Chemkeys - Libertad para aprender

www.chemkeys.com

Métodos de Optimización en Química

Sebastião de Paula Eiras

Universidade Federal de Uberlândia, Departamento de Química

Aline Renée Coscione

Rogério Custodio
João Carlos de Andrade *
dandrade@iqm.unicamp.br
Universidade Estadual de Campinas, Instituto de Química

Traducido por
Maria Del Pilar Taboada Sotomayor

Informaciones Resumen

Histórico del Artículo Los métodos de optimización surgieron en función de la necesidad

Creado en Abril de 1999
Actualizado en Marzo de 2000
de mejorar el desempeño de los sistemas que existen habitualmente.
Estrictamente, optimización significa transformar alguna cosa en
“perfecta, efectiva o funcionalmente lo mejor posible”. De esta manera,
podemos definir optimización como un proceso basado en instrucciones
que permiten obtener el mejor resultado de un procedimiento.

Palabras Clave Científicamente estas instrucciones son frecuentemente expresas a través

de métodos matemáticos que permiten maximizar o minimizar alguna
Optimización
Método univariante
propiedad específica del sistema en estudio. Está en la elección de esta
Diseño factorial propiedad a ser optimizada y de las condiciones de control que se encuentra
Superficie de respuesta gran parte de las discusiones sobre cual es la mejor indicación para un
Método simplex desempeño ideal del sistema. En diversas circunstancias, esta propiedad a
Método simplex modificado ser optimizada es denominada de función objetivo o respuesta.
Efectos principales
Factorial fraccionado Chemkeys. Licenciado por Creative Commons (BY-NC-SA)

Cuando y como optimizar como: concentración de los reactivos que participan en

Un ejemplo simple lo puede proporcionar una idea de la
diversidad de posibilidades de optimizarse un sistema
en función de algún interés específico. Podemos estar
interesados en la síntesis de determinada sustancia. En
estas circunstancias la elección de una propiedad a ser
optimizada o función objetivo recaerá naturalmente
sobre la cantidad de sustancia a ser produzida. Se
puede especificar la masa o la concentración de material
producido. Sin embargo, la producción de este material
dependerá de diferentes factores o propiedades, tales
* Autor de contacto
la síntesis, temperatura, presión, pH, etc. Para obtenerse
un rendimiento máximo, deveriamos escoger todas las
propiedades necesárias para describir el sistema y buscar
ajustarlas hasta obtener la mayor masa o concentración de
la sustáncia de interés. Sin embargo, podemos considerar
que algunas de esas propiedades no deben interferir
significativamente en el resultado final y en consecuencia,
con la finalidad de obtener resultados significativos más
rapidamente (lo también podria ser considerado como
un proceso a ser optimizado), seleccionariamos apenas
un conjunto restringido de propiedades que creeriamos
 Chemkeys - Libertad de aprender
ser las responsables por la mayor o menor obtención del
producto deseado.
Este ejemplo, puede ser considerado típico para una
optimización en un trabajo de investigación. La función
objetivo fue definida rapidamente y el aspecto de interés
en este proceso corresponde a obtener un resultado final
único, en el caso, la mayor cantidad posible del producto
deseado. Pero, la elección de esta función puede también
volverse un factor extremamente complejo.En la elección
de la función objetivo se debe tener en cuenta, no solamente
la obtención del producto deseado, sino también debe
minimizar los costos de produción. Estos costos dependen
del precio de los reactivos a ser utilizados en la síntesis, el
costo de la energia eléctrica utilizada, el transporte de la
materia prima desde la fuente hasta la indústria, el tiempo
de preparación del producto, etc. La correlación de todos
estos factores a través de una expresión matemática puede
constituir una función objetivo y se puede notar que no
debe ser fácil unir todos estos parámetros en una sóla
expresión.
De esta forma, en diferentes circunstancias se acostumbra
decir, que “teoricamente” podemos solamente indicar
la región donde se encuentra la situación deseada en
la “práctica”. El término teoricamente refleja única
y exclusivamente nuestra incapacidad de representar
inequivocamente todos los factores que controlan los
intereses involucrados en un proceso de optimización.
Dentro de las actividades habituales con las que los
químicos se enfrentan, podemos considerar los siguientes
casos relacionados con la optimización de parámetros
experimentales [3]:
1. Desarrollo de los Métodos
En el desarrollo de nuevos métodos analíticos y en
el mejoramiento o adaptación de los métodos ya
establecidos, se estudian los factores que demuestran
efecto significativo sobre la respuesta del sistema y
que pueden ser ajustados para mejorar los resultados
del método (por ejemplo, aumentar a sensibilidad,
disminuir reacciones paralelas y mejorar separaciones
entre señales analíticas).
2. Instrumentación
Para que sea obtenido el mejor resultado, instrumentos
analíticos complejos deben estar perfectamente
calibrados a través de un procedimiento que involucre
el ajuste de vários parámetros instrumentales hasta
que la mejor resposta sea obtenida.
3. Tratamiento de Datos
Chemkeys. Licenciado por Creative Commons (BY-NC-SA)
Cuando se ajustan datos experimentales a un
determinado modelo matemático conocido, las
variables de la ecuación teórica son ajustadas hasta que
los valores calculados, según el modelo, se aproximen
lo máximo posible de los valores experimentales.
4. Desarrollo de productos
El ejemplo discutido en el texto introductorio
demuestra esta posibilidad de optimización.
Etapas de un proceso de
optimización
La optimización puede ser dividida en etapas que se
caracterizan por:
1. la definición de la función objetivo (respuesta). Pueden
haber uno o más critérios a ser observados;
2. la determinación de los factores (variables) que
presentan influencias significativas sobre la respuesta
que se desea optimizar, y
3. la optimización propiamente dicha, esto quiere decir,
buscar la combinación de los valores de los factores
seleccionados que resulten en la mejor respuesta
(maximización o minimización).
Un procedimento adecuado para la optimización de un
sistema químico debe contener las siguientes etapas:
1. Realización de experimentos de barredura para
caracterizar las variables del sistema, usando un
planeamiento factorial [4];
2. Localización de la región óptima o ideal usando el
método simplex
3. Confirmación y/o ajuste fino de la región óptima,
usando planeamiento factorial y/o superficie de
respuestas, dependiendo de como se desean obtener
los resultados [5].
Método univariado
Este método de optimización, es clasificado como un
método secuencial, y es también conocido como método
clásico de investigación, método del factor único o de
estrategia de un-factor-por-vez. En este método, se fijan
a un cierto nivel, todos los factores que están siendo
investigados, menos uno de ellos. Entonces, este último
es variado hasta que se encuentre la mejor respuesta,
 Chemkeys - Libertad de aprender

después de esto, este factor es fijado y un nuevo factor sufre
variación. El proceso se repite hasta que todos los factores
hallan sido adecuados para dar la mejor resposta.
Considere, para un sistema hipotético,la Figura 1 como
representación de las lineas de contorno de la superficie de
respuestas obtenida como función de las variables x1 y x 2.
Este tipo de procedimento es probablemente el método de
optimización más común en química, sin embargo, este
método no asegura que la región óptima sea localizada.
El óptimo no será alcanzado sí la superficie de respuesta
contiene crestas1, tales como las presentadas en la
superficie de la Figura 2. Box [6] fue uno de los primeros
a notar que en esta situación el método univariado falla, y
un falso óptimo es encontrado. Este error es común en los
sistemas químicos, donde además de la interdependencia
de factores, la localización del óptimo real por el método
univariado depende de los valores iniciales escojidos para
las variables a ser optimizadas.

Figura 1 - El método univariado.

