Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ejercicios
Ejercicios
CAPITULO 2
METODOLOGIA DE SUPERFICIES DE RESPUESTA
Para el desarrollo del captulo fueron de gran utilidad Cornell [12] (1990) y
Montgomery [6] (1991), de los cuales se tom la teora y frmulas que se presentan a
continuacin.
2.1 Definicin.
La Metodologa de Superficies de Respuesta
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.
2.2 Terminologa.
A continuacin se presenta la terminologa que se utilizar a lo largo del captulo.
2.2.1 Factores.
Son las condiciones del proceso que influencian la variable de respuesta. Estos
pueden ser cuantitativos o cualitativos.
38
2.2.2 Respuesta.
Es una cantidad medible cuyo valor se ve afectado al cambiar los niveles de los
factores. El inters principal es optimizar dicho valor.
Supongamos que la funcin de respuesta para los niveles de dos factores se puede
expresar utilizando un polinomio de primer grado:
Y = 0 + 1 x1 + 2 x 2
donde 0 , 1 , 2 son los coeficientes de regresin a estimar, x1 y x2 representan los niveles de
1 y 2 respectivamente. Suponiendo que se recolectan N3 valores de respuesta (Y), con
los estimadores b0 , b1 y b2 se obtienen 0 , 1 y 2 respectivamente. Al remplazar los
coeficientes de regresin por sus estimadores obtenemos:
39
Y = b0 + b1 x1 + b2 x 2
ejemplo cuando se tiene Y=f(x1.) la superficie esta en dos dimensiones como se muestra en
la figura 2.1 (Cornell [12] (1990)), mientras que si tenemos Y=f(x1 , x2.) la superficie est en
tres dimensiones, esto se observa en la figura 2.2 (Cornell [12] (1990)).
40
especfico de Y . Esto se muestra en la figura 2.3 (Cornell [12] 1990). Esta grfica nos
ayuda a enfocar nuestra atencin en los niveles de los factores a los cuales ocurre un
cambio en la altura de la superficie.
41
que nos lleva hacia un nuevo modelo y el ciclo se repite. Si la respuesta se describe
adecuadamente por una funcin lineal de las variables independientes se utiliza el modelo
de primer orden (Cornell [12] (1990)):
Y = 0 + 1 x1 + 2 x2 + ... + k x k +
Y = b0 + b1 x1 + b2 x 2 + ... + bk x k
42
SST = (Yu Y ) 2
u =1
SSR = (Yu Y ) 2
u =1
SSE = (Yu Yu ) 2
u =1
En la Tabla 2.1 se observa una tabla de anlisis de varianza (Cornell [12] (1990)),
en ella p representa el nmero de trminos del modelo ajustado.
43
Grados de libertad
Suma de cuadrados
p-1
N-p
N-1
SSR
SSE
SST
Regresin
Residuo
Total
Media de Cuadrados
SSR/p-1
SSE/N-p
SSR /( p 1)
SSE /( N p)
N-p) ,
se rechaza con un nivel de confianza de . Esto significa que la variacin explicada por el
modelo es significativamente mayor que la variacin inexplicable.
Adems de esta prueba se puede hacer un anlisis del ajuste del modelo con la R2 ,
que es la proporcin total de la variacin de las Yu s con respecto a la media que se puede
explicar con la ecuacin de regresin ajustada. Esta se calcula de la siguiente manera
(Cornell [12] (1990)):
R2 =
SSR
SST
44
Adems, los valores del error aleatorio (u ) deben asumir una distribucin normal e
independiente con una varianza comn 2 .
45
rl
SSErrorPuro = (Ylu Yl ) 2
l =1 u =1
SSFaltadeAjuste = rl (Yl Yl ) 2
l =1
F=
SSFaltadeAjuste/( n p )
SSErrorPur o /( N n)
N-n, ) .
Cuando la F calculada no
es mayor el cuadrado medio residual es utilizado para estimar 2 y tambin se usa para
probar la significancia del modelo ajustado.
46
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 buscan niveles que mejoren los valores de
respuesta.
mnima
pendiente en descenso.
47
cercana del ptimo, esto ocurre cuando existe falta de ajuste del modelo de primer orden.
i
j / x j
i j
48
x2=( 2-155)/5
Tabla 2.2 Datos del proceso para ajustar a un modelo de primer orden
Variables naturales
Variables Codificadas
1
30
30
40
40
35
35
35
35
35
x1
-1
-1
1
1
0
0
0
0
0
2
40
160
150
160
155
155
155
155
155
x2
-1
1
-1
1
0
0
0
0
0
Respuesta
Y
39.3
40.0
40.9
41.5
40.3
40.5
40.7
40.2
40.6
49
Suma de
Grados
Media de
F0
Cuadrados
2.8250
0.1772
(0.0052)
(0.1720)
3.0022
Libres
2
6
2
4
8
Cuadrados
1.4125
47.83
0.0026
0.0430
0.06
El modelo indica que hay que desplazarse 0.775 unidades en direccin de x1 por
cada 0.325 unidades en direccin de x2. Sabemos que la trayectoria pasa por el punto (x1=0,
x2=0) y tiene pendiente 0.0325/0.775 En el ejemplo se decide usar 5 minutos como
incremento en el tiempo de reaccin lo que es equivalente a la variable codificada x1=1.
