Superficie de Respuesta

20/05/2013
METODOLOGA DE SUPERFICIE DE RESPUESTA
METODOLOGA DE SUPERFICIE DE RESPUESTA (MSR)

Estrategia que permite conocer el funcionamiento de un sistema o proceso y
encontrar las condiciones ptimas de funcionamiento, permitiendo mejorar los
resultados en cuanto a costo, tiempo, eficiencia, productividad y /o calidad.
Originada por el trabajo de Box y Wilson (1951)

Box, G. E. P., Wilson, K. G. (1951),On the experimental attainment of
optimum conditions, Journal of the Royal Statistical Society, B 13, 1-45
Desarrollo terico y primeras aplicaciones (dcada 1990)

o Box y Draper (1987)
o Cornell (1991)
o Montgomery y Myers (1996)
o Araujo y Brereton (1996)
Aplicaciones en expansin (softwares comerciales)

o Procesos de fabricacin industrial
oQumica
oAlimenticia
oFarmacutica
oMetalrgica
oBiotecnologica oElectrnica
o Sistemas Analticos
o Optimizacin de Mtodos
20/05/2013

Analizar el
comportamiento de una
Conjunto de tcnicas
matemticas y estadsticas
RESPUESTA
Construir un
MODELO
y = f ( x1 , x2 )
niveles
Datos experimentales
OPTIMIZAR
DISEO DE
EXPERIMENTOS
Valor Real de la
RESPUESTA
dependiente
Niveles de los
Funcin
continua
FACTORES
= f ( x1 , x2 ,...., xk )
Funcin Real desconocida
y = f ( x1 , x2 ,...., xk ) +
Modelo que estima la

Respuesta
20/05/2013

El Modelo contiene siempre un termino de error que engloba a las
fuentes de variabilidad que no se tuvieron en cuenta
y = +
Errores experimentales en la medicin de la respuesta
Ruido instrumental
Deriva del sistema en el tiempo
y = f ( x1 , x2 ,..., xk ) +
minimizar
METODOLOGA DE SUPERFICIE DE RESPUESTA

Representacin Grfica del Modelo
y = f ( x1 , x2 )
Encontrar el
PTIMO
20/05/2013
GRFICOS DE LA MSR
Superficie de Respuesta
Optimo de la Respuesta
Grfica de contornos
Lneas de Isorespuesta
Niveles ptimos
de las variables
GRFICOS DE LA MSR
Produccin de almendras
Graficas de Contorno y Superficie de Respuesta
Cada lnea de
contorno est
formada por todas
las combinaciones
de los factores que
producen una
misma respuesta.
Carmen D. Fernndez Melcon, Monserrat Pieiro Barcia. Superficie de Respuesta
20/05/2013
VOLVIENDO A LA HISTORIA
ESTRATEGIA OVAT
Variaciones de Temperatura
Tpo (Hs)
24
24
24
24
24
24
24
24
24
24
R (g/L)
20.6
26.1
32.0
36.3
39.2
42.0
42.9
43.8
42.5
41.2
Rendimiento
T (C)
20
24
28
32
36
40
44
48
52
56
Grafica de Respuesta Univariada
Temperatura (C)
Condiciones Optimas de
Temperatura
T= 48
Valor Optimo de
Temperatura
Seccin transversal de la
R= 43.8 g/L
VOLVIENDO
AINTENTO
LA HISTORIA
PRIMER
PRIMER
INTENTO
ESTRATEGIA OVAT
Grafica de Respuesta Univariada
Variaciones de Tiempo
Tpo (Hs)
R (g/L)
48
24
43.8
48
28
47.8
48
48
32
36
50.6
50.8
48
40
49.2
48
44
45.6
Rendimiento
T (C)
Valor Optimo de
Tiempo
Condiciones Optimas
de Tiempo a 48C
Tpo= 36 hs
R= 50.8 g/L
16 experimentos sucesivos
20 das de trabajo
Tiempo (horas)
Seccin transversal de la
20/05/2013
METODOLOGA
SUPERFICIE
DE RESPUESTA
OTRA
FORMA DEDE
HACER
LAS COSAS
Grafica de Superficie
Variaciones Simultneas de
Tiempo y Temperatura
Tpo (Hs)
R (g/L)
20
24
20.6
20
36
44.9
20
35
48
24
51.0
39.9
35
36
54.9
35
48
52.1
50
24
43.0
50
36
49.1
50
48
37.0
Prediccin del Optimo

T= 34, Tpo= 40 hs
Rendimiento
T (C)
Valor Optimo de
Tiempo y Temperatura
Rendimiento = 56.2 g/L
9 experimentos
2 das de trabajo
R. Leardi, Analytica Chimica Acta 652 (2009) 161172
METODOLOGA
SUPERFICIE
DE RESPUESTA
OTRA
FORMA DEDE
HACER
LAS COSAS
Grafica de Superficie
Rendimiento
mximo
48.00
44.3
Tiempo (horas)
42.00
56.1
36.00
54.6
30.00
50.2
38.4
44.3
32.5
26.6
24.00
mnimo
20.00
27.50
35.00
42.50
50.00
Temperatura (C)
20/05/2013
MSR YFORMA
OPTIMIZACIN
OTRA
DE HACER LAS COSAS
Una misma RESPUESTA puede depender de ms de dos factores
y = f ( x1 ,...., xk ) +
X 1 constante
X 2 constante
X3
X2
X 3 constante
X3
X1
X2
X1
Cul es el optimo?
Tcnicas de Optimizacin
MSRyYFORMA
OPTIMIZACIN
OTRA
DE HACER
COSAS
SRM
OPTIMIZACIN
DELAS
SISTEMAS
El comportamiento optimo de un SISTEMA puede depender de ms
de una RESPUESTA.
Area PIR
Area SUL
2.00
15.53
187103
229016
160.09
30.94
190356
213831
120.74
516246
15.847
1.55
10.965
467223
9.732
418200
198646
89.61
193610
45.89
1.09
369177
7.921
59.75
183461
60.20
196863
0.63
320153
5.396
168276
30.84
80.61
200116
0.18
Respuesta 1
Respuesta 2
Respuesta 3
Cul es el Optimo Global?

