Documentos de Académico
Documentos de Profesional
Documentos de Cultura
4.1 Introducción
81
2. Los modelos de respuesta son ajustados de datos experimentales que
usualmente contienen variabilidad aleatoria debido a causas incontrolables o
desconocidas. Esto implica que un experimento, si se repite, generará un
modelo de superficie respuesta diferente lo que podría dar diferentes
condiciones óptimas de operación. Por lo tanto, debería considerarse la
variabilidad del muestreo en la optimización experimental. En contraste, en las
técnicas de optimización clásica las funciones son determinísticas y dadas.
3. Las respuestas ajustadas son aproximaciones locales, implicando que el
proceso de optimización requiere la presencia del experimentador (una
persona familiarizada con el proceso). Esto en contraste con la optimización
clásica donde todo está automatizado a través de un algoritmo computacional.
Y f ( x1 , x2 )
82
Figura 4.1: Superficie respuesta tridimensional que muestra el rendimiento
esperado como una función de la temperatura y presión
Y 0 1 X 1 2 X 2 ... k X k
83
Si existe curvatura en el sistema, entonces debe emplearse un polinomio de
grado superior, tal como el modelo de segundo grado.
k k
Y 0 i X i ii X i2 ij X i X j
i 1 i 1 i j
84
4.2 Diseño Central Compuesto
85
otro lado la rotabilidad implica que podemos estimar la respuesta con igual
varianza respecto a la dirección del centro del diseño.
Así por ejemplo, para optimizar un proceso con dos variables (k =2), el
primer bloque lo constituye un factorial 22, el segundo bloque estrella un conjunto
de 2x2 pruebas y el tercer bloque repeticiones en el centro (3 ó más).
N x1 x2
1 -1 -1
2 +1 -1
3 -1 +1
4 +1 +1
5 -1,41 0
6 +1,41 0
7 0 -1,41
8 0 +1,41
9 0 0
10 0 0
11 0 0
86
N x1 x2 x3
1 -1 -1 -1
2 +1 -1 -1
3 -1 +1 -1
4 +1 +1 -1
5 -1 -1 +1
6 +1 -1 +1
7 -1 +1 +1
8 +1 +1 +1
9 -1,68 0 0
10 +1,68 0 0
11 0 -1,68 0
12 0 +1,68 0
13 0 0 -1,68
14 0 0 +1,68
15 0 0 0
16 0 0 0
17 0 0 0
k N Comentario
4 26 Completo
5 44 Fracción
6 46 Fracción
E (Y ) 0 1 X 1 2 X 2 11 X 12 22 X 22 12 X 1 X 2
87
Dependiendo de los valores de los coeficientes, se puede describir
diferentes superficies de respuesta. Los más comunes son aquellos con un
máximo, un mínimo, ó un punto "silla de caballo". Gráficos de los contornos de
estos tres tipos de superficies se muestran en la figura siguiente.
Alejándose del punto crítico (el punto del óptimo) en cualquier dirección,
resulta en una disminución (o incremento) de la respuesta. Sin embargo, en el
caso del punto "la silla de caballo" el experimentador puede obtener un
incremento o disminución en la respuesta cuando se aleje del punto crítico,
dependiendo de la dirección que tome.
88
E ( y )
1 2 11 X 1 12 X 2 0
X 1
E ( y )
2 2 22 X 2 12 X 1 0
X 2
12 2 2 22 1
X 1, 0
4 11 22 12
2
12 1 2 11 2
X 2, 0
4 11 22 122
2 E (Y ) 2 E (Y ) 2 E (Y )
2 ; ; 2 22
X 12 X 1X 2 X 22
11 12
89
La siguiente tabla resume las propiedades de las tres variedades de diseños
centrales compuestos. La figura siguiente ilustra las relaciones entre estas
variedades.