Los incrementos a lo largo de la trayectoria son: x1=1 y x2=(0.325/0.775)=0.42
Incrementos
Origen
Origen +
Origen + 2
Origen + 3
Origen + 4
Variables
Codificadas
X1
X2
0
0
1.00
0.42
1.00
0.42
2.00
0.84
3.00
1.26
4.00
1.68
Variables
Naturales
1
2
35
155
5
2
40
157
45
159
50
161
55
163
Respuesta
Y
41.00
42.90
47.10
49.70
Origen + 5
Origen + 6
Origen + 7
Origen + 8
Origen + 9
Origen + 10
Origen + 11
Origen + 12
5.00
6.00
7.00
8.00
9.00
10.00
11.00
12.00
2.10
2.52
2.94
3.36
3.78
4.23
4.62
5.04
50
60
65
70
75
80
85
90
95
165
167
169
171
173
175
177
179
53.80
59.90
65.00
70.40
77.60
80.30
76.20
75.10
Se ajusta un nuevo modelo de primer orden alrededor del punto ( 1=85, 2=175).
La regin de exploracin para
x2=( 2-175)/5
Variables Codificadas
x1
x2
-1
-1
-1
1
1
-1
1
1
0
0
0
0
0
0
0
0
0
0
Respuesta
y
76.5
77.0
78.0
79.5
79.9
80.3
80.0
79.7
79.8
51
Suma de
Cuadrados
5.0000
11.1200
(10.9080)
(0.2120)
16.1200
Grados
Libres
2
6
2
4
8
Media de
Cuadrados
2.5000
5.4540
0.0530
F0
1.35
102.91
i =1
i =1
i< j
Y = 0 + i xi + ii x i2 + ij xi x j +
En ste los i son los coeficientes de regresin para los trminos de primer orden,
los ii son los coeficientes para los trminos cuadrticos puros, los ij son los coeficientes
para los trminos de producto cruz y es el trmino del error aleatorio. Los trminos
52
cuadrticos puros y los de producto cruz son de segundo orden. El nmero de trminos en
la ecuacin esta dado por p=(k+1)(k+2)/2
i =1
i =1
i< j
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 y se lleva a cabo un anlisis ms detallado del sistema de respuesta.
Dicho punto (x1,0, x2,0, ..., xk,0)se denomina punto estacionario. El punto estacionario
puede ser:
53
Figura 2.4 Puntos estacionarios en una superficie de respuesta de segundo orden ajustada.
(a) Respuesta mxima. (b) Respuesta mnima. (c) Punto silla.
Y = 0 + x b + x Bx
donde
x1
x
x = 2
xk
1
b = 2
k
11 , 12 / 2, , 1 k / 2
21 / 2, 22 , , 2 k / 2
B=
/ 2, / 2, ,
k1
k2
kk
54
( , i j ) .
ii
1
x 0 = B 1 b
2
Sustituyendo sta en la ecuacin matricial para el modelo de segundo orden
tenemos (Montgomery [6] (1991)):
1
Y0 = 0 + x 0 b
2
2.6.2 Caracterizacin de la superficie de respuesta.
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 forma directa de hacer esto es mediante la grfica de contornos del modelo ajustado, sin
embargo es til un anlisis ms formal.
55
Las i son los valores propios (tambin conocidos como races caractersticas,
autovalores o eigenvalores) y se toman de la matriz B.
56
regresin ( i ) son los diseos ortogonales de primer orden. Por ortogonal se entiende que
los elementos fuera de la diagonal de la matriz (xx) son iguales a cero, lo cual implica que
los productos cruzados de las columnas de la matriz x es igual a cero.
57
2. Slo los primeros k+1 trminos del modelo definen la ecuacin de un hiperplano. Los
restantes 2k (k+1) trminos, consistentes en productos cruzados son una medida de la
distorsin del hiperplano.
Cabe sealar que al usar un diseo 2k-1 no podemos medir la posible falta de ajuste
del modelo, a menos que se cuente con una estimacin de la varianza del error haciendo
rplicas del punto central; adems, si el trmino xixjxl realmente existe sesga la estimacin
del efecto principal asociado con xk.
58
59
menos tres niveles de cada factor (-1, 0, +1). As como en el diseo de primer orden se
desea la ortogonalidad, en ste 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 funcin de la direccin.
60
Otra propiedad til del diseo es que puede crecer a partir de un diseo 2k de
primer orden, agregando puntos axiales y quiz algunos puntos centrales (Montgomery [6]
(1991)). Con la eleccin del nmero de puntos centrales (n0), el diseo puede hacerse
ortogonal o se puede transformar en uno de precisin uniforme.
61
Segn Montgomery [6] (1991), este diseo es ocasionalmente til en problemas con
dos o tres variables.