Tcnicas de Optimizacin Multirrespuesta
20/05/2013
MSR YFORMA
OPTIMIZACIN
OTRA
DE HACER LAS COSAS
Creacin de un Diseo de Experimentos
Conjunto de experimentos planificado de antemano con valores
determinados de las variables
Ajuste de un Modelo
Ecuacin matemtica que relaciona la respuesta con los factores
estudiados. Se obtiene por Regresin Lineal Mltiple
Utilizacin de una Tcnica de Optimizacin
Explorar el modelo para obtener informacin sobre el ptimo
Diseo
Modelo
PASOS DE LA MSR PARA OPTIMIZACIN
1 Definir los objetivos de la optimizacin

Plantear adecuadamente el PROBLEMA a resolver y seleccionar la
RESPUESTA a evaluar
2 Seleccionar los factores que resultan significativos

Utilizar diseo de seleccin de factores o basarse en conocimientos
previos. Incluir de 2 - 4 factores numricos.
3 Establecer la Regin de Operabilidad

Considerar las posibilidades instrumentales y la informacin sobre el
sistema
4 Seleccionar un Entorno Experimental

Definir la regin del espacio de los factores en donde vamos a planear los
experimentos
20/05/2013
PASOS DE LA MSR PARA OPTIMIZACIN
5 Construir un Diseo Experimental de Optimizacin

Recabar datos experimentales
6 Elaborar un Modelo Matemtico

Graficar la SUPERFICIE DE RESPUESTA y evaluar resultados
Repetir los pasos
4 , 5 y 6 si fuera necesario
Localizar el Optimo buscado para la Respuesta
Utilizar herramientas grficas y/o matemticas para predecirlo.
Verificar experimentalmente
Confirmar el valor de la respuesta utilizando los niveles optimos de los

factores
REGION DE OPERABILIDAD Y ENTORNO EXPERIMENTAL
Regin de Operabilidad
Condiciones en donde el
proceso o equipo puede ser
operado
X1
X3
X2
Entorno Experimental
Limitado por los niveles
seleccionados para los factores
Si conocemos poco del sistema el punto optimo puede encontrarse en

cualquier parte de la regin de operabilidad, dentro o fuera del entorno
experimental inicial
20/05/2013
PLANIFICACIN DE LOS EXPERIMENTOS de OPTIMIZACIN

Conocimiento previo del sistema
SI
NO
Comportamiento esperado para la Respuesta

Localizacin probable del Optimo
Aproximacin al Optimo
Determinacin del Optimo
Modelo probable
Primer orden
Segundo orden
Diseo Experimental de Optimizacin
PLANIFICACIN DE LOS EXPERIMENTOS de OPTIMIZACIN

La Metodologa de Superficie de Respuesta es una Tcnica Secuencial
Aproximacin al Optimo
Localizacin del Optimo
Diseo de Optimizacin de
Primer Orden
Diseo de Optimizacin de
Segundo Orden
Experimentar
Experimentar
Modelo de Primer Orden
Modelo de Segundo Orden
Evaluar curvatura
no lineal
Caracterizar la Superficie
lineal
Mover el Entorno
Experimental en el sentido
del Optimo
Establecer
Condiciones Optimas
10
20/05/2013
MODELOS MATEMTICOS DE LA SRM

Debe encontrarse un modelo que explique la funcin real
= f ( x1 , x2 )
Algunas consideraciones sobre los modelos
Deben construirse a partir de datos experimentales confiables
Deben incluir los factores cuyos efectos resultan significativos en la
respuesta
Deben contemplar las interacciones que existen entre los factores y
la curvatura del sistema
Deben ajustarse para minimizar el error y evaluarse estadsticamente
Pueden predecir el valor de la respuesta en un punto no estudiado
del sistema
Pueden utilizarse para localizar el valor ptimo de la respuesta
CONSTRUCCIN DE UN MODELO
REGRESIN LINEAL MULTIPLE
error
Respuesta sujeta a
optimizacin
(variable dependiente)
1
2
i = Efectoi
coeficientes de regresin
factores
(variables independientes)
METODO DE LOS CUADRADOS MINIMOS
11
20/05/2013

Al ajustar el modelo con los datos experimentales el mismo puede
resultar:
MODELO LINEAL o de PRIMER ORDEN
MODELO LINEAL CON INTERACCIN
MODELO CUADRTICO o de SEGUNDO ORDEN
MODELO CUBICO (requiere ms experimentos)
MODELO con TRANSFORMACIONES (ln, log, raiz, etc)
* Respuesta transformada
* Variables transformadas
MODELO NO LINEAL