Figura 2 - Superficie conteniendo vários máximos y mínimos.
La superficie ilustrada (superficie de respuestas) puede
representar, por ejemplo, la resolución en el tiempo En la Figura 3, ilustramos el problema de la existencia
(respuesta) para una mezcla analizada en cromatografia de la cresta, donde tomando x 2 constante y variando x1 a
gaseosa, en función del flujo del gas de arrastre (factor x1) lo largo del segmento AB y sus extensiones se encuentra
y temperatura de la columna (factor x 2). La temperatura un óptimo en B. La presencia de la cresta que crece hacia
de la columna (x 2) es fijada inicialmente, y el flujo del gas el noreste no será detectada y B será equivocadamente
de arraste (x1) es variado a lo largo del segmento AB y sus aceptado como el óptimo real.
extensiones, una respuesta óptima es obtenida en el punto
B. El factor optimizado es ahora tomado como constante
y la temperatura de la columna (x 2) es variada a lo largo
del segmento BC y sus extensiones, hasta que una nueva
respuesta óptima sea obtenida en el punto C.

En el desarrollo del proceso de optimización ejemplificado,

un ciclo de variaciones no es suficiente para definir
el óptimo com precisión. Un segundo ciclo debe ser
realizado iniciando la variación del flujo del gas de arraste
(x1), a lo largo del segmento CD y sus extensiones con
la temperatura de la columna (x 2) constante. Variándose
la temperatura (x 2) y manteniendo el flujo del gas de
arraste (x1) constante se debe llegar al punto D que es más
cercano al óptimo real que el ponto C obtenido en el ciclo
anterior. Así, con el método univariado de optimización,
se debe efectuar tantos ciclos cuantos sean necesarios
hasta observar que no ocurre mejora en el resultado de la
optimización. Figura 3 - Falla del método univariado en la presencia de una cresta.

1
Crestas son curvas de nivel elípticas que pueden ocurrir en la topografia de la superficie de respuesta.

Chemkeys. Licenciado por Creative Commons (BY-NC-SA)

 Chemkeys - Libertad de aprender
Debemos aclarar que cuanto mayor la interacción entre
las variables, mayor será la probabilidad de localización
de un falso óptimo, yea la Figura 4. Por lo tanto, el
método univariado es muy bueno para sistemas donde
las variables optimizadas son independientes, lo que de
hecho es relativamente raro para sistemas químicos.
Figura 4- Efeito do grau de interação ente os fatores na eficiência
do método univariado. a)nenhuma interação - pesquisa eficiente;
b)interação moderada - pesquisa pouco eficiente; c)interação forte
- pesquisa ineficaz.
Método simplex
El método Simplex es un método secuencial de
optimización y puede ser empleado, así como el método
univariado, tanto para maximizar como para minimizar
una respuesta.
Un simplex es una figura geométrica de n dimensiones,
constituido de n+1 puntos. Cada dimensión corresponde
a una variable a ser optimizada. Un simplex en dos
dimensiones es un triángulo, en tres dimensiones es
un tetraedro y así sucesivamente. El método puede ser
extendido para mayores dimensiones, pero la visualización
del simplex no será fácil. A pesar de esto, el método Simplex
puede ser aplicado, teoricamente, para la optimización de
cualquier número de variables.
El método simplex básico
El método Simplex, introducido en su forma original
Chemkeys. Licenciado por Creative Commons (BY-NC-SA)
por Spendley; Hext y Himsworth [6], en 1962, no se
basa en planeamientos factoriales y por eso requiere
pocos experimentos para moverse, desplazándose en la
dirección del óptimo. La aplicación del método Simplex
en Química Analítica fue efectuada por la primera vez en
1969. El método Simplex original, a lo largo de estos años,
há sufrido modificaciones que obligaron a la distinción
del mismo dentro de las estratégias de optimización, así
el método Simplex original pasó a ser llamado de Método
Simplex Básico (MSB).
El procedimiento de optimización, en el método Simplex,
comienza por la elección de los n+1 puntos donde será hecha
la evaluación de la respuesta. En la Figura 5 tenemos un
ejemplo del proceso, para el cual la optimización empieza
con los puntos A, B y C. Evidentemente, por tratarse de un
sistema (químico), la superficie de respuesta mostrada en
la figura a continuación no es conocida, pero es adecuada
para ilustrar lo que pasa durante el proceso. No hay
necesidad de conocerla previamente, ya que nos interesa la
respuesta que será obtenida en cada experimento previsto
por el simplex. Este resultado será evaluado contra las
demás respuestas para que el proceso pueda continuar,
siendo que este tipo de desarrollo convierte al simplex en
un método del tipo secuencial.
Figura 5 - Progreso de un simplex bi-dimensional en la dirección del
óptimo
Los puntos A, B y C forman un triangulo y a través del
análisis de la figura anterior, el punto A demuestra tener
la peor respuesta de los tres. Una conclusión lógica es
que la mejor respuesta está en la dirección opuesta a este
punto. Por lo tanto, el simplex es reflejado de forma que
el punto D, opuesto al punto A, sea obtenido. Entonces,
un nuevo experimento es efectuado en las condiciones
experimentales del punto D. Los puntos B, C y D, juntos
forman un nuevo simplex. El procedimento es repetido
sucesivamente, descartándose la peor respuesta. Por
 Chemkeys - Libertad de aprender
lo tanto, como vemos, el objetivo del método Simplex
secuencial es forzar al simplex a moverse para la región
de respuesta óptima. Las decisiones requeridas para
que eso sea posible constituyen las llamadas “reglas” del
procedimiento simplex.
Reglas para el movimiento del simplex básico
Regla nº 1: Después de determinar las respuestas de los
n+1 experimentos necesarios para iniciar el proceso, com
base en el conocimiento ya adquirido sobre el sistema, se
debe clasificarlas en mejor [B (the Best)], peor [W (the
Worst)] y resultados intermediarios [N (Next to worst)],
según el objetivo de la optimización.
Regla nº 2: El simplex es movido para un simplex
adyacente, el cuál es determinado descartando la
respuesta menos deseada. El vértice correspondiente a
esta respuesta es sustituido por un nuevo vértice, generado
por su reflexión a través del centroide de la hiperfase de
los vértices restantes
Matematicamente, sí los vértices de un simplex k-
dimensional son representados por coordenadas vectoriales
P1, P2, ...., Pj, ....Pk, .... Pk+1, la eliminación de la respuesta
no deseada Pj resulta en la hiperfase formada por P1, P2,
...., Pj-1, Pj+1, ....Pk, .... Pk+1 con el centroide definido por:
Pc = 1/k (P1 + P2 + .... + Pj-1 + Pj+1 + .... + Pk + Pk+1)
Pc = centroide de la hiperfase
K = número de dimensiones del simplex
Pj = vértice correspondiente a la peor respuesta
El nuevo simplex es definido por esta fase y un nuevo
vértice, P, que corresponde a la reflexión del vértice
rechazado Pj, a través de la fase por el centroide Pc.
P = Pc + (Pc - Pj)
Regla nº 3: Sí el punto reflejado, P, tuviera la peor respuesta
en el nuevo simplex, probablemente el desplazamiento
no está sucediendo en dirección al óptimo. En este caso,
se debe rechazar la 2ª peor respuesta de este simplex y
continuar con la optimización.
Esta regla es necesaria, pués el simplex puede estar
encima de una cresta y la aplicación directa de la Regla no
2 puede hacer con que el punto P sea reflejado de vuelta al
punto anterior como ocurre en la Figura 6a. En este caso
el simplex oscila y se vuelve sin recurso (decimos, que se
mantiene parado).
Chemkeys. Licenciado por Creative Commons (BY-NC-SA)
La Figura 6b muestra el movimiento de un simplex sobre
una cresta donde la Regla no 3 fue empleada entre los
simplex DFG y FGH y entre los simplex FIJ y IJK.
Figura 6 - El simplex sobre una cresta. a) falla del simplex; b) progreso
del simplex.
Esta situación sucede com frecuencia en la región del
óptimo. Sí un punto es obtenido cercano a él, todos los
otros nuevos puntos tienden a pasar más allá del tope de la
curva de respuesta. Entonces, un cambio en la dirección
es indicado. En la región del óptimo, normalmente ocurre
el simplex circular en vuelta de un óptimo temporario.
Como se puede tratar de un resultado falso, el cual hace,
con que el simplex se prenda a él, es necesario la siguiente
excepción adicional a la Regla no 1.
A Figura 6b mostra o movimento de um simplex sobre
uma crista onde a Regra no 3 foi empregada entre os
simplex DFG e FGH e entre os simplex FIJ e IJK.
Esta situação acontece com freqüência na região do ótimo.
Se um ponto é obtido próximo a ele, todos os outros novos
pontos tendem a passar além do topo da curva de resposta.
Uma mudança na direção é então indicada. Na região do
ótimo, normalmente ocorre do simplex circular em torno
de um ótimo provisório. Como pode se tratar de um falso
resultado, que faz com que o simplex se agarre a ele, é
necessário a seguinte exceção adicional à Regra 1.
Regla nº 4: Sí un vértice fuera mantenido en k+1 simplex,
antes de aplicar la Regla no 2, haga una nueva observación
del vértice persistente. Sí el vértice está realmente cercano
al óptimo, es probable que la evaluación repetida de la
respuesta sea consistente y de esta forma el punto será
mantenido. Sí la respuesta en el vértice fuera alta por
causa de un error de observación, es improbable que con
la nueva evaluación eso ocurra y por lo tanto, el vértice
será consecuentemente eliminado.
Regla nº 5: Sí el nuevo vértice encontrárase fuera de los
limites aceptables de las variables optimizadas, no se
deben realizar observaciones experimentales con estos
valores, al contrario se debe atribuir a este la respuesta
 Chemkeys - Libertad de aprender