90
FIGURA 4.5: Comparación de los tres tipos de Diseños Centrales
Compuestos
91
B. Ejemplo de aplicación
A/O pH E(%)
0.18 1.9 78.23
0.19 1.9 77.02
0.18 2.0 74.64
0.19 2.0 76.51
0.177929 1.95 76.86
0.192071 1.95 76.52
0.185 1.87929 77.93
0.185 2.02071 74.91
0.185 1.95 76.21
0.185 1.95 77.02
0.185 1.95 77.54
92
Superficie de Respuesta Estimada
Extracción_Cu
69.0-70.5
70.5-72.0
72.0-73.5
84 73.5-75.0
75.0-76.5
81
Extracción_Cu
76.5-78.0
78.0-79.5
78 79.5-81.0
81.0-82.5
75
82.5-84.0
72
2.04
69 2
1.96
1.92
0.17 0.174 1.88
0.178 0.182 0.186 1.84
0.19 0.194 1.8 pH
orgánico
93
Contornos de la Superficie de Respuesta Estimada
2.04 Extracción_Cu
69.0-70.5
70.5-72.0
2
72.0-73.5
73.5-75.0
1.96 75.0-76.5
76.5-78.0
78.0-79.5
pH
1.92
79.5-81.0
81.0-82.5
1.88 82.5-84.0
1.84
1.8
0.17 0.174 0.178 0.182 0.186 0.19 0.194
orgánico
Muchos experimentos toman en cuenta más de dos niveles en cada uno de sus
factores. En este caso veremos el caso donde se tienen a niveles del factor A, b
niveles del factor B, c niveles del factor C, y así sucesivamente, acomodados en un
experimento factorial. En general, se tendrá un total de abc...n observaciones,si
existen n réplicas del experimento completo.
94
Fuente de Suma de Grados de Varianza Fo
Variación Cuadrados Libertad
A SSA a–1 MSA MSA/MSE
Note que al menos deben existir al menos dos réplicas (n 2) para calcular una
suma de cuadrados del error. La prueba F sobre los efectos principales y las
interacciones se obtiene directamente de las medias de cuadrados esperadas. Estos
cocientes tienen distribuciones F bajo las hipótesis nulas respectivas.
a b c n
y2
SST yijkl
2
i 1 j 1 k 1 l 1 abcn
a
yi2 ... y 2 ...
SS A
i 1 bcn abcn
b y.2j.. y 2 ...
SS B
j 1 acn abcn
95
c
y 2 ..k . y 2 ...
SS C
k 1 abn abcn
a b yij2... y...2
SS AB SS A SS B
i 1 j 1 cn abcn
a c
yi2.k . y...2
SS AC SS A SS C
i 1 k 1 bn abcn
c y2
b
y2
... SS B SS C
. jk .
SS BC
j 1 k 1 an abcn
i 1 j 1 k 1 n abcn
96
Suponiendo que luego de haber realizado la experimentación utilizando un
diseño multinivel 2x3x2=12 pruebas tenemos los siguientes resultados.
orgánico pH
1,6 1,8 2,0
0,1 80,11 75,99 72,03
80,05 76,25 72,14
0,2
82,99 79,35 76,36
83,19 80,04 75,99
2 Extraccion_Cu
72.0-73.2
73.2-74.4
74.4-75.6
1.9 75.6-76.8
76.8-78.0
78.0-79.2
79.2-80.4
pH
1.8
80.4-81.6
81.6-82.8
82.8-84.0
1.7
1.6
0.1 0.12 0.14 0.16 0.18 0.2
orgánico
97
Las condiciones óptimas se determinan optimizando el modelo matemático
producto de la regresión múltiple.
Para cada respuesta Yi(x), una función de deseabilidad di(Yi) asigna números
entre 0 y 1 a los posibles valores de Yi, con di(Yi) = 0 representando un valor
completamente indeseable de Yi y di(Yi) = 1 representando un valor completamente
deseable o valor ideal de la respuesta. Las deseabilidades individuales son luego
combinadas utilizando la media geométrica, la cual proporciona la deseabilidad total
D:
Dd1Y1xd2Y2 x...xdkYk
1/ k
98
deseabilidad total es cero. En la práctica, se utilizan los valores ajustados de las
respuestas i en vez de los valores originales Yi.