MODELO LINEAL o de PRIMER ORDEN
El comportamiento de la respuesta se
explica por los efectos principales de los
factores significativos
1.220
y = 0 + i x i +
i=0
y = respuesta
Respuesta
1.188
Para dos factores este

modelo tiene 3 trminos
1.155
1.123
1.090
40.00
4.000
36.25
3.750
32.50
X1
3.500
28.75
3.250
25.00
xi = factores significativos
X2
3.000
Para k> 2 es un hiperplano
0 = trmino constante
i = coeficiente del modelo que afecta al factor x
12
20/05/2013

MODELO LINEAL CON INTERACCIN
El comportamiento de la
respuesta se explica por los
efectos principales y una o
varias interacciones de los
factores significativos
25.00
Respuesta
18.75
12.50
6.250
0.0000

150.0
30.00
117.5
25.50
85.00
21.00
52.50
X1
16.50
20.00
y = 0 + i x i + ij xi x j +
i =0
X2
12.00
Para k> 2 es un
hiperboloide o
hiperelipsoide
ij = coeficiente de interaccin entre el factor x y el factor x j

MODELO CUADRATICO o de SEGUNDO ORDEN
20.00
15.13
Respuesta
El comportamiento de la
respuesta se explica por los
efectos principales, una o
varias interacciones y uno o
varios trminos cuadrticos de
los factores significativos
10.25
5.375
0.5000

150.0
60.00
112.5
48.75
75.00
X1
37.50
37.50
26.25
0.0000
i =0
i =1
X2
15.00
y = 0 + i x i + ii xi 2 + ij xi x j +
i
ii = coeficiente que explica la curvatura del factor xi2
13
20/05/2013
Diseo
22
22 + pcentral
Modelo
y = 0 + 1 x1 + 2 x2 + 12 x12 +
y = 0 + 1 x1 + 2 x2 + 12 x12 + curvatura +
11 x12 o 22 x22 ?
22 + pcentral + paxiales
y = 0 + 1 x1 + 2 x2 + 12 x12 + 11 x12 + 22 x22 +
Para construir un modelo se necesitan como mnimo la misma cantidad de puntos

experimentales diferentes que coeficientes a estimar.
Para evaluar la falta de ajuste se deben incluir repeticiones de un punto del diseo
No se le puede exigir al diseo ms informacin de la que puede brindar
Cmo obtenemos el mejor modelo a partir de los datos experimentales
obtenidos con un diseo de experimentos?
1 Ajustar los datos a los distintos tipos de modelos posibles

Lineal
Lineal con Interaccin
Cuadrtico
2 Para cada uno de los modelos calcular la significancia de la regresin

(idoneidad del modelo) y la falta de ajuste
Significancia de la Regresin F0 =
Falta de Ajuste F0 =
MS LOF
MS EPuro
MS R
MS E
> F0.05,k ,n k 1
< F0.05, m 2,n m
Para
modelo
lineal
3 Seleccionar el modelo con mayor idoneidad y menos falta de ajuste
14
20/05/2013
Experimentos para optimizar la extraccin de un alcaloide
pH
(X1)
Temperatura
(X2)
mg/g
(y)
-1
43
-1
65
49
69
-1
-1
21
-1
43
62
-1
45
57
54
61
57
Lineal
y= 52.2 + 3.8 x1
+ 14.8 x2
Lineal con Interaccin

y= 52.2 + 3.8 x1
+ 14.8 x2
- 6.2 x1 x2
Cuadrtico
y= 56.9 +
+
-
3.8 x1
14.8 x2
6.2 x1 x2
9.2 (x1)2
0.2 (x2)2
EVALUACIN DE LOS MODELOS (ANOVA)

Modelo
SC
gl
MC
F0
p (Ft >F0)
1408
704.2
13.6
0.001
significativa
LINEAL
R2aj
0.70
Regresin
Error Residual
465.3
51.7
FAj
440.6
73.4
8.9
0.049
significativa
Regresin
1565
521.5
13.5
0.002
significativa
Error Residual
309.1
38.6
FAj
284.3
56.87
6.8
0.070
en el lmite
Regresin
1826
365.2
46.0
<0.001
significativa
Error Residual
47.9
7.9
FAj
22.8
761
0.91
0.526 no significativa
Error Puro
24.8
8.2
INTERACCION
0.77
CUADRATICO
0.95
Elegir Modelo: mayor F0 de regresin

menor F0 de FAj
mayor R2aj
15
20/05/2013
EVALUACIN DE LOS COEFICIENTES DEL MODELO

Modelo Cuadrtico Completo
y = 56.9 +
+
-
3.8
14.8
6.2
9.2
0.2
x1
x2
x1 x2
(x1)2
(x2)2
Todos los trminos son significativos?
Pruebas de Hiptesis para los coeficientes del Modelo

Las Hiptesis que hay que probar son:
H0 : i = 0
i
t0 =
Significancia del Coeficiente:
F0 =
MSE
MS i
MS E
H1 : i 0
>
t 0.05,2,nk 1
> F0.05,k ,n k 1
La significancia de los coeficientes del modelo puede evaluarse por:

Eliminacin Backward (Modelo Completo Modelo Reducido)
ms usado
Adicin Forward (Modelo Reducido-Modelo Completo)
EVALUACIN DE LOS COEFICIENTES DEL MODELO