más indeseable. Tabla 1. Valores para el tamaño del paso hasta para 10 factores
Vértice Fatores (variables)
La aplicación posterior de las Reglas nos 2 e 3 obligará al nº A B C D E F G
simplex a regresar dentro de los límites permitidos y este 01 0 0 0 0 0 0 0
continuará buscando por la respuesta óptima. Cuando un
02 1,000 0 0 0 0 0 0
óptimo es localizado, las reglas del simplex lo fuerzan a
circular. 03 0,500 0,866 0 0 0 0 0
04 0,500 0,289 0,817 0 0 0 0
En la Figura 7 es ilustrado este tipo de efecto observado 05 0,500 0,289 0,204 0,791 0 0 0
durante el proceso de optimización, en este caso el simplex 06 0,500 0,289 0,204 0,158 0,775 0 0
se presenta “estancado” en un óptimo falso. 07 0,500 0,289 0,204 0,158 0,129 0,764 0
08 0,500 0,289 0,204 0,158 0,129 0,109 0,756

Ejemplo: Optimización de las condiciones de

funcionamiento de un cromatógrafo para un determinado
análisis.

Variables:
1- Temperatura, ºC.
2- Velocidad de flujo del gas de arraste, mL/min.
3- Longitud de la columna, cm.

Valores iniciales:
Temperatura, T = 20 ºC.
Velocidad de flujo del gas de arraste, V = 40 mL/
Figura 7 - Segundo tipo de falla del simplex sobre una cresta.
min.
Longitud de la columna, C = 200 cm.
Localización y tamaño del simplex inicial
Pasos de las Variables (Step size2 , SS):
Temperatura => SSt = 10 ºC.
En la etapa inicial de los experimentos, es recomendable
Velocidad del flujo del gas de arraste = > SSv = 5 mL/
construir un simplex grande para que por sí mismo se
min.
mueva rapidamente sobre la superficie de respuestas y
Longitud de la columna = > SSc = 20 cm.
pueda localizar la región del óptimo. Para definir más
precisamente el óptimo, se construye un simplex menor y
Los vértices nuevos son obtenidos sumándose al
se continua la optimización. En el caso que sea necesario,
punto inicial el paso de cada variable multiplicado
es posible repetir el proceso, dejando el simplex cada vez
por el factor correspondiente de la Tabla 1. Los
mas pequeño. Está claro que existe una limitación para el
experimentos previstos para este ejemplo están
tamaño del simplex, pués, sí este fuera muy pequeño, los
relacionados en la Tabla 2.
errores experimentales pueden enmascarar los verdaderos
efectos sobre la respuesta y hacer con que el simplex se Tabla 2 - Determinación de los vértices del simplex inicial
traslade irregularmente dentro de un área cercana al
Vértice Temperatura Flujo Long. Coluna
óptimo.
Inicial ºC mL/min cm
Para definición del primer simplex se debe establecer las 01 20 40 200
variables que estarán sujetas a la optimización. Después, se 02 20+(SSt . 1)=30 40+(SSv . 0)=40 200+(SSc . 0)=200
define el tamaño del paso (step size2) de cada variable del 03 20+(SSt . 0,5) 40+(SSv . 0,866) 200+(SSc . 0)=200
simplex. Con el auxilio de la Tabla 1, se puede construir =25 =44,3
el simplex inicial hasta con 7 (siete) factores. 04 20+(SSt . 0,5) 40+(SSv . 0,289) 200+(SSc . 0,817)
=25 =41,4 =216,3

2
Step size: Valor máximo permitido para variar un factor durante la construcción del primero simplex.

Chemkeys. Licenciado por Creative Commons (BY-NC-SA)

 Chemkeys - Libertad de aprender
Consideraciones Generales
El método Simplex no requiere el uso de tests estadísticos
de significancia por dos razones:
1. sí las diferencias en las respuestas son grandes al ser
comparadas con el error experimental, el simplex se
mueve en la dirección correcta.
2. sí las diferencias son bastante pequeñas para ser
afectadas por el error experimental, el simplex se mueve
en la dirección equivocada. Incluso, un movimiento
en la dirección equivocada provocaria una respuesta
indeseable, que rapidamente produciria una corrección
en la dirección tomada, a través de las Reglas nos 2
e 3, y el simplex aunque momentáneamente fuera de
curso, volveria nuevamente en dirección al óptimo.
Se debe llevar en cuenta que el método Simplex no puede
ser utilizado en la determinación de variables cualitativas,
del tipo presencia o no de un determinado factor. La
aplicación de este método también no es aconsejable caso
las condiciones experimentales sean de dificil control u
obtención, además que sólo es posible optimizar un factor
por vez.
En particular, en el uso del método simplex básico, tres
limitaciones son evidentes:
Primero: El óptimo solamente es localizado con precisión
por casualidad.
Segundo: Un óptimo falso puede ser localizado, tal como
se puede observar en la Figura 7.
Tercero: El progreso del simplex en direción al óptimo
solamente puede ser efectuado en una proporción
constante.
Estos inconvenientes motivaron la modificación del
método simplex básico, convirtiéndolo más eficiente en
la búsqueda del óptimo, originando el método simplex
modificado (MSM).
O método simplex modificado
En 1965, Nelder y Mead [7], propusieron modificaciones
en el procedimiento original de movimentación del
simplex básico, que permitió obtener un punto óptimo
estacionário con suficiente precisión y claridad, además
de permitir un desarrollo mas rápido del simplex en
dirección al óptimo, originando el denominado Método
Simplex Modificado (MSM), donde pueden ser alterados
el tamaño y la forma del simplex. Las reglas de movimiento
Chemkeys. Licenciado por Creative Commons (BY-NC-SA)
del método Simplex básico son válidas y a estas fueron
aumentadas, por Nelder y Mead, otras que caracterizan
el MSM, volviéndolo provablemente el más aplicado en
química
Reglas para el movimiento del simplex modificado
Las reglas adicionales de movimentación del Método
Simplex Modificado [1,7], pueden ser mejor entendidas
con el auxilio de la Figura 8.
Figura 8 - Andamiento del Método Simplex Modificado
Considere el simplex inicial representado por B, N y
W en la figura 8. Suponga que W es el vértice que dá
la peor respuesta, B la mejor respuesta y N la segunda
peor respuesta. Así, como en el método simplex básico, el
primer movimiento del simplex modificado es la reflexión
y los vértices para la movimentación del simplex pueden
ser resumidos por la ecuación:
P = Pc + b (Pc - W)
P = vértice para el movimiento del simplex
Pc= centroide.
W = vértice correspondiente a la peor respuesta.
b = coeficiente de movimiento del simplex.
En el método simplex básico, el único valor permitido
para el andamiento del simplex es b = 1, correspondiente a
la reflexión, generando el vértice R. Sin embargo, para el
Método Simplex Modificado otros valores son permitidos
y definidos después de cada observación de la respuesta en
comparación con las respuestas obtenidas en los vértices
originales representados por B, N y W.
Existen cuatro posibilidades con relación a la respuesta
obtenida en R para ser consideradas, las cuáles generan las
siguientes reglas de movimiento del simplex modificado
(observe la Figura 8):
Regla nº 1: Sí la respuesta en R fuera mejor que la
respuesta en B, indica que el simplex está caminando en
la dirección correcta. Se debe realizar una expansión del
 Chemkeys - Libertad de aprender

