UNIVERSIDAD TÉCNICA DE AMBATO

CARRERA DE INGENIERÍA MECÁNICA

DISEÑO DE PROYECTOS DE INVESTIGACIÓN
CONSULTA
INTEGRANTES: Jonathan Montero
Alejandro Casa
Iván Pérez
NIVEL: 9° “B”
TEMA: DISEÑO EXPERIMENTAL
DISEÑO FACTORIAL
El término “experimento factorial” o “arreglo factorial” se refiere a la constitución de los
tratamientos que se quieren comparar. Diseño de tratamientos es la selección de los
factores a estudiar, sus niveles y la combinación de ellos. [1]
El diseño de tratamientos es independiente del diseño experimental que indica la manera en
que los tratamientos se aleatorizan a las diferentes unidades experimentales, y las formas de
controlar la variabilidad natural de las mismas. [1]
Así, el diseño experimental puede ser completamente al azar, bloques al azar, bloques al
azar generalizados, cuadro latino, etc. y para cada uno de estos diseños se puede tener
arreglo factorial de los tratamientos, si estos se forman por la combinación de niveles de
varios factores. A ambos tipos de diseños, el de tratamientos y el experimental, les
corresponde un modelo matemático. [1]
Así, por ejemplo, si el diseño experimental es bloques al azar, el modelo es:

respuesta = media general + efecto de tratamiento + efecto de bloque + error

Si se trata de un diseño factorial, los tratamientos se forman combinando los niveles de los
factores en estudio, de manera que el efecto del tratamiento 𝑇𝑖 se considera a su vez
compuesto de los efectos de los factores y sus interacciones. [1]
Por ejemplo, si son dos factores en estudio se tiene:

tratamiento = factor A + factor B + interacción AB

Haciendo una equivalencia entre los valores de i y los de k y l suponiendo que el factor A
tiene K niveles y el factor B L:
Y el modelo resultante es:

Es poco usual tener diseños experimentales muy complicados en los experimentos

factoriales, ya que se dificulta el análisis y la interpretación.
La necesidad de estudiar conjuntamente varios factores obedece a la posibilidad de que el
efecto de un factor cambie según los niveles de otros factores, esto es, que los factores
interactúen, o exista interacción.
También se utilizan los arreglos factoriales cuando se quiere optimizar la respuesta o
variable dependiente, esto es, se quiere encontrar la combinación de niveles de los factores
que producen un valor óptimo de la variable dependiente. (superficie de respuesta)
Si se investiga un factor por separado, el resultado puede ser diferente al estudio conjunto y
es mucho más difícil describir el comportamiento general del proceso o encontrar el
óptimo. [1]
Las ventajas de los experimentos factoriales son:
1. Economía en el material experimental al obtener información sobre varios factores sin
aumentar el tamaño del experimento. Todas las unidades experimentales se utilizan para la
evaluación de los efectos.
2. Se amplía la base de la inferencia en relación a un factor, ya que se estudia en las
diferentes condiciones representadas por los niveles de otros factores. Se amplía el rango de
validez del experimento.
3. Permite el estudio de la interacción, esto es, estudiar el grado y forma en la cual se
modifica el efecto de un factor por los niveles de los otros factores.
Una desventaja de los experimentos factoriales es que requiere un gran número de unidades
experimentales, sobre todo cuando se prueban muchos factores o muchos niveles de
algunos factores, es decir, se tiene un número grande de tratamientos. (factoriales
fraccionales). [1]
Interacción
Suponga un diseño con dos factores: A con a niveles y B con b niveles, en diseño
completamente al azar. (Factorial a × b completo, balanceado, efectos fijos)
Sea 𝑦𝑖𝑗𝑘 la respuesta para la k-ésima unidad experimental del nivel i de A y j de B.