MODELO
CUADRTICO
SC
gl
MC
F0
p (Ft >F0)
1826
365.2
46.0
<0.001
x1
88.2
88.2
11.1
0.016
x2
1320
1320
166
<0.001
x1 x2
156
156
19.7
0.004
(x1)2
228
228
28.8
0.002
(x2)2
0.17
0.17
0.02
0.889
0.91
0.526
Regresin
Residual
47.9
7.9
LOF
22.8
761
8.2
Modelo completo
Error Puro
24.8
Principio de Parsimonia
Variable no
significativa
Eliminar del
modelo
Utilizar el Modelo ms simple que

describa el comportamiento del sistema
16
20/05/2013
CATEGORA DE LOS MODELOS

Modelo Completo
y = 56.9 +
+
-
3.8
14.8
6.2
9.2
0.2
y = 38.9 +
+
-
x1
x2
x1 x2
(x1)2
(x2)2
13.3
0.3
0.1
9.2
1.2
Modelo Jerrquico
Modelo Reducido
x1
x2
x1 x2
(x1)2
(x2)2
y = 56.9 +
+
-
3.8
14.8
6.2
9.2
x1
x2
x1 x2
(x1)2
y = 38.9 + 13.3 x1
- 9.2 (x1)2
- 1.2 (x2)2
Se conserva el
trmino de
primer orden
y = 38.9 +
-
13.3
0.3
9.2
1.2
x1
x2
(x1)2
(x2)2
Un Modelo es Jerrquico cuando contiene todos los trminos ms simples que

componen los trminos de mayor orden que estn en el modelo. Los modelos
jerrquico tienen un comportamiento ms estable que los no jerrquicos.
AJUSTE FINAL DEL MODELO

Modelo Reducido y Jerrquico
Significancia de la Regresin
Falta de Ajuste
Verificacin de los
Supuestos del ANOVA
Puntos Influyentes
Ajustar el Modelo
Eliminar puntos con residuos atpicos

Aplicar transformaciones
Eliminar puntos influyentes
Modelo Definitivo
17
20/05/2013
APROXIMACIN AL OPTIMO
Objetivo: Aplicar experimentos que permitan moverse rpidamente
a las proximidades del ptimo buscado para la respuesta
Diseos Experimentales de Primer Orden

Modelos de Primer Orden
Tcnica de
ESCALAMIENTO ASCENDENTE
(o descendente)
Esta tcnica opera paso a paso , programando el paso siguiente

en funcin de los resultados del anterior
En cada paso se estudia una regin relativamente pequea.
DISEO de SUPERFICIE DE RESPUESTA de PRIMER ORDEN

FACTORIAL EN DOS NIVELES: se
estudian todas las combinaciones
de los factores en +1 y -1
factor 2
factor 2
SIMPLEX: Figura geomtrica con

k + 1 vrtices (k: n de factores)
Diseo SIMPLEX
factor 1
factor 2
factor 2
factor 1
factor 1
factor 1
18
20/05/2013
DISEO SIMPLEX en ESCALAMIENTO ASCENDENTE

Mtodo de Escalamiento Ascendente sin ajustar Modelo
Diseo SIMPLEX
Paso 1
Simplex Inicial: experimentos 1, 2 y 3
La peor respuesta es la del experimento 3
Buscar un opuesto

Paso 2
Segundo Simplex : experimentos 1, 2 y 4
Buscar un opuesto
19
20/05/2013

Paso 3
Tercer Simplex : experimentos 1, 4 y 5
Buscar un opuesto
DISEO SIMPLEXen
SIMPLEX ESCALAMIENTO ASCENDENTE
Paso 4
Cuarto Simplex : experimentos 4, 5 y 6
Las peores respuestas son las 5 y 6
Buscar opuestos
20
20/05/2013

Paso 5
Quinto Simplex : experimentos 5, 6 y 7
Sexto Simplex : experimentos 4, 6 y 8
La mejor respuesta es la 6

Seleccionar un Entorno Experimental para un

Diseo de Segundo Orden que permita
localizar el optimo
21
20/05/2013
MTODO DE LA MXIMA PENDIENTE
ascenso
descenso
Superficie ajustada con un Modelo de

Primer Orden
k
y = 0 + i x i +
i=0
Se recorre
secuencialmente una
trayectoria en sentido
de su mxima
pendiente, es decir,
del mayor incremento
o decremento de la
respuesta
Normal de la
Superficie de
Respuesta
ajustada
DISEO FACTORIAL en MTODO DE MXIMA PENDIENTE

Paso 1 Establecer el Punto Base, o Punto de Origen
54.04
55.58
Paso 2 Elaborar un Diseo

2k (-1, +1)
o Punto Central
(xi = xj =..xk = 0)
coincidente con el
Punto de Origen
o Rplicas en el Punto Central
i
Paso 3 Ajustar un modelo lineal, obtener la Superficie de Respuesta
y evaluar curvatura
22
20/05/2013

Paso 4 Se elige una de las variables como variable de apoyo y se
establece un tamao de incremento o escaln para la misma.
x j = 1
x j = 1
j
xi = i
j
y = 0 + i xi + j x j + ... + ...k xk +
Mxima Pendiente en el plano i x j
Paso 5 Calcular el
incremento para las
otras variables
xi =
i
j x j
i = 1,2,....k ; i j
xi =
i
j