simplex inicial. Haciendo b = 2 se duplica el tamaño del

simplex en la dirección deseada y se realiza el experimento
en S. Sí la respuesta en S fuera mejor que las anteriores, el
nuevo simplex será SBN.

Regla nº 2: Sí la respuesta en R fuera peor que en W,

significa que el simplex además de no estar caminando
en la dirección correcta, está con tamaño inadecuado. Se
debe realizar una contracción con cambio en la dirección
del simplex RNB, generando el vértice T, para el cual b =
- ½ . Sí la respuesta en T fuera mejor que en W, el nuevo
simplex será BNT.

Regla nº 3: Sí la respuesta en R fuera peor que en N, pero
mejor que en W, significa que el simplex está muy grande,
pero en la dirección correcta. Se hace una observación en
U (b = ½). Sí la respuesta en U fuera intermediaria entre
B y N, el nuevo simplex será BUN, osea, se hace una
contracción
Regla nº 4: Sí la respuesta en R fuera intermediaria entre
B y N, estas operaciones no son recomendables y el nuevo
simplex será BRN, procediéndose como en el caso del
simplex básico
Figura 9 - Contracción Brusca un simplex.
La idea, aunque efectiva, sufre dos desventajas. La
primera, que requiere de la evaluación de los nuevos k
vértices del simplex reduzido para que el proceso de
optimización pueda continuar (donde k es el número de
factores del procedimento en optimización). La segunda,
es que el tamaño del simplex, cada vez que ocurre una
contracción brusca, es reducido y esto puede resultar en
la convergencia prematura del simplex en la presencia del
error experimental.

Los movimientos del simplex modificado están resumidos

en la Tabla 3. Los valores de b, correspondientes a la
expansión y contracción del simplex pueden asumir Método simplex super modificado
valores diferentes de los relacionados en la tabla 3, pero
en general estos son los más usados. Existe aún un algoritmo más sofisticado para la
optimización utilizando el método simplex, el simplex
Tabla 3 - Movimientos del simplex modificado super modificado [8]. En este método la forma y el
Coeficiente, b Vértice Movimiento tamaño del simplex pueden ser ajustados de acuerdo con
2 S Expansão las características de la superficie analisada, haciendo la
-½ T CMD* búsqueda por el óptimo aún más eficiente. Sin embargo,
el tratamiento matemático necesário para su desarrollo se
½ U Contração
vuelve más complejo, involucrando el ajuste de equaciones
1 R Reflexão polinomiales, además, siendo necesario realizar un
* CMD, contracción con cambio de dirección experimento más a cada movimiento del simplex.

Cuando los recursos adicionales de movimiento del

simplex (MSM) se muestren equívocos (principalmente
la contracción), es decir, el simplex no se mueve, se
recomienda una reducción del simplex, también llamada
de Contracción Brusca. Es decir, se conserva el vértice
B del simplex y se hacen nuevas observaciones para
determinar los otros vértices nuevos N’ y W’, representados
en la Figura 9 y determinados de la siguiente forma:
N’ = (B + N) / 2 e W’ = (B + W) / 2
Método do planejamento fatorial
El planeamiento factorial ha sido muy aplicado en
investigaciones básicas y tecnológicas y está clasificado
como un método del tipo simultaneo, donde las variables de
interés que realmente presentan influencias significativas
en la respuesta son evaluadas al mismo tiempo [9,10].

Para realizar un planeamiento factorial, se escojen las

Chemkeys. Licenciado por Creative Commons (BY-NC-SA)

 Chemkeys - Libertad de aprender

variables a ser estudyadas3 y se efetuan experimentos con
diferentes valores de estes fatores4. A continuación son
realizados experimentos para todas las combinaciones
posibles de los niveles seleccionados [4,10].
La Tabla 4 ejemplifica un planeamiento factorial
donde son llevadas en cuenta 3 variables: temperatura
y concentración, que son cuantitativas, y la especie de
catalisador, que es una variable cualitativa [11].
Si bién en el ejemplo de la Tabla 4, las 3 variables hayan
sido estudiadas con el mismo número de niveles, se puede
tener planeamientos factoriales en que sea interesante
explotar una o más variables con un número de niveles
diferente que las demás. De esta forma la representación
del factorial pasa a ser, por ejemplo, 2¹ x 3¹ x 5¹, esto
es, 2, 3 y 5 son niveles para las variables b1, b2 e b3,
respectivamente.

Tabela 4 - O Planejamento fatorial de três variáveis e dois níveis.

Variables Niveles seleccionados Realización de experimentos y cálculo del error
Temperatura (T), °C 160 180 experimental
Concentración (C), % 20 40
Catalisador, (K) A B
Algunos cuidados deben ser observados para que se
pueda obtener la máxima información en la realización
Combinaciones
del planeamiento factorial. Entre estos se encuentran la
exp,y T C K necesidad de realizar repeticiones de algunos ensayos
1 160 20 A para que se pueda estimar el error experimental. Los
2 180 20 A replicas deben ser repeticiones auténticas5, debiendo
3 160 40 A representar adecuadamente el espacio experimental en
el cual el planeamiento factorial fue desarrollado. Otro
4 180 40 A
cuidado a ser observado se refiere a la realización de
5 160 20 B los experimentos. Es importante que todos los ensayos
6 180 20 B y replicas previstos en el desarrollo del factorial sean
7 160 40 B realizados de forma aleatoria. Estos cuidados tienen
8 180 40 B por objetivo evitar distorsiones estadísticas que puedan
comprometer la calidad de los resultados obtenidos y de
De una manera general, el planeamiento factorial puede los efectos calculados para las variables estudiadas.
ser representado por ba, donde “a” es el número de factores
“b” es el número de niveles escojidos. En el ejemplo En los planeamientos experimentales donde las variables
mostrado en la Tabla 4, se verifica que fueron escojidos son exploradas en 2 niveles es común codificarlos usando
dos diferentes niveles para los 3 factores; temperatura, los signos (+) y (-). El atributo de estos signos a los niveles
concentración y catalisador. En función de este número de superiores o inferiores es hecho de forma arbitraria y
factores y de niveles, este planeamiento factorial puede ser no interfiere en la realización de los experimentos o
indicado como siendo 2³, lo que ya sugiere que el número interpretación de los resultados, además de permitir
de experimentos diferentes a ser realizados es 8. esquematisar el planeamiento en la forma de matrices
de planeamiento6. A partir de estas consideraciones, el
En general, los planeamientos factoriales del tipo 2a son ejemplo anterior puede ser representado por la Tabla 5,
los más comunes. Uno de los aspectos favorables a este tipo donde los resultados de las medidas en duplicado y sus
de planeamiento es la realización de pocos experimentos. medias son mostradas. La respuesta sería, por ejemplo, el
Es óbvio que con un número reducido de niveles no es rendimiento de una planta piloto industrial.
posible explorar de manera completa una región grande
Tabla 5 - Matriz de Planeamiento
en el espacio de las variables. Por lo tanto podemos
observar tendencias importantes para la realización de Nivel Nivel
Variables
investigaciones posteriores. bajo alto
Temperatura (T), °C 160 (-) 180 (+)