Las hipótesis que se prueban son:

Ejemplo de un factorial 2 × 2 sin y con interacción:

Conocer la interacción es más útil que conocer los efectos principales. Una interacción
significativa frecuentemente oscurece la significancia de los efectos principales.
Cuando hay interacción significativa, se deberán examinar los niveles de un factor, digamos
A, con los niveles del o de los otros factores fijos, para tener conclusiones acerca del efecto
principal A.
Dos factores: A con a niveles y B con b niveles. Se dice que se tiene un factorial a × b, con
diseño completamente al azar (bloques, etc.). Se tienen ab tratamientos. [1]
Diseños factoriales con dos factores
Un diseño factorial con dos factores consiste en experimentar con todos los tratamientos
que se obtienen al combinar cada nivel de un factor con los niveles del otro.
En ocasiones, el experimentador está interesado en estudiar el efecto sobre la variable
respuesta de varios factores.
En estos casos la alternativa a la experimentación clásica, en la que se estudia el efecto de
cada factor en experimentos independientes, es el diseño factorial. [1]
Diseño 2k para k = 2 factores
Este diseño, es el más sencillo de la serie. Consideramos dos factores: A y B, cada uno a 2
niveles.
Normalmente consideramos estos niveles como los niveles alto y bajo del factor ojtetivo.
El diseño 22 puede ser representado geométricamente como un cuadrado con 4 ensayos.
Para cualquier diseño 2k con n replicas, la estimación del efecto y de los cuadrados se
estiman de la siguiente forma:

Los efectos de interés en el diseño 22 , son los efectos principales de A y B y la interacción

AB. Estimaremos cada uno de los efectos de la siguiente forma:

Las cantidades entre corchetes en las ecuaciones anteriores se llaman contrastes. Podemos
utilizar los contrastes para calcular las sumas de cuadrados para A, B y la interacción AB.

Signos algebraicos para calcular los efectos del diseño 𝟐𝟐 [1]

Diseño 2k con una réplica
Si aumentamos el número de factores en un experimento factorial, también aumenta el
número de efectos que pueden ser estimados. Es importante conocer la estructura de sus
variables para poder calcular la estabilidad de nuestro experimento
Así un experimento 24 tiene 4 efectos principales, 6 interacciones dobles, 4 triples, y 1
cuádruple.
La mayoría de las veces las interacciones de orden superior a dos son despreciables.
En experimentos factoriales 2k, con un k=3,4,5 o superior es común efectuar una sola
replica, despreciar las interacciones de orden superior a dos, y de este modo poder utilizar
los grados de libertad de dichas interacciones para la estimación del error. Esta forma de
actuar puede conducirnos a decisiones erróneas si realmente alguna de estas interacciones
que son de orden superior a dos son significativas. [1]
Diseño 2k para k = 3 factores
Es un diseño de 3 factores, cada uno a 2 niveles y consta de 8 combinaciones.
Geométricamente el diseño es un cubo, cuyas esquinas son las 8 combinaciones. Este
diseño permite estimar los 3 efectos principales (A, B, y C), las tres interacciones de dos
factores (AB, AC, BC) y la interacción de los tres factores (ABC).
La estimación de cualquier efecto principal o interacción en un diseño 2k se determina al
multiplicar las combinaciones de tratamientos de la 1.ª columna de la tabla por los signos
del correspondiente efecto principal o columna de interacción, sumando los resultados para
obtener un contraste, y dividiendo el contraste por la mitad del nº total de réplicas. [1]

Signos algebraicos para calcular los efectos del diseño 𝟐𝟑 [1]

