Hola, te envo archivo con observaciones.

Realice las corridas para ambos conjuntos de datos, los

originales y los simulados, observe que con los datos originales si se estima un modelo polinomial de
segundo grado, lo que no ocurre con los datos simulados; en vista de eso estuve detallando los
estadsticos descriptivos de ambos y el conjunto de datos simulados tiene un rango muy pequeo,
quizs ese sea el motivo que presente un comportamiento lineal: Sugiero que se vuelvan a simular los
datos en el rango establecido con los datos originales, que es de 13. Revisa y para los datos originales
si se obtiene un modelo cuadrtico, Es decir puedes simular con un valor de la variable respuesta de
87% 6,5. Por otro lado, le realice a ambos las pruebas de normalidad y me reflejaron no
normalidad. Hay que tener cuidado con eso.
Cuando puedas me llamas y hablamos
Saludo

5.2. RESULTADOS FASE II: ETAPA EXPERIMENTAL

Para ejemplificar las metodologas en estudio, se tom como base la investigacin

realizada por Arteaga y Colaboradores (2010) sobre el efecto de la temperatura y tiempo en
el rendimiento de biodiesel a partir de grasa refinada de pollo, que pasa por los procesos de
refinacin, esterificacin y transesterificacin. Como el biodiesel es un biocombustible
hecho de productos naturales renovables y la grasa de pollo es un producto de desecho, este
trabajo muestra una opcin en la produccin de biocombustibles, sin utilizar productos
alimenticios agrcolas como materia prima, generando un producto final de excelente
calidad que cumple con todas las normas establecidas en el rea. Las mejores condiciones o
parmetros que proponen los autores son: un tiempo de 90 minutos y una temperatura de
145 F, que permiten obtener rendimientos promedio de 87,2%.
Los datos que se utilizaron para generar las pruebas experimentales fueron
simulados a travs del mtodo de Montecarlo manteniendo las condiciones establecidas por
la problemtica presentada por Arteaga y Colaboradores (2010). Este mtodo se basa en
simular la realidad a travs del estudio de una muestra, que se ha generado de forma
totalmente aleatoria. Resulta, por tanto, de gran utilidad en los casos en los que no es
posible obtener informacin sobre la situacin a analizar, o cuando la experimentacin no
es posible o es muy costosa.
Montecarlo permite tener en cuenta para el anlisis un elevado nmero de
escenarios aleatorios, ampliando la perspectiva de forma que se pueden hacer anlisis que
se ajusten en mayor medida a la variabilidad real de las variables consideradas. La
aplicacin de esta tcnica se basa en la identificacin de las variables que se consideran
ms significativas, as como las relaciones existentes entre ellas, para explicar la situacin a
estudiar mediante la sustitucin del universo real, por un universo terico utilizando
nmeros aleatorios. (Shannon, 2005)
Para la simulacin de los datos, se tom la funcin de densidad de la distribucin
normal, con media cero y desviacin estndar uno (N(0,1) para generar el error
experimental del modelo, tomando como muestra 13 datos de la poblacin de 100
elementos.
En funcin de los datos anteriores, se gener una poblacin simulada de 100 datos
en R con la metodologa de Montecarlo, tomndose una muestra de 13 corridas
experimentales respectivamente. (Ver Anexo X), reportndose un promedio de tiempo: 90
7,8 min y de temperatura: 145 3,9F para alcanzar un promedio de rendimiento de 87,7
1,3 % de biodiesel a partir de grasa refinada de pollo. A continuacin se presenta la muestra
generada (Tabla Nro. 2)
.
Tabla Nro. 2: Variables Simuladas
Nro. Variables reales Respuesta
corridas x1 x2 Y
1 80 140 85
2 80 150 87
3 100 140 88
4 100 150 89
5 90 145 85
6 90 145 87
7 90 145 87
8 90 145 87
9 90 145 87
10 76 145 87
11 104 145 88
12 90 138 87
13 90 152 89

5.2.1. Aplicacin de la Metodologa de Superficies de Respuesta para la

optimizacin de procesos a datos simulados.
A continuacin se presenta la aplicacin de la Metodologa de Superficie de
Respuesta (RSM) a los datos simulados, con el objetivo de maximizar el rendimiento (%)
de elaboracin de biodiesel a partir de la grasa de pollo, donde se definen los siguientes
trminos:
X1: Tiempo de reaccin en minutos (min);
X2: Temperatura de reaccin en grados Fahrenheit (F)
Y: Rendimiento en porcentaje (%)
Fue utilizado un Diseo Central Compuesto (DCC) Rotable de segundo orden, que
incluye dos factores a cinco niveles, con un valor de alfa igual a 1,4142, considerndose
como punto central de la superficie a optimizar para X1= 90 minutos y X2= 145 F. Se inicia
explorando la regin del punto de operacin actual para evaluar el error experimental,
totalizando 13corridas experimentales.
Para el proceso de codificacin de las variables, se aplic la siguiente frmula:

Parai=12 (Nro.)