99
Finalmente, si queremos minimizar una respuesta, entonces debemos utilizar la
siguiente función de deseabilidad:
Ejemplo
100
Espumante Activador Colector Recuperación Grado
20.0 300.0 40.0 89.89 45.48
50.0 300.0 40.0 84.74 51.87
20.0 500.0 40.0 89.26 43.53
50.0 500.0 40.0 83.71 49.31
20.0 300.0 80.0 87.42 50.46
50.0 300.0 80.0 83.27 52.13
20.0 500.0 80.0 85.23 50.04
50.0 500.0 80.0 74.58 53.99
35.0 400.0 60.0 79.66 52.93
35.0 400.0 60.0 79.92 52.65
20.0 300.0 40.0 89.89 45.48
500 Recuperacion
74.0-75.6
75.6-77.2
460 77.2-78.8
78.8-80.4
80.4-82.0
activador
420 82.0-83.6
83.6-85.2
85.2-86.8
380 86.8-88.4
88.4-90.0
340
300
20 25 30 35 40 45 50
espumante
R2=77,92%
101
Optimizando el modelo anterior obtenemos las siguientes condiciones para
obtener la recuperación máxima de Zn:
R2=82,98%
102
Optimizando el modelo anterior obtenemos las siguientes condiciones para
obtener la ley máxima de Zn:
103
De acuerdo a la tabla anterior se puede observar que se ha seleccionado una
solución de compromiso entre la recuperación y el grado del Zn. Los resultados finales
se muestran en la siguiente tabla:
500 Deseabilidad
0.0-0.1
0.1-0.2
460 0.2-0.3
0.3-0.4
0.4-0.5
activador
420 0.5-0.6
0.6-0.7
0.7-0.8
380 0.8-0.9
0.9-1.0
340
300
20 25 30 35 40 45 50
espumante
420
80.4
380
82.0
340
52.6
86.8 85.2 83.6
300
20 25 30 35 40 45 50
espumante
104
4.5 Tópicos Avanzados De Diseño De Experimentos
4.5.1 Cuando los diseños clásicos no funcionan
Cuando situaciones como las de arriba existen, los diseños ayudados por
computadora constituyen una opción muy útil. En algunas situaciones, son solamente
una opción que el experimentador posee.
105
4.5.2 Diseños asistidos por computadora
106
optimalidad de un diseño dado es dependiente del modelo. Es deicr, que el
experimentador debe especificar un modelo para el diseño y el número final de puntos
deseados antes de que el diseño óptimo sea generado. El diseño generado por el
algoritmo de computadora es “óptimo” solamente para ese modelo.
Diseños D-óptimos
Este tipo de diseño constituye siempre una opción ya sea de acuerdo al tipo de
modelo que el investigador desea ajustar (por ejemplo de primer orden, primer orden
más interacciones, cuadrático, cúbico, etc.) o el objetivo especificado por el
experimento (por ejemplo, selección, superficie respuesta, etc.). Los diseños D-
óptimos son optimizaciones lineales basadas en un criterio de optimalidad y en el
modelo al cual se ajustará. El criterio de optimalidad utilizado para generar un diseño
D-óptimo es el de maximizar |X'X|, el determinante de la matriz de información X'X.
Las razones para utilizar los diseños D-óptimos en vez de los diseños clásicos
estándares generalmente se agrupan en tres categorías:
107
Ejemplo 1:
108
En primer lugar creamos un diseño multifactorial 5x5x5 con dos repeticiones.
Esto constituirá nuestro conjunto candidato de corridas.
Para crear un diseño D-Óptimo, este archivo deberá cargarse usando la opción Abrir
Datos Fuente sobre el menú Archivo. Después de que las corridas son cargadas en
la base de datos, las 6 corridas que fueron desarrolladas deben agregarse
manualmente al final de la hoja
109
Notemos lo siguiente:
1. Un número separador de bloque tiene indicado cuales fueron las corridas
iniciales (3). Dependiendo si el experimentador cree que las condiciones
cambiaron sobre las corridas iniciales, el número de bloque puede o no puede
incluirse sobre la estimación del modelo. La caja de dialogo en Opciones del
Análisis sobre ambos procedimientos de Analizar Diseño y Optimizar Diseño
contienen una opción para ignorar los números de bloque.
