimetros).

El factor G indica el tipo de papel que se va utilizar donde solo se tiene dos niveles un papel
ms grueso que otro, el factor H indica la direccin hacia donde se realizarn los pliegues, si
sern en contra o en el sentido de la rotacin.
El principio de Pareto establece que en un experimento hay factores de vital importancia y
otros factores menos importantes que se pueden considerar triviales. Para determinar cules
factores tienen una contribucin mayor en el tiempo de vuelo del helicptero, se realiz un
experimento fraccional 284 partiendo del diseo inicial que se mostr en la primera figura.

Se produjeron 16 helicpteros y se midi su tiempo de vuelo para una altura de 20 pies. Las
codificaciones de las variables y los resultados obtenidos se muestran en la siguiente tabla:

El efecto de los valores de la variable controlada se puede observar en la siguiente grafica de

Pareto, se puede observar que los factores , y son los de mayor importancia, sus efectos
tienen una influencia del doble con respecto a las dems variables.
Estas tres variables pudiesen ser utilizadas para hallar el modelo equivalente pero por simple
inspeccin de las variables codificadas y sus respuestas se puede observar que para = 1
(papel ms ligero) siempre se obtienen mayores tiempo de respuesta, tambin se puede
observar que para = 1 se tienen los mejores tiempos de respuesta. De los resultados se
puede concluir que los mejores valores para Body length es = 2, foot length = 2,
fold length = 6 y fold with = 2 todos con unidades en centmetros. Por lo tanto para
la construccin del modelo solo se considerarn dos factores (rotor length y rotor
width ).

Una vez seleccionado las variables de control se realiza un nuevo experimento para
determinar un modelo de primer orden que nos permita ubicar la direccin de donde se
encuentra el punto ptimo. Como se tiene nicamente dos factores se realizar un
experimento 22 con 4 replicaciones, se utiliz la codificacin inicial, los resultados obtenidos
se muestran a continuacin:
Aplicando regresin lineal a los resultados obtenidos se tiene el siguiente modelo:

= 11.1163 + 1.28811 1.50812

Para establecer la direccin de mayor crecimiento se utiliza el mtodo del gradiente, en este
caso en particular los diseadores del experimento en base a su experiencia decidieron
establecer el siguiente paso para la bsqueda de la regin donde se encuentra el punto ptimo,
en este caso los diseadores del experimento decidieron establecer el siguiente paso en buque
da del optimo, 1cm para el factor (rotor length) y -0.39cm para el factor (rotor width), a
continuacin se muestra la tabla con los resultados obtenidos.
El factor no es una variable de control pero se muestra en la tabla porque este decrece a
medida que decrece. En la tabla se puede observar que al cuarto paso se produce un
decrecimiento del valor de respuesta, encontrndose posiblemente el punto ptimo alrededor
del punto (11.5, 2.83).

Una vez determinada la regin donde posiblemente se encuentre el punto ptimo se realizar
un diseo del tipo central compuesto de dos factores para determinar el modelo de segundo
que mejor se adapte a la variable de respuesta y as determinar el punto ptimo de operacin.

Para el diseo central compuesto se realiz una nueva codificacin de las variables de control
colocando como centro de la regin de estudio la obtenida del modelo de primer oreden, en
la siguiente tabla se muestra la nueva codificacin:

Una vez realizado el diseo central compuesto se obtuvieron los siguientes resultados:
Aplicando regresin lineal a los resultados obtenidos se tiene el siguiente modelo de segundo
orden:

= 16.716 0.7021 + 0.7352 0.5101 2 1.3111 2 1.5542 2

Obtenido el modelo se realiz la validacin de los parmetros del modelo. Usando la prueba
para los coeficientes se obtuvo que todos los factores excepto el trmino de la interaccin
(1 2) son significantes con un nivel de 0.05. De la prueba de falta de ajuste se obtiene que
el modelo ajustado describe correctamente la data debido a que el valor de la prueba dio
= 0.3737 por lo tanto no se rechaza la hiptesis nula y no ser necesario aumentar el
grado del modelo. A continuacin se muestran los resultados obtenidos:
Del modelo se obtiene el siguiente punto estacionario (1 = 0.32, = 0.29) (estos valores
son de las variables codificadas) con una respuesta igual a = 16.9. Los cofactores de este
modelo son (-1.15,-1.71), ambos negativos por lo tanto indica que se est ante un mximo
del modelo y posible punto ptimo.

La superficie de respuesta obtenida para este modelo se puede ver a continuacin:

El diseo final del helicptero de papel se muestra a continuacin:

Por ultimo para el diseo seleccionado se procede a realizar otro experimento para la
verificacin del modelo. Se realiz seis helicpteros con las medidas establecidas en el y se
observ su tiempo de respuesta. Los resultados estadsticos encontrados fueron, una media
de 17.81 segundos, con una desviacin estndar de 1.67 segundos, un intervalo de confianza
del 95% para valores entre (16.1, 19.6). A continuacin se muestran los resultados obtenidos
para las 6 mediciones realizadas.
La respuesta predicha con el modelo es de = 16.9, esta se encuentra dentro del intervalo
de confianza obtenido con la ltima muestra. Se puede concluir que la metodologa de
superficies de respuesta permiti conseguir un modelo de helicptero que probablemente nos
d el mayor tiempo de vuelo.

7. BIBLIOGRAFA
Barry Erhardt, Erik: Designing a better paper helicopter: Using response surface
Methodology,https://www.amstat.org/publications/stats/index.cfm?fuseaction=paperhelico
pter.

Siqueiros Tarazn, Alejandra: Aplicacin de la metodologa de superficies de respuesta

para el mejoramiento de la calidad de aceite de soya; Tesis de Grado, Universidad de
Sonora; Departamento de matemticas; Hermosillo, Sonora, Mxico.

Snchez, Ismael Apuntes para la asignatura mtodos estadsticos para la mejora de la

calidad; Facultad de ingeniera, Ingeniera en telecomunicaciones; Universidad Carlos III,
Madrid, Espaa.

Chacin Franklin: Anlisis de regresin y superficies de respuesta; Facultad de Agronoma;

Universidad Central de Venezuela; Aragua, Venezuela.

Russell V.Lenth, Response-Surface Methods in R, using rsm; Journal of Statistical

Software, Octubre 2009, Volume 32, Issue 7.