 DESARROLLO DE LA METODOLOGÍA DE TAGUCHI
El sistema de calidad propuesto en la metodología de Taguchi supone una revolución de los
sistemas de calidad tradicionales, donde predominaba el uso de herramientas para el control
On Line. El enfoque de Taguchi destaca la importancia del control de la calidad Off Line y,
por tanto, de un diseño apropiado del producto y del proceso. Este enfoque se basa más en
aspectos relacionados con la infraestructura de la calidad que en aspectos relacionados con
la filosofía de empresa y estadística. Se utiliza fundamentalmente en el diseño de
experimentos como herramienta para fabricar productos más robustos y, por tanto, menos
sensibles a los factores de ruido. Es decir, se reducen los efectos de la variabilidad sobre las
características de la calidad del producto y del proceso. Inicialmente, la aplicación del
diseño de experimentos estaba más dirigida a la optimización de los valores promedio de
las características de la calidad sin tener en cuenta los efectos de la variación. [2]
La filosofía de la calidad de Taguchi se puede resumir en los siete puntos básicos
siguientes:
1. Un aspecto importante de la calidad del proceso manufacturado es la pérdida total
ocasionada por dicho producto a la sociedad.
2. En una economía competitiva son necesarias una mejora continuada de la calidad y
una reducción de los costos. Este punto marca una diferencia fundamental entre las
políticas de Japón y Estados Unidos, puesto que las compañías americanas buscan
fundamentalmente la nueva tecnología y la innovación, producto), mientras que las
compañías japonesas enfocan sus objetivos a una mejora gradual, empleando el
diseño de experimentos para determinar los parámetros que permiten reducir los
costos y mejorar la calidad. Se distinguen tres tipos de costos:
 Costos asociados al diseño del producto.
 Costos de manufacturación.
 Costos de operación.
Estos tres tipos de costos se pueden reducir mediante un uso apropiado del diseño
de experimentos. [2]
Un programa de mejora continuada de la calidad incluye una reducción constante de la
variación de las características de la calidad en torno a los valores nominales o umbrales.
3. La pérdida ocasionada por la variabilidad en el proceso de fabricación del producto
es proporcional al cuadrado de la deviación típica de la característica de la calidad
estudiada respecto al valor nominal.
4. La calidad y el coste final del producto manufacturado dependen en gran medida del
diseño efectuado para el producto y el proceso.
5. La variabilidad del proceso y del producto se puede reducir mediante el efecto no
lineal de los parámetros del producto y del proceso sobre las características de la
calidad.
6. Los diseños de experimentos estadísticos pueden ser utilizados para identificar el
conjunto de parámetros del producto y del proceso que reducen la variación y, por
 tanto, mejoran la calidad, la productividad, la habilidad del proceso de
manufacturación y sus resultados. [2]
Control de calidad Offline y Online
Según se comentó en el primer tema, se distinguen dos aspectos en el estudio de la calidad
de un producto: La calidad del diseño y la calidad de conformidad. En la nomenclatura
adoptada por la metodología de Taguchi estos dos aspectos son referidos como calidad
Offline y calidad Online, respectivamente.
La calidad Offline está relacionada con los siguientes puntos:
1. Correcta identificación de necesidades y expectativas del cliente.
2. Diseño de un producto que cubra las necesidades del cliente.
3. Diseño de un producto cuyo proceso de manufacturación sea consistente y
económico.
4. Desarrollo de especiaciones, procedimientos y equipos de manufacturación que sean
adecuados.
En el proceso que acompaña a la definición de la calidad Offline hay dos etapas:
 Diseño del producto.
 Diseño del proceso. [2]
En la primera etapa, un nuevo producto es elaborado, o bien un producto existente es
modificado. El objetivo en esta etapa es, según se ha comentado anteriormente, crear un
producto que cubra las necesidades del cliente y que haga sencillo el proceso de
manufacturación. En la segunda etapa, se crean los elementos necesarios para que el
proceso de manufacturación permita la elaboración de productos con los requerimientos y
especificaciones establecidos en la etapa anterior. Más concretamente, los puntos 1 y e son
considerados en la primera etapa Offline, mientras que el punto 4 es considerado en la
segunda etapa offline. En la metodología de Taguchi se distinguen tres etapas en el diseño
de la calidad Offline:
 Diseño del sistema.
 Diseño de los parámetros.
 Diseño de la tolerancia. [2]
Taguchi establece dos etapas en el control de la calidad Online:
1. Métodos de control de la calidad de la producción:
 Proceso de diagnóstico y ajuste.
 Predicción y corrección.
 Medición y acción.
2. Relaciones con los clientes.
A continuación, se describen las etapas señaladas en la metodología de Taguchi
para el control de la calidad. [2]
Calidad OffLine
En la primera etapa, es decir, en el diseño del producto, se considera en primer lugar el
problema de diseño del sistema. Se aplica entonces el conocimiento científico para
desarrollar un prototipo de diseño que cumpla los requerimientos del cliente. La selección
inicial de materiales y de tecnología para el proceso de manufacturación son realizadas en
esta fase. El principal objetivo en esta etapa es conseguir la mejor tecnología disponible
para cubrir las necesidades del cliente al costo más bajo posible. Este último aspecto
diferencia la metodología de Taguchi de la metodología Western, donde el objetivo
prioritario es el uso de la última tecnología, aunque esto suponga aumentar los costos. [2]
El siguiente paso es el diseño de los parámetros, determinando el conjunto óptimo de
parámetros del producto. El objetivo, aunque es minimizar los costos de manufacturación y