Una vez que las corridas candidatas son cargadas en la base de datos, Optimizar
Diseño debe seleccionarse del menú Diseño de Experimentos. Inicialmente, se
desplegara un mensaje simple indicando que las Opciones del Análisis pueden
seleccionarse:
110
Máximo Orden del Efecto – El máximo orden del efecto a ser incluido en el
modelo. Especificar “1” para un modelo que contenga solamente efectos
principales, o especificar “2” si las interacciones dobles o efectos cuadráticos
deben incluirse.
Método: El método usado para seleccionar las corridas. Puesto que el número
de maneras de cambiar subconjuntos de las corridas candidatas es muy
grande para revisar todas las posibilidades, STATGRAPHICS (como otros
programas) usa un algoritmo de selección para cambiar los subconjuntos. El
método Hacia Adelante empieza con las corridas que fueron desarrolladas (si
cualquiera) y agrega una corrida a la vez, adicionando en cada paso la corrida
que suma la mayor D-Eficacia del experimento. El método Hacia Atrás empieza
con todas las corridas candidatas y remueve una corrida a la vez, removiendo
en cada paso la corrida que suma la menor D-Eficacia del experimento. En
ambos casos, una vez que el número de corridas deseadas es seleccionado,
un algoritmo de intercambio será desarrollado. Este algoritmo prueba todos los
pares de corridas consistentes de una que fue seleccionada y otra que no lo
fue, hacer cualquier cambio puede incrementar la eficiencia del experimento.
Los cambios continúan hasta no tener mejoras adicionales que puedan
realizarse cambiando una corrida que fue seleccionado con otra que no lo fue.
Botón Excluir: Presione este botón para excluir efectos específicos del modelo.
La siguiente caja de dialogo será desplegada:
111
Figura 4.14: La caja de diálogo muestra los términos que incluye el modelo
Dar doble clic sobre cualquier efecto que se pueda mover de un lado para otro.
Una vez que presionamos dos veces OK el programa nos despliega la siguiente
pantalla:
Optimize Experiment
File name: hugo.sfx
D-optimal Design
Design has been reduced to 15 runs.
112
D-efficiency = 37,4089%
A-efficiency = 20,8063%
G-efficiency = 63,0889%
• D-Eficacia – Compara el determinante de X′X con el valor del diseño mejor posible
de acuerdo a:
• G- Eficacia – Compara la predicción del error estándar máximo σm sobre los puntos
del diseño a través de:
Para los diseños con D-Eficacia igual, los otros dos criterios pueden usarse para
seleccionar el mejor diseño. En un diseño “organizado” como el que tenemos, las
eficacias del diseño pueden ser bien bajas cuando requerimos un número de corridas
mínimo.
113
Presionando la opción TABULAR podemos obtener la lista de corridas candidatas:
Figura 4.15: Caja de diálogo mostrando las corridas seleccionadas en color rojo y
con asterisco
Prueba T Flujo C
1 180 50 20
2 160 72,5 20
3 160 50 40
4 180 50 40
5 160 80 40
6 180 80 20
7 160 65 30
8 180 50 40
9 170 65 40
114
Problema Propuesto:
Los niveles de los factores considerados por el investigador para los factores son los
siguientes:
Un objetivo del diseño, debido a las limitaciones de los recursos es utilizar solamente
doce corridas o pruebas ( n = 12). Seleccione el mejor diseño utilizando cualquiera de
los criterios de optimalidad.
Respuesta:
De las 60 pruebas candidatas el programa escoge las 12 mejores de acuerdo al
modelo seleccionado previamente.
115
4.6 Metodología Multisimplex
116
El método básico del simplex es fácil para entender y aplicar. La optimización
comienza con las pruebas iniciales. Las condiciones de prueba son conocidas
fácilmente. El número de pruebas iniciales es igual al número de variables de control
más uno. Estas pruebas iniciales forman el primer simplex. Las formas del simplex de
búsqueda en una dos y una tres variables en el espacio, son una línea, un triángulo
o un tetraedro. Una interpretación geométrica es difícil con más variables, pero el
acercamiento matemático esbozado debajo puede manipular la búsqueda para las
condiciones óptimas.
Un diseño simplex regular para k factores está constituido por una matriz X de
pruebas conformada por k columnas y k+1 filas. Geométricamente está definido por
un conjunto de k+1 puntos equidistantes en un espacio de dimensión k. Así, en el
espacio unidimensional, k=1, es decir para un solo factor, el diseño simplex está
constituído por un segmento de línea recta (2 puntos). Para dos factores, el diseño
simplex es un triángulo equilátero (3 puntos); para cuatro factores es un tetraedro
regular (4 puntos), etc.