3
Las variables en estudio son usualmente llamadas factores.
4
Los diferentes valores escojidos para estudiar los factores son usualmente llamados niveles.
5
Repeticiones auténticas son replicas donde todas etapas del procedimento, incluyendo las más elementales, son repetidas.
6
Las matrices de planeamiento son tablas utilizadas para organizar las informaciones relacionadas al desarrollo de un planeamiento factorial.
Estas matrices son particularmente útiles cuando más de 2 variables son estudiadas al mismo tiempo.

Chemkeys. Licenciado por Creative Commons (BY-NC-SA)

10 Chemkeys - Libertad de aprender

Concentración (C), % 20 (-) 40 (+) Concentración (C), % 20 (-) 40 (+)

Catalisador, (K) A (-) B (+) Catalisador, (K) A (-) B (+)
Replicas
exp,y T C K Primera Segunda Media Interacciones Replicas
1 - - - 59 61 60 exp,y T C K TC TK CK TCK 1ª 2ª Média
2 + - - 74 70 72 1 - - - + + + - 59 61 60
3 - + - 50 58 54 2 + - - - - + + 74 70 72
4 + + - 69 67 68 3 - + - - + - + 50 58 54
5 - - + 50 54 52 4 + + - + - - - 69 67 68
6 + - + 81 85 83 5 - - + + - - + 50 54 52
7 - + + 46 44 45 6 + - + - + - - 81 85 83
8 + + + 79 81 80 7 - + + - - + - 46 44 45
8 + + + + + + + 79 81 80
Esta codificación de variables, aunque paresca desnecesaria,
es de gran ayuda cuando se realizan los cálculos para
determinar cual es la influencia de las variables estudiadas
Cálculo de los efectos principais
y de sus interacciones en el sistema en estudio.
El efecto principal es calculado como la media de los
efectos individuales y permite definir cual es el efecto
medio de la variable examinada sobre las condiciones de
Cálculo de los efectos principales y de interacción las demás variables, usando la Tabla de Coeficientes en
Contraste (signos (+) y (-) en la Tabla 6). Matematicamente
Los efectos son definidos como “la variación ocurrida en el efecto principal puede ser representado por:
la respuesta, cuando esta se mueve del nivel bajo (-) hacia
el nivel alto (+)” y pueden ser clasificados en dos categorias: Efecto Principal = 2(∑y+ - ∑y-)/(ba)
efectos principales7 y efectos de interacción8.
Donde: y corresponde a la media de los efectos individuales
Para el cálculo de los efectos, además de la codificación de la medida; ( + ) y (-) corresponde al nivel alto y nivel
de las variables utilizando los signos (+) y (-), es necesario bajo, respectivamente; y corresponde al número total de
incluir 4 columnas más en la matriz de planeamiento del experimentos del planeamiento.
ejemplo citado (Tabla 6). El contenido de estas cuatro
columnas representan el efecto de la interacción entre Ejemplo: Efecto de la Temperatura, (T):
las variables y es obtenido llevando en cuenta los signos
ya atribuidos a las variables involucradas, como sí fuese Para el ejemplo de la Tabla 6, tenemos:
una operación matemática de multiplicación. Para el caso
del experimento en la Tabla 6, la interacción entre la ∑y+ = y2 + y4 + y6 + y8 = 72 + 68 + 83 + 80 = 303
temperatura (-) y la concentración (-), genera un signo (+), ∑y- = y1 + y3 + y5 + y7 = 60 + 54 + 52 + 45 = 211
característico de la interacción entre T y C, representado
como (TC). Todas las otras interacciones pueden ser Sustituyendo en la equación:
tratadas de la misma forma.
(T) = 2 (303 - 211) / 8 = 23
Tabla 6 - Matriz de planeamiento conteniendo los efectos de
interacción
Una otra manera de llegar al mismo resultado sería usar el
Nivel Nivel
Variáveis
bajo alto
esquema del cálculo mostrado a continuación:
Temperatura (T), °C 160 (-) 180 (+)

7
Efecto principal es el efecto causado en el sistema químico por una de las variables cuando sus niveles pasan de un valor para otro.
8
Efecto de interacción es el efecto causado en el sistema en estudio por la interación de variables. Pueden ser de segundo, tercero o de orden
superior, de acuerdo com el número de factores considerados en la optimización.

Chemkeys. Licenciado por Creative Commons (BY-NC-SA)

11 Chemkeys - Libertad de aprender

Temperatura Concentração Catalisador (-) 20

Y= y2- y1= 72 - 60 = 12 20 A
Diferença 24,5 - 21,5 = 3,0
Y= y4- y3= 68 - 54 = 14 40 A
Y= y6- y5= 83 - 52 = 31 20 B Efeito de
interação, TC
Y= y8- y7= 80 - 45 = 35 40 B
92
Efeito Principal da Temperatura = 92/4 = 23,0

Observe que en este procedimiento, el efecto principal Efeito Trifatorial (ou de 3 ordem), (TCK):
fue calculado a través de la diferencia entre los ensayos
para los 2 niveles de temperatura, fijando la concentración En este caso, la interacción trifactorial Temperatura x
y el catalisador. Esta forma de calcular, si bién no es la Concentración x Catalisador, (TCK), puede ser definida
más práctica, conforme descrito por la fórmula, permite como:
verificar exatamente lo que ocurre en la mudanza de
niveles de la variable estudiada. La sumatoria de los
efectos individuales calculados es entonces dividida por
4, obteniéndose la media de los efectos, correspondiente
al efecto principal de la temperatura. Numericamente tendriamos para el ejemplo de la Tabla
6:

Efectos secundarios de Interacción (o de 2 orden):

Considerando, por ejemplo, las variables Temperatura y
Concentración, podemos escribir, de modo análogo, que
el efecto de interacción entre estas dos variables, (TC),
será dado por:
(TC) = 2[(∑y++ + ∑y-) - (∑y-+ + ∑y+-)]/ba
Note que la primera sumatoria entre paréntesis corresponde
a la suma de los valores medios cuyos productos de los
signos indicadores de los niveles individuales resultan en
un valor positivo para (TCK) y la segunda sumatoria de
los términos entre paréntesis corresponden a los valores
cuyos productos de los signos indicadores de los niveles
individuales resultan en valores negativos para (TCK).