Paso 6 Convertir cada incremento a valores naturales para obtener
un punto experimental en el sentido de la mxima pendiente.
Respuesta
54.04
55.58
Pendiente =
i
j
Paso 7 Continuar
experimentando en esta
direccin hasta no
observar ms incrementos
23
20/05/2013

Paso 8 Crear un nuevo Diseo 2k con replicas en el punto central que
debe coincidirRespuesta
con el ltimo punto experimental de mejor respuesta.
Paso 9 Construir un
54.04
nuevo modelo de primer

orden y evaluar curvatura
55.58
Paso 10 Experimentar
en el sentido de mximo
ascenso del nuevo modelo
hasta no obtener ms
incrementos.
Repetir Paso 8 y Paso 9 hasta
encontrar curvatura
significativa, o la respuesta
optima
Regin del OPTIMO localizada

Optimizacin del rendimiento de una reaccin de sntesis de un polmero
Punto de base u origen: 35 min a155 C
Primer entorno experimental: 30-40 minutos y 150-160C
Diseo factorial a dos nieles con cinco repeticiones del punto central
Variables Naturales
Variables codificadas
Respuesta
min
x1
X2
Rendimiento (%)
30
150
-1
-1
39.3
30
160
-1
40.0
40
150
-1
40.9
40
160
41.5
35
155
40.3
35
155
40.5
35
155
40.7
35
155
40.2
35
155
40.6
24
20/05/2013

Modelo Ajustado
y = 40.44 + 0.775 x 1 + 0.325 x 2

Pruebas de Adecuacin del Modelo Lineal
Modelo Significativo
Falta de Ajuste No Significativa
Interaccin No Significativa
Curvatura No Significativa
Trayectoria de Mximo Ascenso
o Pasa por el punto 40.44

o Tiene una pendiente de 0.325/0.775

Seleccin de un incremento base para una de las variables
x1 = 1 = 5 min
Seleccin del incremento de la otra variable en funcin de la mxima
pendiente en ascenso
x2 = (0.325 / 0.775)x1 = 0.42 = 2 C
Experimentos con pendiente en ascenso

Incrementos
Variables Naturales Variables codificadas

min
Origen
35
155
O+
40
157
O+2
45
159
O+3
50
161
O+4
55
O+5
60
x1
Respuesta
X2
Rendimiento (%)
40.5
1.00
0.42
49.5
2.00
0.84
59.8
3.00
1.26
70.4
163
4.00
1.68
80.9
165
5.00
2.10
75.1
25
20/05/2013

Se crea un nuevo diseo alrededor del punto (55, 163)
Variables Naturales
Variables codificadas
Respuesta
min
x1
X2
Rendimiento (%)
50
158
-1
-1
76.5
50
168
-1
77.0
60
158
-1
78.0
60
168
79.5
55
163
81.2
55
163
80.5
55
163
80.7
55
163
80.9
55
163
80.6

Modelo Lineal
Pruebas de Adecuacin del Modelo Lineal
Modelo No Significativo
Falta de Ajuste Significativa
Curvatura Significativa
Modelo Cuadrtico
Pruebas de Adecuacin del Modelo Cuadrtico
Modelo Significativo
Curvatura Significativa
Proximidad del Optimo

Seleccionar Entorno Experimental
Para diseo de Segundo Orden
26
20/05/2013
LOCALIZACIN DEL OPTIMO

Objetivo: Aplicar experimentos que permitan predecir en forma confiable
el valor optimo buscado para la respuesta
Diseos Experimentales de Segundo Orden

Modelo de Segundo Orden
Buen ajuste y R2aj mayor a 70%
Localizacin del Punto Estacionario

Candidato al Optimo
Anlisis cannico
Anlisis de cordillera
LOCALIZACIN DEL OPTIMO- PUNTO ESTACIONARIO

Punto Estacionario
Es el punto del espacio de los factores en el cual el plano tangente a la
superficie tiene pendiente igual a cero y es un candidato al ptimo
Punto de Respuesta
Mxima
Loma
Punto de Respuesta
Mnima
Valle
Punto Silla
Silla de montar
27
20/05/2013
LOCALIZACIN DEL OPTIMO- PUNTO ESTACIONARIO

Cuando hay un punto silla la superficie sube o baja a partir del punto
estacionario dependiendo de la direccin en la que nos movemos.
Punto Silla
ANALISIS CANNICO - PUNTO ESTACIONARIO
Paso 1
Ajustar un Modelo de Segundo Orden con niveles codificados

k
i =0
i =1
y = 0 + i x i + ii xi 2 + ij xi x j +

Paso 2
Bajo Error Experimental

Adecuada distribucin de los datos
Regresin Significativa
Variabilidad Explicada del Sistema (R2aj) > 70%
Verificar si el tipo de Superficie de Respuesta obtenida
Anlisis grfico
Anlisis cannico
Paso 3
Obtener el Punto Estacionario
y x1 = y x2 = ...... = y xk = 0
28
20/05/2013
ANALISIS CANNICO - PUNTO ESTACIONARIO