de la vida del producto mediante minimización de la variación en la ejecución. Esto se
consigue mediante la creación de diseños robustos, que no se ven afectados por los factores
de ruido. Un factor de ruido es una fuente de variación incontrolable en las características
funcionales del producto. En esta etapa de diseño de los parámetros se utiliza el diseño de
experimentos para determinar el impacto de los factores controlables y no controlables
(ruido) sobre las características del producto. El objetivo principal es la selección de niveles
de los factores controlables que permiten minimizar los efectos de los factores de ruido,
haciendo el producto robusto frente a dichos factores. [2]
Finalmente, en el diseño de las tolerancias se establecen los límites en torno al valor
nominal o umbral establecido en la etapa anterior. El objetivo en esta etapa es definir o
especificar unas tolerancias lo suficientemente amplias como para minimizar costos, pero
manteniendo las características funcionales del producto dentro de las especificaciones.
En la segunda etapa, es decir, en el diseño del proceso, se considera, en primer lugar, de
forma paralela a la etapa anterior, el diseño del sistema, que consiste en la selección del
proceso de manufacturación sobre la base del conocimiento del producto y de la tecnología
de manufacturación de ese momento. El objetivo principal es especificar el uso de
maquinaria existente y el proceso en la medida de lo posible. [2]
En el diseño de los parámetros se determinan los niveles apropiados de los factores
controlables que intervienen en el proceso de producción. El objetivo aquí es hacer el
proceso robusto para minimizar los efectos de ruido sobre el proceso de producción y el
producto acabado. El diseño de experimentos es utilizado durante este paso.
Finalmente, en el diseño de las tolerancias, se establecen las tolerancias para los parámetros
del proceso, identificadas como críticas en el diseño durante el diseño de los parámetros. Si
el diseño de los parámetros del proceso o del producto se ha realizado pobremente, es
necesario, quizás, realizar un reajuste de tolerancias, o bien considerar materiales. [2]
Calidad OnLine
En la metodología de Taguchi se distinguen tres vías para el control de la calidad OnLine:
Diagnóstico y ajuste del proceso: El proceso es examinado en intervalos regulares de
tiempo; ajustes y correcciones son efectuados según las necesidades que surgen. Predicción
y corrección: Un parámetro cuantitativo o numérico del proceso se mide en intervalos
regulares de tiempo. Los datos son utilizados para proyectar tendencias en el proceso. En el
caso en que el proceso se encuentra demasiado alejado de los valores umbrales o
nominales, el proceso es reajustado para corregir la situación. [2]
Este método se conoce con el nombre de control feedback o feedforward.
Medición y acción: Consiste en el control de la calidad mediante inspección. Cada unidad
manufacturada es inspeccionada. Las unidades defectuosas son reparadas o eliminadas.
Este procedimiento de control de la calidad es el más caro, puesto que no previene defectos
ni tampoco identifica todas las unidades defectuosas.
Relaciones con los clientes: Servicios a clientes pueden ofrecer la reparación o el
reemplazamiento de productos defectuosos, o bien la compensación de pérdidas.
Se puede actuar sobre los tres tipos de factores de ruido que se consideran en la
metodología de Taguchi, es decir, factores de ruido externo, interno y unidad a unidad, en
diferentes etapas del proceso, no solo en el diseño de los parámetros asociado al control de
la calidad OffLine. Por ejemplo, se puede actuar sobre los tres tipos de ruido en el diseño
del producto, en las etapas de diseño del sistema y de diseño de los parámetros. En el
diseño de las tolerancias sólo se puede actuar sobre factores de ruido interno y unidad a
unidad. Sobre estos últimos factores de ruido también se puede actuar desde la fase de
diseño del proceso. Con el control de la calidad OnLine también se puede actuar sobre los
factores de ruido unidad a unidad. [2]
Función de pérdida
La calidad del producto ha sido medida usualmente mediante comparación de
características críticas del producto con especificaciones de fabricación establecidas para el
producto. Las especificaciones sobre el producto son importantes. Sin embargo, en la
actualidad hay un interés creciente por el desarrollo de técnicas que permitan el control de
características del proceso que determinan la calidad del producto final. El objetivo final es
reducir la variabilidad del proceso y conseguir que las características de la calidad se
encuentren lo más cercanas posibles a los valores umbrales. Las especiaciones en el
proceso de fabricación suelen venir dadas en términos de la cantidad de variabilidad que
puede ser tolerada en las características del producto y del proceso. Normalmente suelen ser
expresadas en términos de:
 Un valor estándar o umbral.
 Límites de tolerancia bilaterales (naturales o especificados).
 Valores umbrales con un rango de tolerancia (naturales o especificados).
 Límites de tolerancia unilaterales (superiores o inferiores).
Según nos alejamos del valor umbral la pérdida aumenta. Por tanto, en el diseño de una
función de pérdida se ha de considerar una función cuyo mínimo se encuentre en el valor
umbral u objetivo y cuyos valores aumenten progresivamente según nos alejamos de dicho
valor. En particular, es deseable un incremento de la velocidad de crecimiento de los
valores de la función de pérdida a partir de los puntos detenidos por los límites de
tolerancia (asíntotas verticales situadas sobre los límites de tolerancia). La función de
pérdida puede ser simétrica o asimétrica. [2]
En la metodología de Taguchi se utiliza una función de pérdida L cuadrática, la pérdida
esperada para la característica aleatoria X de la calidad con media y varianza viene dada
por:

Según este modelo, la pérdida es causada por la variabilidad de la característica estudiada y

por el sesgo. Por tanto, para reducir la pérdida se debe actuar sobre la variabilidad del
proceso y sobre la desviación del valor medio de la característica de la calidad estudiada
respecto al valor nominal. Este argumento será utilizado también, en la próxima sección,
para justificar el uso de la razón señal-ruido en la fase de diseño de los parámetros. [2]
Razones señal-ruido
Tradicionalmente, mediante técnicas de diseño de experimentos se han evaluado los efectos
de factores sobre la calidad de una característica. En el caso de una sola realización para
cada experimento, se combinan los diferentes valores de la respuesta observados en cada
realización de los experimentos, detenidos en la matriz del diseño, para obtener una
estimación de los efectos principales y de sus interacciones. Cuando se consideran réplicas
de la variable respuesta en cada combinación de los niveles de los factores, la variación del
error también puede ser estimada; el análisis se define en términos de los valores medios
muestrales obtenidos de las réplicas. [2]
Sin embargo, cuando se introduce la función de pérdida (en particular, cuando se considera
la formulación, se hace patente la necesidad de combinar el estudio de la respuesta media
con la variabilidad, es decir, definir una medida que recoja ambos aspectos. Esta medida es
referida por Taguchi como razón señal-ruido. Esta terminología proviene del lenguaje
utilizado en ingeniería, donde la media de la variable respuesta representa la señal y la
variación representa el ruido. Se pueden definir diferentes medidas de razón señal-ruido,
dependiendo del objetivo del estudio. [2]
 METODOLOGÍA DE SUPERFICIES DE RESPUESTA
Definición.
La Metodología de Superficies de Respuesta es un conjunto de técnicas
matemáticas y estadísticas utilizadas para modelar y analizar problemas en los que una
variable de interés es influenciada por otras. El objetivo es optimizar la variable de interés.
Esto se logra al determinar las condiciones óptimas de operación del sistema. [3]
Terminología.
Factores.
Son las condiciones del proceso que influencian la variable de respuesta. Estos
pueden ser cuantitativos o cualitativos.
Respuesta.
Es una cantidad medible cuyo valor se ve afectado al cambiar los niveles de los factores. El
interés principal es optimizar dicho valor.
Función de respuesta.
Al decir que un valor de respuesta Y depende de los niveles x1, x2, ... xk de k
factores, x1, x2,... xk, estamos diciendo que existe una función matemática de x1, x2, ... xk
cuyo valor para una combinación dada de los niveles de los factores corresponde a Y, esto
es Y=f(x1, x2, ... xk.).
Función de respuesta predicha.
La función de respuesta se puede representar con una ecuación polinomial. El éxito en una
investigación de una superficie de respuesta depende de que la respuesta se pueda ajustar a
un polinomio de primer o segundo grado.
Supongamos que la función de respuesta para los niveles de dos factores se puede expresar
utilizando un polinomio de primer grado:

donde b0, b1, b2 son los coeficientes de regresión a estimar, x1 y x2 representan los niveles
de
x1 y x2 respectivamente. Suponiendo que se recolectan N³3 valores de respuesta (Y), con
los estimadores b0, b1 y b2 se obtienen b0, b1 y b2 respectivamente. Al reemplazar los
coeficientes de regresión por sus estimadores obtenemos:
donde Yˆ denota el valor estimado de Y dado por x1 y x2.
Superficie de respuesta. La relación Y=f(x1, x2,... xk) entre Y y los niveles de los k
factores x1, x2,... xk representa una superficie. Con k factores la superficie está en k+1
dimensiones. Por ejemplo cuando se tiene Y=f(x1) la superficie esta en dos dimensiones,
mientras que si tenemos Y=f(x1, x2.) la superficie está en tres dimensiones. [3]

Figura 1.- Superficie de respuesta tridimensional

Fuente: [3]
Gráfica de contornos.
La gráfica de contornos facilita la visualización de la forma de una superficie de respuesta
en tres dimensiones. En ésta las curvas de los valores iguales de respuesta se grafican en un
plano donde los ejes coordenados representan los niveles de los factores. Cada curva
representa un valor específico de la altura de la superficie, es decir un valor específico de
Yˆ. Esto se muestra en la figura anterior. Esta gráfica nos ayuda a enfocar nuestra atención
en los niveles de los factores a los cuales ocurre un cambio en la altura de la superficie.
Región experimental.
La región experimental especifica la región de valores para los niveles de los factores. Esto
se puede hacer empleando los niveles actuales de operación para cada factor; si se desea
explorar el vecindario se incrementa y decrementa el valor del nivel en una cantidad
determinada. [3]

Figura 1.- Superficie de respuesta tridimensional

Fuente: [3]
Polinomio de primer orden.
Generalmente se desconoce la relación entre la respuesta y las variables independientes,
por ello requerimos un modelo que aproxime la relación funcional entre Y y las variables
independientes. Si la respuesta se describe adecuadamente por una función lineal de las
variables independientes se utiliza el modelo de primer orden:

Los parámetros del modelo se estiman mediante el método de mínimos cuadrados. Una vez
que se tienen los estimadores se sustituyen en la ecuación y obtenemos el modelo ajustado:

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

combinaciones de niveles de los factores, denominada matriz de diseño.
Si la matriz X es de rango completo, entonces el estimador de β obtenido por el método de
mínimos cuadrados es que es, de hecho, el mejor estimador lineal de β)
y la matriz de varianzas-covarianzas de b viene dada por [3]
Este modelo se utiliza cuando queremos estudiar el comportamiento de la variable de
respuesta únicamente en la región y cuando no conocemos la forma de la superficie. La
forma de la función f que determina la relación entre los factores y la variable respuesta es,
en general, desconocida, por lo que el primer objetivo de la RSM consiste en establecer
experimentalmente una aproximación apropiada de la función f. Para ello, se propone un
modelo de ecuación, generalmente polinómico, en los k factores X1, X2, ..., Xk y se
selecciona un conjunto de tratamientos sobre los que realizar las observaciones
experimentales, que se utilizarán tanto para obtener estimaciones de los coeficientes en el
modelo propuesto (por ejemplo, a través del método de mínimos cuadrados) como para
obtener una estimación de la variación del error experimental (para lo que es necesario
tener al menos 2 observaciones por cada tratamiento). [3]
Se realizan, entonces, contrastes sobre las estimaciones de los parámetros y sobre el ajuste
del modelo y si el modelo se considera adecuado, puede utilizarse como función de
aproximación. En tal caso, el estudio de la superficie de respuesta se hace en términos de la
superficie ajustada, pues su análisis será aproximadamente equivalente al del sistema real.
Los polinomios usados más frecuentemente como funciones de aproximación son los de
órdenes uno y dos:
Modelo de primer orden:

Análisis del error en el modelo ajustado.

Para estimar los coeficientes se requieren valores de respuesta (Y). El análisis de

los datos se suele representar en una tabla de análisis de varianza. La tabla presenta las
diferentes fuentes de variación que contribuyen a la variación total de los datos. La
variación total recibe el nombre de suma de cuadrados total SST, y se calcula de la
siguiente manera:

donde Yi es el valor observado en la i-ésima muestra. La suma de cuadrados se compone

por la suma de cuadrados debido a la regresión. La fórmula de la suma de cuadrados debido
a la regresión es:

La suma de cuadrados residual, se calcula de la siguiente forma:

Se puede hacer un análisis del ajuste del modelo con la R2, que es la proporción total de la
variación de las Yi con respecto a la media que se puede explicar con la ecuación de
regresión ajustada. [3]

Método de máxima pendiente en ascenso.