Numericamente, para el ejemplo dado en la Tabla 6, Analogamente a los casos anteriores, una otra manera de
tenemos que: llegarse al mismo resultado, es considerando la mitad de
la diferencia entre las interacciones de TK para los dos
∑y++ = y4- y8 = 68 + 80 = 148 niveles de concentración, C.
∑y-- = y1- y5 = 60 + 52 = 112
∑y+- = y2- y6 = 72 + 83 = 155 Interación TK con nivel de C alto (+):
∑y-+ = y3- y7 = 54 + 45 = 99

De esta forma:

(TC) = 2[(148 + 112)-(155 + 99)]/23 = 1,5 Interación TK con nivel de C bajo (-):
Esto significa que el efecto de interacción está dado por
la media de la diferencia entre las medias del efecto de la
temperatura en relación al nivel alto (+) y nível baixo (-) de
la concentración. Un esquema de cálculo alternativo para
los experimentos descritos en la Tabla 6 sería Diferencia = 10,5 - 9,5 = 1,0

Concentração Média do efeito temperatura Efecto de interación TCK =

(+) 40

Chemkeys. Licenciado por Creative Commons (BY-NC-SA)

12 Chemkeys - Libertad de aprender
Cálculo de la desviación estandar para los efectos
Se puede demostrar que para un factorial del tipo , la
estimativa de la varianza de los efectos puede ser dada
por:
donde: n corresponde al número de replicas de cada
conjunto, a es el número de factores y S² es la estimativa
muestral de la varianza de la población.
Asumiendo que existen n replicas para cada uno de los 2a
experimentos del planeamiento (en el caso, 2³), y sí yi1, y i2,
y i3, ..., y in son observaciones del i-ésimo experimento, se
puede decir que:
es una estimativa de la varianza para el i-ésimo
experimento, donde i=1,2,3,..., 2aȳi es la media respectiva.
Combinando las estimativas de los 2a experimentos, se
tiene la estimativa de la varianza total:
Considerando entonces que S² es una buena estimativa de
la varianza poblacional s2, puede escribirse como:
Para el ejemplo mostrado en la Tabla 6, tenemos n=2 (dos
replicas); a=3 (tres factores), y el valor de s2 estará dado
por
Efectuando la sumatoria, , de tal forma
que:
Chemkeys. Licenciado por Creative Commons (BY-NC-SA)
Así, los efectos y la desviación estandar del efecto del
factorial del ejemplo serán:
Temperatura = 23,0 ± 1,4
Efecto Principal Concentración = -5,0 ± 1,4
Catalisador = 1,5 ± 1,4
TC = 1,5 ± 1,4
Efecto Secundário TK = 10,0 ± 1,4
CK = 0,0 ± 1,4
Efecto Terciário TCK = 0,5 ± 1,4
Interpretación de los efectos del factorial
La interpretación del resultado puede ser facilitada con
el auxílio de la Figura 10, en la cual están representadas
graficamente las respuestas obtenidas para los experimentos
realizados en función de las variables estudiadas. Este
tipo de representación es bastante utilizada y tiene como
objetivo dar una visión global de como las variables
optimizadas actuan sobre la respuesta del sistema químico
en estudio.
Figura 10 - Representación del ejemplo de factorial 2³.
Analizando los valores de los efectos (principal y de
interacción) y considerándose la desviación estandar de
estos efectos, se puede concluir basicamente que:
1. Las informaciones obtenidas por el cálculo de los
efectos principais indican que la temperatura tiene un
efecto positivo marcante (+23) y que la concentración
tiene efecto sensible, pero opuesto (-5).
2. Por los cálculos de los efectos secundarios se nota
que los efectos de la temperatura y del catalisador no
13 Chemkeys - Libertad de aprender
pueden ser interpretados separadamente, en razón del
gran valor de interacción entre ellos (+10). Los otros
efectos de interacción son despreciables.
Así, este análisis sugiere que el mejor rendimiento deberia
ser obtenido con el catalisador B, temperatura más elevada
y concentración más baja.
A partir de este ejemplo se nota que el planeamiento
factorial no determina valores óptimos en una única
etapa, mas este procedimiento indica satisfactoriamente
el caminho a ser tomado para que se pueda alcanzar el
objetivo propuesto.
Planeamiento factorial fraccionado
Es evidente que en el método del planeamiento factorial,
el número de experimentos puede ser muy elevado,
mismo tratándose de un factorial de dos niveles, pués esto
depende del número de variables que serán evaluadas. Sin
embargo, de manera general, las interacciones de orden
alto (tercero, cuarto o superiores) son pequeñas y pueden
ser confundidas con la desviación estandar de los efectos.
De esta forma, es posible efectuar un planeamiento
factorial parcial sin que sea necesaria la determinación de
todos los parámetros de interacción. En este caso, se puede
disminuir el número de experimentos y aún determinar
los efectos más importantes (principales y de interacciones
de segundo orden). Este tipo de planeamiento factorial es
llamado de Planeamiento Factorial Fraccionado [10,12].
Los factoriales fraccionados más aplicados son los del
tipo 2(a-1), y son llamados de “1/2 factorial”, donde a =
de variables estudiadas. Factoriales con otras fracciones
también pueden ser aplicados. Un factorial fraccionado
2(4-1) (es decir, cuatro variables a dos niveles cada una) es
ejemplificado en la tabla 7.
Tabla 7: Ejemplo de factorial fraccionado 2(4-1).
Variables
Experimentos A B C D forma simple de utilización de la técnica para procesos
1 - - - - continuos.
2 + - - +
3 - + - +
4 + + - -
5 - - + + factorial común.
6 + - + -
Chemkeys. Licenciado por Creative Commons (BY-NC-SA)
7 - + + -
8 + + + +
Construção do Planejamento Fatorial Fracionado 2(a-
1)
:
CComo ejemplo, tomemos el Factorial Fraccionado 2(4-1),
citado en la Tabla 7.
1. Se hace el planeamiento factorial 2³ completo (4 - 1 =
3) en las variables A, B e C.
2. Los signos de las columnas A, B y C son multiplicados
y se encuentra el signo para la variable D, para cada
uno de los experimentos a ser realizados.
Los efectos y la desviación estandar de los efectos, en este
tipo de factorial, son calculados de la misma forma que
son calculados en el planeamiento factorial completo. La
ventaja que el planeamiento factorial fraccionado presenta
sobre el planeamiento factorial completo, es la de permitir
evaluar los efectos principales y de interacciones de
segundo orden con un número menor de experimentos.
Por otro lado, la desventaja evidente es que para evaluar
los efectos de interacción de orden superior es necesario
completar el factorial con experimentos adicionales.
Las aplicaciones más significativas del planeamiento
factorial fraccionado han sido para conocerse el
comportamiento de las variables en sistemas complejos y
evaluar el comportamiento de interferentes en métodos
analíticos [10,12].
Fatorial EVOP - Evolutionary Operation
Una otra variación del planeamiento factorial es el llamado
Factorial EVOP (Evolutionary Operation), que no se
trata de modificación del método básico, sino, de una
Sus características mas importantes son:
1. Es efectuado durante un proceso continuo, que
no puede ser parado para efectuar el estudio con el
2. Para evitar grandes mudanzas en el proceso, solo
pequeños intervalos en los niveles de las variables son
estudiados.
14 Chemkeys - Libertad de aprender

3. Para determinar el efecto de esta mudanza, son
hechas diversas medidas en estas condiciones (número
de veces mayor que lo normalmente utilizado en
la escala de laboratório) y se hace una media de las
observaciones.
4. Es realizado por operadores de procesos y en el propio
proceso.
5. Es efectuado mientras el proceso se realiza,
así no pueden ser estudiadas muchas variables
simultáneamente, máximo 2 ó 3.
6. El costo de la aplicación del EVOP es bajo.
7. Se acostumbra adoptar el factorial 2² con un punto
central.
8. Después de analisar los resultados, se ejecutan nuevos
factoriales desplazando las variables en el sentido
indicado por el factorial anterior. Se repite este
proceso hasta encontrar las condiciones óptimas.
Método de análisis de la superficie
de respuesta
factorial de primer orden9. A través del ejemplo mostrado
a continuación ilustraremos tal procedimento:
Ejemplo: “Determinar los valores de tempo (t) y
temperatura (T) que producen un rendimento químico
máximo [10].
A través de un planeamiento factorial anterior, se verificó
que hay un máximo con el tempo de 75 min, temperatura
de 130 °C y que s = 1,5.
Planeamiento de primer orden:
Tomando el punto inicial, t = 75 min y T = 130 °C, como
punto central y variando el tiempo de 70 para 80 min
y la temperatura de 127,5 para 132,5 °C, se construye
un planeamiento factorial 2² con punto central y con
variables escaladas.
Escalonamento de las variables: Xn = (X - Xi) / (∆X/2)