Las pruebas iniciales del método simplex fueron sugeridas por Spendley, Hext
y Himsworth en 1962. Un simplex regular queda especificado por la matriz k(k+1)
siguiente:
117
0 0 0 ... 0
p q q ... q
D0 q p q ... q
... ... ... ... ...
q q q ... p
Donde
p
1
k 2
k 1 k 1
q
k 2
1
k 1 1
Si deseamos construir un simplex regular para k =2 factores, entonces la matriz
diseño estará conformada por k =2 columnas y k+1=3 filas de la matriz D, es decir
que las pruebas que debemos correr (en niveles codificados) son:
x1 x2
0,00 0,00
0,96 0,26
0,26 0,96
118
Ahora que sabemos cómo empezar con un simple para k factores,
explicaremos como funciona este método secuencial. En primer lugar se realizan los
ensayos correspondientes a los k+1 vértices del poliedro en el espacio de dimensión
k. A partir de esta figura se construyen sucesivamente nuevos poliedros no regulares,
eliminando siempre el punto que da la peor respuesta y localizando un nuevo punto
experimental, que junto a los restantes del poliedro inicial, formarán el nuevo poliedro,
o nuevo ciclo de pruebas. El nuevo punto que se va añadiendo puede ser reflejado o
contraído. Para ilustrar mejor como trabaja este método utilizaremos un simplex para
k=2, es decir para optimizar dos variables o factores controlables. Este diseño
geométricamente estará constituido por un triángulo equilátero de vértices (1), (2) y
(3), tal como se observa en la siguiente figura:
7
8
4
2
6
1
3 5
En caso contrario si el punto (4) fuera peor que el (1) habría que hallar un
nuevo punto denominado contraído (5). Si continuamos con este procedimiento, es
119
decir eliminando el punto que proporciona la peor respuesta y reemplazándolo con su
imagen, nos moveremos rápidamente muy cerca a una región estacionaria. La
trayectoria que tiene este método es una línea quebrada que oscila alrededor de la
trayectoria obtenida por el método de la pendiente ascendente, como puede verse en
la figura siguiente.
120
Figura 4.20: Trayectoria del método Simples Básico
El método modificado del simplex tiene mucho en común con el método básico,
pero pueda ajustar su condición y el tamaño dependiendo de la respuesta en cada
paso. Este método es también llamado el método del simplex de tamaño variable.
Varias reglas nuevas se agregan para las reglas básicas del simplex. Estas reglas
nuevas son:
121
Figura 4.21: Secuencia de optimización del Simplex Modificado (cambio en los
niveles de las dos variables).
122
Figura 4.23: Diferentes movimientos a partir de la condición de rechazo (W). R =
reflexión, E = expansión, C+ = contracción positiva y C- = contracción negativa
123
La manera como y cuanto se expande o contrae se obtiene a partir de las
siguientes fórmulas:
Donde:
W : Ensayo rechazado.
C : Centroide de la cara o hipercara remanente. Promedio de los niveles
de las pruebas remanentes.
α : Coeficiente de reflexión que puede variar de 1 a 2.
β+ : Coeficiente de contracción positiva que puede variar entre 0,3 a 0,7.
β- : Coeficiente de contracción negativa que puede variar entre 0,3 a 0,7.
γ : Coeficiente de expansión que puede variar entre 1,5 a 3.
Ejemplo de Aplicación
E (%) 100 15 pH 0,5O 1 4,52 O
2 2 2
124
Tanto la dosificación de colector como el pH son variables cuantificables, cuyos
valores se fijan a dos niveles según el siguiente cuadro:
Utilizando los valores de los centros (reference value) y los radios del diseño
(step size) para cada factor, obtenemos fácilmente los niveles reales del experimento.
Del mismo modo, si reemplazamos estos valores en el modelo matemático
obtenemos las respuestas respectivas. Lo que equivaldría a correr secuencialmente
las siguientes pruebas mediante al algoritmo Multisimplex.
125