Y los resultados se presentan en la Tabla Nro. 3:

Tabla Nro. 3: Variables reales y codificadas con base a un diseo Central Compuesto
Variables reales Variables Codificadas Respuesta
Nro. x1 x2 x1 x2 Y
Corridas
AxialesPuntos CentralesPuntos factorialesPuntos

1 80 140 -1 -1 85
2 80 150 -1 1 87
3 100 140 1 -1 88
4 100 150 1 1 89

5 90 145 0 0 85
6 90 145 0 0 87
7 90 145 0 0 87
8 90 145 0 0 87
9 90 145 0 0 87

10 76 145 -1,41 0 87
11 104 145 1,41 0 88
12 90 138 0 -1,41 87
13 90 152 0 1,41 89

Se parte de un modelo del tipo:

(5.7x)
 Donde y es la respuesta; , representa la media general, son los

coeficientes de regresin a estimar, Xi, Xi*Xj representan los k factores codificados en

su forma lineal, cuadrtica e interaccin respectivamente, y es el error experimental o

aleatorio.
Una vez obtenido los datos se procede a realizar el anlisis estadstico respectivo,
basado en los lineamientos de la MSR, para tal fin se sigue el siguiente procedimiento:

Paso 1
En esta fase se procedi a realizar el estudio estadstico correspondiente para
verificar si las variables resultan significativas en la respuesta.
Se gener un modelo de primer orden, utilizando los puntos factoriales y axiales
respectivamente, obtenindose los siguientes resultados:

Anlisis de Regresin para el modelo:

Estimate Std. Error t value Pr(>|t|)

(Intercept) 87.71429 0.32341 271.2198 1.109e-09 ***
x1 1.25000 0.42783 2.9217 0.04317 *
x2 0.75000 0.42783 1.7530 0.15447
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1

Multiple R-squared: 0.7437, Adjusted R-squared: 0.6156

F-statistic: 5.805 on 2 and 4 DF, p-value: 0.06566

Modelo de regresin lineal de primer orden

Y = 87,71429 + 1,25X1 (NRO)

Anlisis de Varianza para el modelo de primer orden

Response: y
Df SumSq MeanSq Fvalue Pr(>F)
FO(x1, x2) 2 8.5000 4.2500 5.8049 0.06566
Residuals 4 2.9286 0.7321
Lack of fit 2 2.2619 1.1310 3.3929 0.22764
Pure error 2 0.6667 0.3333

Corresponding increment in original units:

x1 x2
0.8574929 0.5144958
 Los resultados muestran que la falta de ajuste del modelo no es significativa. A su
vez, coeficiente de determinacin (R^2) fue de 0,7437, indicando que del 100%, el modelo
lineal explica la variabilidad dela respuesta (rendimiento) en un 74,37%, el cual est
determinado por el aporte de la variable tiempo de reaccin, ya que la variable temperatura
no es significativa no aparece en el modelo. Sin embargo, se procede a evaluar el modelo
de segundo orden.

Paso 2:
Se procede a evaluar los efectos cuadrticos, para lo cual se realiza el anlisis de
regresin para generar el modelo de 2do orden, incluyendo repeticiones al centro del
diseo, a travs del respectivo Anlisis de Varianza.

Anlisis de Regresin para el modelo de 2do. Orden:

Estimate Std. Error t value Pr(>|t|)

(Intercept) 87.99994 0.34271 256.7765 3.587e-15 ***
x1 0.80187 0.27096 2.9594 0.02112 *
x2 0.72861 0.27096 2.6890 0.03113 *
x1:x2 -0.75000 0.38316 -1.9574 0.09117 .
x1^2 -0.62510 0.29061 -2.1510 0.06851 .
x2^2 0.12512 0.29061 0.4306 0.67974
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1

Multiple R-squared: 0.781, Adjusted R-squared: 0.6245

F-statistic: 4.992 on 5 and 7 DF, p-value: 0.02886

Modelo de regresin lineal de segundo orden

Y = 87,99994 + 0,80187X1+0,72861X2 (Nro)

ys = 86,601 + 0,804 x1 + 0,730 x2 + 0,325 x1*x1 + 0,576 x2*x2 - 0,250 x1*x2
Anlisis de Varianza para para el modelo de segundo orden