Este método es clasificado como un método simultáneo, Xn = variable escalonada,

siendo utilizado en la etapa de optimización propiamente Xi = valor inicial
dicha. Su aplicación permite seleccionar la combinación ∆X = escalón o paso, entonces;
de niveles óptimos en la obtención de la mejor respuesta
para una dada situación [7]. X1 = (Tempo - 75)/5 e X 2 = (Temperatura - 130,0)/2,5

En el método de análisis de la superficie de respuestas Las variables escalonadas, los experimentos previstos y
son realizados planeamientos factoriales, y los resultados sus resultados son mostrados en la Tabla 8.
son ajustados usando modelos matemáticos. Estas
etapas son conocidas como etapa de desplazamiento y Tabla 8: Resultados del planeamiento factorial 2² por triplicado en el
modelamiento, respectivamente, son repetidas várias punto central
veces, mapeando la superficie de respuestas obtenida en Variables
la dirección de la región del punto óptimo deseado. El Reales Escalonadas Respuestas
modelamiento normalmente es hecho ajustándose los
Experimento t (min) T (ºC) X1 X2 Rend., g
modelos más simples, como el lineal y el cuadrático.
1 70 127,5 -1 -1 54,3
Al mismo tiempo, el planeamiento factorial, ejecutado
generalmente, consiste de un número pequeño y pré - 2 80 127,5 +1 -1 60,3
determinado de experimentos, que son escogidos a través
3 70 132,5 -1 +1 64,6
del ajuste conseguido para el modelo que fue aplicado en
la etapa inmediatamente anterior. Otro detalle importante 4 80 132,5 +1 +1 68,0
es el uso de variables en forma escalada, de forma que
5 75 130,0 0 0 60,3
su tamaño no interfiera en el desarrollo del proceso de
optimización. Los cuidados para la realización de los 6 75 130,0 0 0 63,3
experimentos y de sus replicas deben ser observados.
7 75 130,0 0 0 62,3
Comunmente el modelamiento es iniciado utilizándose
el modelo lineal. Para eso se realiza un planeamiento
9
O planejamento fatorial de primeira ordem consiste num fatorial 2², mais um ponto central. Desta forma são examinados 3 níveis para cada
variável, o que permite verificar se há ou não ajuste do modelo linear. Devem ser realizadas replicatas do ponto central para estimar o desvio
padrão dos experimentos . É possível verificar ainda qual a curvatura da superfície de respostas.

Chemkeys. Licenciado por Creative Commons (BY-NC-SA)

15 Chemkeys - Libertad de aprender
Esquematicamente podemos representar el planeamiento
factorial adoptado en términos de las variables escalonadas,
como en la Figura 11
Figura 11 - Representación gráfica del planeamiento factorial 2².
Este planeamiento es denominado de Plano de Primer
Orden porque permite el ajuste de un modelo polinomial
de primer grado del tipo:
Y = β0 + β1X1 + β2X2 + ξ
Este modelo es escojido inicialmente porque en esta etapa
de la investigación, normalmente se piensa estar a una
distancia alejada del máximo. Y el plano escojido:
1. permite al modelo planar estar suficientemente
ajustado,
2. permite la realización de exámenes para determinar sí
el modelo está teniendo una representación adecuada,
y 2²) con YC (media de las medidas en el centro del plano).
3. dá alguna estimativa del error experimental.
Los valores de los coeficientes del polinómio de primer
grado pueden ser estimados a través de la resolución por
mínimos cuadrados donde de forma directa tendremos
que:
β0 es la media de las siete observaciones, esto es, β0 =
62,01.
El coeficiente β1 es la variación que ocurre en la respuesta
cuando X1 es cambiado en una unidad (escalonada).
El efecto lineal principal en un planeamiento factorial
con variables escalonadas, es decir, es la mudanza en la
respuesta cuando X1 es variado de -1 para +1 , esto es,
dos unidades. Entonces β1 es la mitad del efecto lineal
principal, osea, β1 = 2,35. Similarmente, β2 = 4,50.
Entonces,
Y = 62,01 + 2,35 X1 + 4,50 X 2
(±0,57) (±0,75) (±0,75)
Chemkeys. Licenciado por Creative Commons (BY-NC-SA)
donde la desviación estandar de cada coeficiente de la
ecuación es calculada suponiendo que, s = 1,5, y :
p = número de parâmetros
S= [pσ2 / n]½ onde
n = número de ensaios
Para: β0 → p=1 en=7
β1 → p=1 en=7
β2 → p=1 en=7
Aunque, el intento de cálculos por mínimos cuadrados
asuma como el más adecuado, el modelo planar de
primer orden, el planeamiento escojido permite hacer la
verificación de tal suposición.
El modelo planar supone que los efectos de las variables
son acumulativos. Las interacciones entre las variables
podrian ser medidas por el coeficiente β12 del producto
cruzado del término X1X 2 adicionado en el modelo. Este
coeficiente es calculado por:
β12 = ¼ [(1)(54,3)+(-1)(60,3)+(-1)(64,6)+(1)(68,0)] = -0,65
La desviación estandar de esta estimativa es 0,75, la misma
que para β1 y β2 (fue usado s = 1,5 como anteriormente),
por lo tanto, la interacción X1X 2 es despreciable.
Otra verificación de la planaridad local es dada por la
comparación YF (media de los cuatro puntos del factorial
Admitiendo que el plano este situado sobre una superficie
curva en forma de “dulceras”, el valor de YF - YC, es
una medida de la curvatura de la superficie. Se puede
demostrar también que sí β11 y β22 son coeficientes de
los términos X12 y X 22, respectivamente, la medida de la
curvatura puede ser un estimado de β11 + β22. Entonces el
estimado de la curvatura total es:
Usando s = ± 1,5, tenemos que la desviación estandar de
esta estimativa es ± 1,15. Por lo tanto, no hay razón para
cuestionar el uso del modelo planar en este ejemplo, ya
que:
β12 = -0,65 ± 0,75
β11 + β22 = -0,50 ± 1,15
Entonces aceptando la ecuación de contorno para aquella
región de superficie, tenemos:
62,01 - Y + 2,35 X1 + 4,50 X 2 = 0
Haciendo Y = 56; 60; 64 y 68, respectivamente, tendremos
16 Chemkeys - Libertad de aprender

una serie de ecuaciones espaciadas paralelamente, tal experimentos convenientes fue escojida sobre el camino
como lineas de contorno rectas (Figura 12). de subida máxima en las condiciones definidas por este
camino, conforme mostrado en la Tabla 9.

Tabla 9 - Camino de subida hacia el máximo

Variables
Reales Escalonadas Respuestas
Experimento t (min) T (ºC) X1 X2 Rend., g
0 75 130,0 0 0 62,3*
1 80 134,8 1 1,91 73,3
2 90 144,4 3 5,74 86,8
3 100 153,9 5 9,57 58,2
* Media de los resultados del punto central.
Figura 12 - Lineas de contorno para la superficie de respuestas. 62,01
- Y + 2,35 X1 + 4,50 X 2 = 0 (x) pontos do planejamento fatorial.
El experimento 3 dió un rendimiento de 58,2 menor
El Camino de Subida hacia el Máximo corresponde 10 que el rendimiento del experimento 2, indicando que el
a una linea perpendicular a las lineas de contorno de movimiento de 2 para 3 fue muy grande, pasando la región
la superficie de respuestas, partiendo del punto central de mejor respuesta. Por lo tanto, la región comprendida
del planeamiento factorial en dirección a regiones de entre 90-100 min y 144-154 °C debe ser más explorada.
respuestas mejores. El camino de subida máxima puede
ser obtenido a través del gráfico (Figura 13) o calculando
los valores de los puntos como se indica a continuación:
Segundo planeamiento de primer orden:

Un nuevo planeamiento fatorial 2² con punto central

situado próximo al experimento 2 (Tabla 9) es efectuado
(es decir, tiempo de 90 min y temperatura de 145 °C).
Este planeamiento exploró la región: tiempo 80 a 100 min
y temperatura 140 a 150 °C, y los resultados se encuentran
en la Tabla 10.