Ecuacin Matricial del Modelo
x 1x 2
En donde:
xk

x=

b=

y = 0 + x'b + x' Bx
11 12 2 ... 1k 2
22
2k 2
B=
kk
sim
Es el vector de
los factores
1
2
k
Es el vector de los
coeficientes de
regresin de
primer orden
Es una matriz simtrica cuya

diagonal principal est formada
por los coeficientes de los
trminos cuadrticos puros
ANALISIS
CANNICO
- PUNTOPUNTO
ESTACIONARIO
LOCALIZACIN
DEL OPTIMOESTACIONARIO
La derivada de la funcin respecto al vector x igualada a 0 es:
y
= b + 2Bx = 0
x
de donde puede calcularse el punto estacionario
1
x 0 = - B -1b
2
La respuesta predicha para el punto estacionario estar dada por:
y 0 = o +
1
xob
2
29
20/05/2013
LOCALIZACIN DEL OPTIMO- ANLISIS CANNICO

Forma Cannica del Modelo
y = y 0 + 1w12 + 2 w 22 + ..... + + k w k2
y 0
wi
i
Valor de la respuesta predicho por el modelo en el punto estacionario
Variables cannicas
Transformaciones de las variables codificadas
Valores propios o caractersticos de la matriz B

w2
w1
x2
Cordillera de la
Superficie
Punto estacionario
x1
Origen del Diseo
Ecuacin cannica: rotacin y traslacin de los ejes coordenados
30
20/05/2013

Caracterizacin de la Superficie
Punto Estacionario DENTRO del Entorno Experimental
Formas clsicas
Positivo para todas las i hay un Punto MNIMO
VALLE
Negativo para toda i hay un Punto MXIMO
LOMA
De ambos signos hay un Punto SILLA
SILLA DE MONTAR
Otras formas
Punto Estacionario FUERA del Entorno Experimental o no definido

Positivo para todas las i
CRESTA DESCENDENTE
Negativo para toda i
CRESTA ASCENDENTE
Uno o mas valores tienden a cero
CORDILLERA ESTACIONARIA

LOMA ASCENDENTE
R1
0.00
56
-0.38
42
28
48.6
-0.75
14
42
-1.13
0.00
2.00
-0.38
-0.75
B: B
28.8
1.38
35.4
28.8
22.2
0.75
-1.13
0.13
-1.50
-0.50
-1.50
A: A
-0.50
0.13
0.75
1.38
2.00
Qu hacemos en este caso?

Seguimos experimentando en el sentido del ptimo, siempre que lo permitan las
condiciones de operacin del sistema.
Proponemos un optimo alternativo, en donde la respuesta es favorable y las
condiciones de operacin son posibles
31
20/05/2013

CORDILLERA ESTACIONARIA
R1
1.50
2.42
3.94
5.45
10
6.97
0.75
8.48
7.5
5
0.00
2.5
8.48
-0.75
1.50
6.97
5.45
1.00
0.75
0.00
B: B
3.94
0.50
2.42
0.00
-0.75
-0.50
-1.50
-1.00
-1.50
A: A
-1.00
-0.50
0.00
0.50
1.00
Qu hacemos en este caso?

Podemos seleccionar el mejor punto desde el punto de vista operacional que de una
respuesta satisfactoria.
En este caso habr muchas soluciones posibles al problema y podemos decidir sobre
la conveniencia del nivel de los factores
LOCALIZACIN DEL OPTIMO- ANLISIS de CORDILLERA

Qu hacemos cuando el punto estacionario no es el optimo buscado?
Objetivo: MAXIMIZAR
la Respuesta
Punto Estacionario
En este caso deberemos encontrar el mejor punto posible dentro del Entorno
Experimental. Este punto se ubica en la cordillera de mayor crecimiento de la
superficie y se encuentra por el mtodo conocido como anlisis de cordilleras
32
20/05/2013
LOCALIZACIN DEL OPTIMO- ANLISIS de CORDILLERA

Construir esferas (o crculos) concntricas al centro del diseo
Objetivo: MAXIMIZAR
la Respuesta
Centro del Diseo
Punto Optimo
en el Entorno
Experimental
Los softwares de optimizacin
emplean ecuaciones matemticas
para resolver este tipo de
situaciones
Cordillera del sistema

Puntos alternativos
DISEOS EXPERIMENTALES de SEGUNDO ORDEN
1 Proporcionar una distribucin razonable de puntos de datos en el

2 Generar datos que permitan el ajuste de un modelo matemtico de

segundo orden
Estudiar cada factor en al menos tres niveles
anlisis de curvatura
Tener una cantidad de puntos que permitan estimar todos los trminos
del modelo cuadrtico
N min= 1 + 2k + k (k-1)/2
3 Posibilitar el estudio de la Idoneidad del Modelo y la Falta de Ajuste

Repeticiones del punto central o de otro punto (4-6)
N = N min + Co
33
20/05/2013
DISEOS EXPERIMENTALES de SEGUNDO ORDEN
4 Posibilitar la realizacin de experimentos en Bloques

5 Minimizar la Varianza de los Coeficientes de Regresin del Modelo
o Ortogonalidad
6 Proporcionar un Error de Prediccin estable en el Entorno Experimental

o Rotabilidad
7 Permitir la creacin secuencial a partir de diseos de primer orden