El método de máxima pendiente en ascenso consiste en ejecutar una secuencia de
experimentos a lo largo de la línea de máximo incremento de la respuesta. Si el modelo
ajustado de primer orden es adecuado, la información que éste proporciona se utiliza para
determinar una dirección en la cual se espere observar mayores valores de la variable
respuesta. A medida que se avanza sobre la superficie ajustada en la dirección en que se
incrementan los valores de la respuesta y se va llegando a una región en la que haya
curvatura en la superficie real, el incremento en la respuesta se estabilizará en el punto más
alto de la superficie ajustada. Si se continúa en esta dirección y la altura de la superficie
disminuye, se lleva a cabo un nuevo conjunto de experimentos y se ajusta de nuevo el
modelo de primer orden. Se determina una nueva dirección hacia valores crecientes de la
respuesta y se ejecuta otra secuencia de experimentos en la dirección determinada. Este
proceso continúa hasta que se hace evidente que a partir del método no se puede obtener un
incremento en la respuesta o éste es muy pequeño. Si los tests de ajuste detectan que puede
haber curvatura en la superficie, se aumenta un grado al modelo añadiéndole los términos
del producto cruzado y/o los términos cuadráticos puros y se completa el diseño de primer
orden añadiéndole los puntos necesarios para ajustar el nuevo modelo de segundo orden. Si
el modelo de segundo orden se ajusta adecuadamente, se utiliza para describir la forma de
la superficie a través de la gráfica de contornos en la región experimental. Se utiliza
entonces el modelo ajustado de segundo orden para localizar, en el lugar en el que la
pendiente de la superficie ajustada es cero, las coordenadas del punto estacionario, que es el
punto que proporciona el valor óptimo de la variable respuesta y, si se detecta que éste se
encuentra dentro de los límites de la región experimental, se pasa a determinar su
naturaleza (si es máximo, mínimo o punto de silla). Si, por el contrario, el punto
estacionario no se halla dentro de la región experimental, hemos de realizar una nueva
experimentación en la dirección en la que éste se encuentra. Una vez que se ha localizado el
punto que proporciona valores óptimos de la variable respuesta, se describe la superficie en
un entorno próximo a éste. Frecuentemente la estimación inicial de las condiciones de
operación óptimas está alejada del óptimo real, en este caso se desea moverse rápidamente
a la vecindad del óptimo. El método de máxima pendiente en ascenso es un procedimiento
para recorrer secuencialmente la trayectoria de la máxima pendiente, que nos lleva en
dirección del máximo aumento de la respuesta. Cuando se desea la minimización se habla
de mínima pendiente en descenso. La dirección de ascenso máximo es en la que aumenta
más rápido, ésta es paralela a la normal de la superficie de respuesta ajustada. Los
incrementos a lo largo de la trayectoria son proporcionales a los coeficientes de regresión
β0, β1, β2,... Los experimentos se llevan a cabo hasta que deje de observarse un incremento
en la respuesta, entonces se ajusta un nuevo modelo de primer orden con el que se
determina una nueva trayectoria y se continua con el procedimiento. Finalmente, se
consigue llegar a la cercanía del óptimo, esto ocurre cuando existe falta de ajuste del
modelo de primer orden. [3]

REFERENCIAS:

[1] G. Palomo, julio 2011. [En línea]. Available: http://ocw.upm.es/estadistica-e-

investigacion-operativa/introduccion-a-la-estadistica-basica-el-diseno-de-
experimentos-y-la-regresion-lineal/contenidos/Material-de-clase/Disenos-
factoriales.pdf. [Último acceso: 27 11 2018].
[2] L. Morales, 15 02 2015. [En línea]. Available:
https://www.ugr.es/~mruiz/temas/Tema_9.pdf. [Último acceso: 27 11 2018].

[3] S. Corrales, 11 05 2014. [En línea]. Available:

http://bibing.us.es/proyectos/abreproy/70238/fichero/Capitulo+7.pdf. [Último acceso:
27 11 2018].