Tabla 10 - Segundo planeamiento factorial 2²con replicas en el punto

central
Variables
Reales Escalonadas Respuestas
Experimento t (min) T (ºC) X1 X2 Rend., g
1 80 140,0 -1 -1 78,8

Figura 13 - Lineas de contorno para la superficie de respuestas del 2 100 140,0 +1 -1 84,5
camino de subida hacia el máximo. 62,01 - Y + 2,35 X1 + 4,50 X 2 = 0
(x) puntos del planeamiento factorial; (o) camino de subida hacia el 3 80 150,0 -1 +1 91,2
máximo.
4 100 150,0 +1 +1 77,4

Comenzando del centro de la región experimental, el 5 90 145,0 0 0 89,7

camino seguido es el movimiento simultaneo de β2 = 6 90 145,0 0 0 86,8
+ 4,30 unidades en X 2 para cada β1 = + 2,35 unidades
movidas en X1, o equivalente a 4,50 / 2,35 = 1,91 unidades
en X 2 para cada unidade en X1. Aplicando nuevamente el modelo polinomial de primer
grado tenemos la equación de la superficie de respuestas:
Para el ejemplo adoptado anteriormente, una serie de

10
Sí el planeamiento experimental fuera desplazado en esta dirección el progreso en la dirección al óptimo será más rápido y eficiente.

Chemkeys. Licenciado por Creative Commons (BY-NC-SA)

17 Chemkeys - Libertad de aprender

Y = 84,73 - 2,03 X1 + 1,33 X 2

(±0,61) (±0,75) (±0,75)

Aplicando nuevamente el modelo polinomial de primer

grado tenemos la ecuación de superficie de respuestas:

β12 = -4,88 ± 0,75

β11 + β22 = -5,28 ± 1,15

Estos valores muestran que la situación actual la ecuación

polinomial de primer grado es inadecuada para representar
la función de respuesta local.

Figura 14 - Representación del planeamiento factorial compuesto. (x)

Planejamento de segunda ordem puntos de la primera región explorada; (o) planeamiento estrella.

Debido a que la aproximación polinomial de primer grado El ajuste de la ecuación de segundo grado por mínimos
se mostró inadecuada en la nueva región experimental, cuadrados para los resultados del planeamiento factorial
una aproximación polinomial de segundo grado deberá compuesto (experimentos de 1 a 12, Tablas 10 y 11)
ser considerada ahora: generan la siguiente ecuación:

Y = β 0 + β1X1 + β2X 2 + β11X12 + β22X 22 + β12X1X 2 + ξ Y = 81,36 - 1,39X1 + 0,37X 2 - 2,15X12 - 3,12X 22 - 4,88X1X 2

Para estimar eficientemente los seis coeficientes de este
modelo y para obtener un análisis y determinación del error
apropiados, el segundo factorial (Tabla 10) fue ampliado
con un planeamiento tipo estrella11. Este planeamiento
está constituido por cuatro puntos axiales y dos nuevas
replicas para el punto central, tal como mostrado en la
Tabla 11.
Se recomienda el uso de programa computacional de
múltiple regresión lineal para obtener los coeficientes
de estas ecuaciones, lo que disminuye la probabilidad de
errores en la manipulación de los números. Con respecto
a la ecuación de segundo grado para la superficie de
respuestas, tenemos que la verificación de la validez del
modelo nos dá:

Tabla 11 - Planeamiento factorial complementar tipo estrella β111 - β122 = 1,28 ± 1,06
Variables β222 - β122 = -1,93 ± 1,06
Reales Escalonadas Respuestas
Se nota que el modelo polinomial de segundo grado es
Experimento t (min) T (ºC) X1 X2 Rend., g
ligeramente inadecuado, por lo tanto:
7 76 145,0 -(2)1/2 0 83,3
8 104 145,0 +(2)1/2 0 81,2 1. se acepta el modelo;
2. se desplaza el sistema más cerca al máximo, o
9 90 138,0 0 -(2)1/2 81,2
3. se busca un modelo con polinómio de tercer grado.
10 90 152,0 0 +(2)1/2 79,5
En este ejemplo del método de la superficie de respuestas,
11 90 145,0 0 0 87,0
admitiendo, por lo tanto, que los efectos de tercer orden
12 90 145,0 0 0 86,0 son insignificantes, debido a la maximización analítica de
la ecuación polinomial de segundo grado que representa
Reuniendo los puntos experimentales de las Tablas 10 y 11 la superficie de respuestas, se llega a los valores de X1 y
podemos tener una visión de las regiones de las variábles X 2 que maximizan Y. Se obtiene, por lo tanto los valores
que fueron exploradas, tal como representado en la Figura de tiempo de reacción y temperatura que tornan el
14. rendimiento máximo

11
El factorial del tipo estrella surge al adicionar al planeamiento ya existente, utilizado para el ajuste del modelo lineal, un planeamiento idéntico,
pero girado 450 con relación a la orientación del planeamiento inicial

Chemkeys. Licenciado por Creative Commons (BY-NC-SA)

18 Chemkeys - Libertad de aprender

8. Routh,M.W.; Swartz,P.A.; Denton,M. B., “

Performance of the super modified simplex” Anal.
Chem. 1977,49: 1422-1428.

9. Barros Neto, B.; Scarmínio, I.S.; Bruns, R.E.,

“Planejamento e Otimização de Experimentos”.
Editora da Unicamp, Campinas, 1995.

10. Brereton, R. G., “Chemometrics in Analytical

Chemistry - A Review”, Analyst, 1987, 112: 1635 -
1657.

11. Box, G. P. G.; Hunter, W. G.; Hunter, J. S., “Statisics

for Experimenter: An Introduction To Design, Data
Analysis And Model Building”. John Wiley & Sons,
New York, 1978.
Figura 15 - Lineas de contorno de la superficie de respuestas.
12. Legret, M.; Divet, L., “Application of Factorial -
designs in Optimization of the Determination of
Lead by Electrotermal atomization”, Analusis, 1988,
Referencias 16: 97 - 106.

1. Burton, K.W.C.; Nickless, G., “Optimization Via

Simplex. Part I. Background, definitions and a simple
application”. Chemometrics Intell. Lab. Syst., 1987,
1: 135- 149.

2. Beveridge, G.S.G.; Schechter, R.S., “Optimization:

Theory and Practice”. McGraw-Hill, New York,
1970.

3. Deming, S.N.; Morgan, S.L., “Simplex

Optimization of Variables in Analytical Chemistry”,
Anal. Chem., 1973, 45: 278 A-283 A.

4. Eiras, S.P.; Cuelbas, C. J.; de Andrade, J.C., “Um

Estudo Comparativo sobre a Eficiência de Estratégias
Quimiométricas de Otimização”, Quím. Nova, 1994,
16: 216 - 219.

5. Fisher, R. A., “The Design of Experiments”. Oliver

& Boyd, Edinburg, 1935.

6. Splendey, W. ; Hext, G. R.; Himsworth, F.

R., “Sequential application of simplex designs
in optimization and evolutionary operation”
Technometrics, 1962, 4: 441-461.

7. Nelder, J.A.; Mead,D.R., “A simplex method for

function minimization” Computer J. 1965, 7: 308-
12.

Chemkeys. Licenciado por Creative Commons (BY-NC-SA)