8
Ser Eficiente para el cumplir con el objetivo propuesto sin requerir

demasiados puntos experimentales
ORTOGONALIDAD y BLOQUE0
Un diseo es ortogonal cuando los coeficientes estimados en el
modelo ajusta no estn correlacionados entre si
Esto aumenta la precisin de la estimacin de los coeficientes
Para cumplir con el requisito de ortogonalidad las columnas de la
matriz del diseo deben estar formadas por vectores
independientes entre si
Cuando es necesario bloquer el diseo por algn cambio en las

condiciones es importante mantener la ortogonalidad de los bloques
Los efectos de los bloques no influyen en la estimacin de los
parmetros del modelo
El punto central debe distribuirse por igual entre los bloques del diseo
34
20/05/2013
ROTABILIDAD
Es la propiedad de un diseo de generar un modelo en el cual la varianza de la
respuesta predicha en un punto cualquiera del espacio experimental es
solamente funcin de la distancia al punto al centro del diseo
Error Estndar del Modelo
Error Estndar del Modelo
0.437
0.391
0.437
0.389
No Rotable
Rotable
FUNCIN INFORMACIN
La Funcin Informacin de un diseo se define como el recproco de la
variancia del modelo en el entorno experimental
-1
I x =V(y)
Leverage
Puede representarse grficamente como el error estndar del modelo, el cual

est asociado al Leverage de los puntos experimentales del diseo
Es una propiedad del diseo que no depende del error experimental de la

respuesta y que debe evaluarse antes de experimentar
35
20/05/2013
ERROR DE PREDICCIN
El error de prediccin de la respuesta
est dado por el producto del
Leverage en ese punto de la superficie
por el error experimental
Respuesta 1
Vy = L x Vexp
oError estndar residual de la regresin
oError puro
Respuesta 2
El Intervalo de confianza para la

respuesta predicha puede calcularse a
partir de la desviacin estndar de la
respuesta predicha
IC y = t( 0.05) x S y
DISEO FACTORIAL COMPLETO A TRES NIVELES

Se investigan todas las posibles combinaciones de los niveles de los factores
Nmero de experimentos (N= 3k )
El nmero de experiencias crece rpidamente con el nmero de factores
Punto central
Dos factores
Tres factores
3 niveles por factor (-1, 0 , +1)
36
20/05/2013
DISEO FACTORIAL COMPLETO A TRES NIVELES

Optimizacin de una Separacin Cromatogrfica
Factores: A= pH de la FM, B= % de ACN
Respuestas: 1= tR, 2 =factor de capacidad
L. ivanovi, A. Proti, M. Zeevi, B. Joci, and M. Kosti, J. Pharm. Biomed. Anal.,2009
DISEO CENTRAL COMPUESTO

Compuesto por:
Diseo cbico, que responde al diseo factorial completo 2k
Diseo estrella, a una distancia del centro.
Punto central
Nmero de experimentos
(N = 2k +2k + C0)
5 niveles por factor (-, -1, 0, +1, +)
37
20/05/2013

Puede generarse a partir de un diseo factorial de primer orden anterior
cuando se observa curvatura y quiere estudiarse mejor esta regin del
espacio experimental
Aumento del Diseo
Diseo inicial
curvatura
Factorial en dos niveles 2k + Co
Estrella
Bloque 1
2k+ Co
Bloque 2

Los puntos estrella o puntos axiales pueden tomar distintas ubicaciones en
el entorno experimental, a una distancia del centro del diseo
Centrado en las caras
=1
>1
Circunscripto
o Rotable
= 4 n fact
o Esfrico
= k
Entorno experimental
esfrico
=4 k
Puntos axiales
posibles
experimentalmente
o Prctico
Cuasi-Rotables
k >5
38
20/05/2013

Diseo Central Compuesto centrado en las caras
= 1.0
Se transforma en un
diseo de tres niveles
El entorno experimental es
ms acotado
Es til cuando en la prctica

no se pueden modificar
fcilmente los niveles de los
factores

Diseo Esfrico
Diseo Rotable
Diseo Prctico
Valor de alfa
1.414
1.414
1.189
1.732
1.682
1.316
2.000
2.000
1.414
2.236
2.378
1.495
39
20/05/2013

Optimizacin de una separacin de enantimeros por Electroforesis Capilar
Factores: A= conc del selector quiral, B= pH de la fase movil, C= Temperatura
Respuestas: 1= tm1, 2= tm2, 3 =Resolucin
R. Ficarra, et all, J. Pharm. Biomed. Anal., 29, 989 (2002)
DISEO DE BOX-BEHNKEN
Compuestos por la combinacin de diseos factoriales a dos niveles con
diseos de bloques incompletos
Nmero de experimentos (N = 2k (k1) + c0 )
Puede aplicarse para k 3
Punto central
Tres factores
3 niveles por factor (-1, 0 , +1)
40
20/05/2013
MATRIZ DE DOHERLET
El dominio experimental es muestreado de manera uniforme, los puntos
experimentales son equidistantes entre si.
Los factores varan en diferente nmero de niveles cada uno. Para un diseo
de 3 factores el primero toma tres niveles, el segundo cinco y el tercero siete
Nmero de experimentos (N= k2+k+Co)
x1
1.0
-1.0
-1.0 -0.5 0
0.5
x2
1.0
EFICIENCIA
La Eficiencia de un diseo est dada por el cociente entre el nmero de
coeficientes estimados por el modelo y el numero total de puntos experimentales
Box-Behnken (BB)
N = 2k (k1) + C0
Factores
Factorial completo (FC)

N = 3k
Coeficientes
Puntos Experimentales(N)
(modelo cuadrtico)
2
3
4
5
6
7
6
10
15
21
28
36
Central compuesto (CC)