Analysis of Variance Table

Response: y
Df Sum Sq Mean Sq F value Pr(>F)
FO(x1, x2) 2 9.3895 4.6948 7.9945 0.01558
TWI(x1, x2) 1 2.2500 2.2500 3.8314 0.09117
PQ(x1, x2) 2 3.0189 1.5095 2.5704 0.14554
Residuals 7 4.1108 0.5873
Lack of fit 3 2.1108 0.7036 1.4072 0.36354
Pure error 4 2.0000 0.5000
FO=Efecto lineal, TWI=Efecto interaccin, PQ=Efecto cuadrtico

Los resultados muestran que la falta de ajuste del modelo no es significativa. A su

vez, coeficiente de determinacin (R^2) fue de 0,781, indicando que del 100%, el modelo
lineal explica la variabilidad dela respuesta (rendimiento) en un 78,1%. En el modelo se
incluyen las variables x1 y x2, tiempo y temperatura respectivamente con su aporte lineal,
sin embargo, los efectos de interaccin y cuadrticos no son significativos. A continuacin,
se somete el modelo de 2do orden al Anlisis Cannico y Ridge para determinar las
condiciones ptimas de operacin del proceso de elaboracin de biodiesel.

Paso 3:
A continuacin se procede a explorar la regin experimental, a travs del modelo
de 2do orden, para caracterizar la superficie y determinar las coordenadas del punto
estacionario y el tipo de punto.

Anlisis Cannico
Stationary point of response surface:
$xs
x1 x2
0.8535036 -0.3535766

$eigen$values
[1] 0.2804215 -0.7803988

$eigen$vectors
[,1] [,2]
x1 0.3826137 -0.9239084
x2 -0.9239084 -0.3826137

Los resultados muestran que el punto estacionario, o candidato a punto ptimo o de

mxima respuesta est determinado por X1=0.8535036 y X2= -0.3535766, que en trminos
de los valores reales de las variables en estudio son: X1=96,65732808min y
X2=143,6210513 F, respectivamente, para generar un rendimiento en la produccin de
biodiesel igual a y=88,42671949%.
El tipo de punto estacionario viene determinado por los signos de los valores
propios o caractersticos (eingevalores), en este caso hay ambos signos, 1=0.2804215 y 2=
- 0.7803988 lo que indica que se est en presencia de un punto de silla.
Paso 4:
En este paso se procede a ir en bsqueda del mejor punto posible dentro de la
regin experimental, lo cual se realiza a travs del Anlisis Ridge. Se establece la regin
entre (-1,1) a un paso de 0.25 unidades.

Anlisis Ridge

Path of steepest ascent from ridge analysis:

dist x1 x2 | yhat
1 1.00 0.024 1.000 | 88.855
2 0.75 0.103 0.743 | 88.629
3 0.50 0.160 0.474 | 88.429
4 0.25 0.143 0.205 | 88.234
5 0.00 0.000 0.000 | 88.000
6 0.25 0.143 0.205 | 88.234
7 0.50 0.160 0.474 | 88.429
8 0.75 0.103 0.743 | 88.629
9 1.00 0.024 1.000 | 88.855

Se observa que el punto candidato a ptimo est en el paso 5, es decir, en el origen,

para X1=0 y X2= 0, respectivamente, obtenindose una respuesta estimada igual a Y=88,
toda vez que se observa variacin o inestabilidad en la respuesta al alejarse de este punto.
En trminos de los valores reales de las variables en estudio son: X1=90min y X2=145F,
respectivamente, para generar un rendimiento en la produccin de biodiesel igual a
y=87,99994%.

Grficas del modelo

A continuacin se presentan las grficas del modelo en estudio,
Grafica Nro. XX: Superficie de Respuesta para el Rendimiento en funcin de la temperatura y tiempo

Grafica Nro. XX: Curvas de nivel y contorno para el Rendimiento en funcin de la temperatura y
tiempo.

Interpretacin de las grficas?

 5.2.2. Utilizacin de los Algoritmos Evolutivos en la Metodologa de Superficies
de Respuesta para la optimizacin de procesos a datos simulados.
Una vez obtenido el modelo de segundo orden, a travs de la aplicacin de la
Metodologa de Superficie de Respuesta, justo antes de aplicar el Anlisis de Cordillera, se
incorpora el Algoritmo Evolutivo (AE), en R, para realizar la optimizacin del proceso.
Para ello, se establecen los siguientes pasos:

Paso 1:
Se define la funcin Fitness (funcin de aptitud o de adecuacin), representada por el
modelo de 2do. Grado generado en la aplicacin de la Superficie de Respuesta a los datos
simulados.
(Nro)