N = 2k +2k + C0
Eficiencia (E)
(1 punto central)
BB
CC
FC
13
25
41
49
57
9
15
25
43
77
143
9
27
81
243
729
2187
BB
CC
0.77
0.60
0.51
0.57
0.63
0.67
0.67
0.60
0.49
0.36
0.25
FC
0.67
0.37
0.18
0.08
0.04
0.02
ms eficiente
41
20/05/2013
DISEO D-OPTIMAL
40.0
% MetOH
Regin de alta presin
20.0
1.0
Flujo (mL/min)
Regin favorable
2.0
Se crean ecuaciones para

restringir el rea donde el
sistema genera
combinaciones no
favorables
Se seleccionan puntos
experimentales con una
Distribucin Optima desde el
punto de vista estadstico
DISEO D-OPTIMAL
Seleccin de puntos experimentales en dominio asimtrico
Puntos Seleccionados
Determinante
de XTX mximo
Menor error de
prediccin
Algoritmo de
Kennard y Stone
42
20/05/2013
DISEO D-OPTIMAL
DCC con dos puntos menos
D-Optimal con restricciones
CONCLUSIONES
La Metodologa de Superficie de Respuesta es una tcnica
sumamente verstil que permite la utilizacin de diferentes
diseos experimentales y herramientas estadsticas para resolver
problemas de optimizacin de sistemas.
Puede aplicarse a la optimizacin de una nica respuesta o a
la optimizacion simultanea de varias respuestas
El buen criterio del operador y el correcto uso de la
metodologa son fundamentales para arribar a conclusiones
correctas.
Una vez obtenidas las condiciones optimas de operacin del
sistema, segn el criterio establecido, las mismas deben
confirmarse experimentalmente.
43

Superficie de Respuesta

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Superficie de Respuesta

Cargado por

Copyright:

Formatos disponibles

20/05/2013

METODOLOGA DE SUPERFICIE DE RESPUESTA

METODOLOGA DE SUPERFICIE DE RESPUESTA (MSR)

Originada por el trabajo de Box y Wilson (1951)

Desarrollo terico y primeras aplicaciones (dcada 1990)

Aplicaciones en expansin (softwares comerciales)

METODOLOGA DE SUPERFICIE DE RESPUESTA (MSR)

METODOLOGA DE SUPERFICIE DE RESPUESTA (MSR)

Funcin Real desconocida

Modelo que estima la

METODOLOGA DE SUPERFICIE DE RESPUESTA (MSR)

METODOLOGA DE SUPERFICIE DE RESPUESTA

Graficas de Contorno y Superficie de Respuesta

Carmen D. Fernndez Melcon, Monserrat Pieiro Barcia. Superficie de Respuesta

Grafica de Respuesta Univariada

Prediccin del Optimo

Rendimiento = 56.2 g/L

R. Leardi, Analytica Chimica Acta 652 (2009) 161172

Cul es el Optimo Global?

PASOS DE LA MSR PARA OPTIMIZACIN

1 Definir los objetivos de la optimizacin

2 Seleccionar los factores que resultan significativos

3 Establecer la Regin de Operabilidad

4 Seleccionar un Entorno Experimental

PASOS DE LA MSR PARA OPTIMIZACIN

5 Construir un Diseo Experimental de Optimizacin

6 Elaborar un Modelo Matemtico

Localizar el Optimo buscado para la Respuesta

Utilizar herramientas grficas y/o matemticas para predecirlo.

Confirmar el valor de la respuesta utilizando los niveles optimos de los

REGION DE OPERABILIDAD Y ENTORNO EXPERIMENTAL

Si conocemos poco del sistema el punto optimo puede encontrarse en

PLANIFICACIN DE LOS EXPERIMENTOS de OPTIMIZACIN

Comportamiento esperado para la Respuesta

Determinacin del Optimo

Diseo Experimental de Optimizacin

PLANIFICACIN DE LOS EXPERIMENTOS de OPTIMIZACIN

Localizacin del Optimo

Modelo de Primer Orden

Modelo de Segundo Orden

MODELOS MATEMTICOS DE LA SRM

REGRESIN LINEAL MULTIPLE

METODO DE LOS CUADRADOS MINIMOS

MODELOS MATEMTICOS DE LA SRM

MODELOS MATEMTICOS DE LA SRM

Para dos factores este

Para k> 2 es un hiperplano

MODELOS MATEMTICOS DE LA SRM

Para dos factores este

ij = coeficiente de interaccin entre el factor x y el factor x j

MODELOS MATEMTICOS DE LA SRM

Para dos factores este

ii = coeficiente que explica la curvatura del factor xi2

MODELOS MATEMTICOS DE LA SRM

y = 0 + 1 x1 + 2 x2 + 12 x12 + 11 x12 + 22 x22 +

Para construir un modelo se necesitan como mnimo la misma cantidad de puntos

No se le puede exigir al diseo ms informacin de la que puede brindar

1 Ajustar los datos a los distintos tipos de modelos posibles

2 Para cada uno de los modelos calcular la significancia de la regresin

< F0.05, m 2,n m

3 Seleccionar el modelo con mayor idoneidad y menos falta de ajuste

Lineal con Interaccin

EVALUACIN DE LOS MODELOS (ANOVA)

Elegir Modelo: mayor F0 de regresin