Paso 2:
Se establecen las condiciones de operacin del algoritmo, segn se muestran a
continuacin:
Tipo de Algoritmo (Real): real_valued
Tipo de Seleccin (Por torneo): geareal_tourselection
Tipo de Cruce (Un Punto): gareal_spCrossover
Tipo de Mutacin (Uniforme): gareal_raMutation
Grado de entrecruzamiento (80%): pcrossover = 0.8
Grado de mutacin por generacin (5%): pmutation = 0.01
Tamao mximo de la poblacin (500): popSize = 100
Mximo nmero de Interacciones (600): maxiter = 100

Paso 3:
Se generan los resultados y la grfica correspondiente: Ver programa en el Anexo X

ALGORITMO EVOLUTIVO
RESULTADOS

Search domain =
x1 x2
Min -1 -1
Max 1 1

GA results:
Iterations 100
Fitness function value = -86.26946
Solution =
x1 x2
[1,] -1 -1
 El punto candidato ptimo generado por el AE es para X1= -1 y X2= -1,
respectivamente. En trminos de los valores reales de las variables en estudio son:
X1=82,2min y X2=141,1F, respectivamente, para generar un rendimiento en la produccin
de biodiesel igual a y=86,46946%.

GRFICA
5.2.3 Comparacin de los resultados obtenidos en la aplicacin de las metodologas en
estudio en la optimizacin de procesos.
El potencial y las limitaciones tanto de la Metodologa Superficie de Respuesta
(MSR) como de los Algoritmos Evolutivos (AE) fue presentado en esta investigacin a
travs del anlisis terico y experimental, este proceso permiti realizar una comparacin
entre ambas metodologas aplicadas en la optimizacin de procesos con la finalidad de
determinar sus ventajas y desventajas al momento de que el investigador deba tomar una
decisin del mejor camino a seguir.
En tal sentido, a continuacin se presenta el proceso de evaluacin y anlisis
utilizado, tomando en cuenta la naturaleza estocstica de las metodologas estudiadas y
estableciendo como medidas de desempeo los criterios que se describen a continuacin:
1. La Varianza de las funciones analticas se utiliz para medir precisin y estabilidad
de los mtodos. Para un mtodo heurstico de optimizacin, se dice, que es estable si este
estadstico es bajo. Se cataloga la precisin en el mtodo cuando, la diferencia entre la
media de las pruebas y el valor optimo analtico es pequeo.
2. La metodologa es descrita como robusta, cuando se prueba en diferentes problemas
y ofrece precisin y estabilidad.
3. Se estim el tiempo empleado por las metodologas en estudio, como el promedio
de la duracin de la ejecucin de las corridas realizadas y fue expresado en segundos.
En funcin de los resultados de la fase experimental, se establece la comparacin
entre la respuesta de la variable en estudio, en este caso, rendimiento (y) medido en
porcentaje rendimiento de biodiesel a partir de grasa refinada de pollo, generados a travs
de la simulacin y los obtenidos a travs de la aplicacin del Anlisis Ridge de la Superficie
de Respuesta y del Algoritmo Evolutivo. Las respuestas son las siguientes:

Rendimiento (y) %
Simulados Ridge AE
85 88,855 87,719
88 88,429 87,365
89 88,000 87,156
89 88,429 86,936
88 88,855 86,789
RESUMEN 87 89,400 86,568
Grupos Cuenta 88Suma 90,079
Promedio 86,591 Varianza
Simulados 13 89 1140 90,89787,6923077
86,541 1,56410256
88 91,855 86,491
86 92,951 86,466
87 94,189 86,433
87 95,564 86,407
89 97,079 86,394
Ridge 13 1184,582 91,1216923 8,92832906
AE 13 1127,856 86,7581538 0,17599764

ANLISIS DE VARIANZA
Valor
Origen de las Suma de Grados de Promedio de los crtico
variaciones cuadrados libertad cuadrados F P F
Entre grupos 137,253091 2 68,6265453 19,298027 2,0163E-06 3,25944
Dentro de los
grupos 128,021151 36 3,55614309

Total 265,274242 38

El anlisis produce dos grupos de comparaciones un grupo con el Ridge y otro con
la agrupacin de AE y Simulados (no hay diferencias significativas entre ellos). Se
encuentran diferencias significativas con los resultados estimados usando el mtodo Ridge,
observando que la estimacin de los datos por el AE es ms ajustado a los datos
introducidos desde la simulacin realizada. Observado las varianzas de los mtodos se
puede afirmar que el AE produce valores ms precisos o robustos que el mtodo Ridge,
siendo este 80 veces ms alto que el de la metodologa AE.

TIEMPO DE EJECUCIN AE

user system elapsed

1.00 0.11 1.45