Está en la página 1de 25

OPTIMIZACIÓN DE PROCESOS

CON METODOLOGÍA DE
SUPERFICIE DE RESPUESTA
JUSTIFICACIONES PARA USAR MSR
 Cuando en un experimento no se obtuvieron las
respuestas buscadas, o el nivel de mejoras logrado no
es suficiente.

 Después de una primera etapa experimental,


puede “moverse” la región experimental en una
dirección adecuada, o bien, explorar una parte de la
región experimental inicial.

 La MSR permite encontrar las condiciones de


operación “óptimas”.
MOVERSE DE LUGAR Y ESTUDIAR LA CURVATURA
REGIÓN EXPERIMENTAL Y REGIÓN DE OPERABILIDAD
PUNTO ÓPTIMO

 En diseños factoriales, el mejor tratamiento es el


“tratamiento ganador” (estadísticamente) de entre
todos los que se probaron en el estudio.

 Pero, el punto óptimo implica que es la mejor


combinación posible en toda la región de
operabilidad.

 Por tanto, determinar el punto óptimo plantea un


reto más fuerte y requiere de una estrategia más
completa, que incluye la posibilidad de realizar
varios experimentos en forma secuencial y el uso de
otras técnicas de análisis.
PUNTO ÓPTIMO
PERTINENCIA

 En algunos procesos, el tratamiento ganador resulta


ser casi tan bueno como el punto óptimo → habría
que considerar si vale la pena el esfuerzo de llegar Al
óptimo.

 Por ejemplo, si el tratamiento ganador proporciona


un rendimiento de 97%, ¿vale la pena realizar el es
fuerzo experimental y de análisis para encontrar el
punto óptimo de operación sólo por el 3% restante?

 ¡Depende!
ELEMENTOS DE LA MSR

 Un diseño que permita ajustar un modelo de


regresión lineal múltiple.

 Un modelo para el análisis, junto con sus


parámetros, ajustes, significancia, prueba de falta de
ajuste, residuos, predichos, intervalos de confianza
para predichos y coeficiente de determinación.

 Una técnica de optimización, como: derivadas de


funciones, multiplicadores de Lagrange, operaciones
con matrices, valores y vectores propios y sistemas
de ecuaciones simultáneas.
DISEÑO

1. Que genere una distribución satisfactoria de los


puntos experimentales sobre la región experimental.

 Los diseños más utilizados son puntos distribuidos


de manera uniforme sobre la región experimental, o
cuando menos tienen alguna simetría con respecto al
centro de ésta.
DISEÑO

2. Que requiera un número mínimo de corridas


experimentales.

3. Que permita que otros diseños de orden mayor se


construyan a partir de él. Esto permite que, cuando el
comportamiento de la respuesta resulta ser más
complicado de lo que se pensaba (por ejemplo, se
detecta curvatura), se agregan puntos adicionales al
diseño para tratar de explicar ese comportamiento.
DISEÑO

4. El experimento debe permitir la detección de la falta


de ajuste, para lo cual se requieren repeticiones al
menos en el centro del diseño.

5. El diseño debe proporcionar un estimador puro de la


varianza del error, lo cual se logra con repeticiones al
menos en el punto central.
DISEÑO
MODELO
RELACIÓN MODELO-DISEÑO
EJEMPLOS DE TIPOS DE SUPERFICIE DE
RESPUESTA
TÉCNICAS DE OPTIMIZACIÓN

1. Escalamiento ascendente (o descendente)


2. Análisis canónico
3. Análisis de cordillera
1. ESCALAMIENTO ASCENDENTE (O DESCENDENTE)

 Se aplica cuando, de acuerdo con la valoración


inicial, se cree que se está lejos de la condición
óptima.

 Entonces, se explora una región de experimentación


inicial y a partir de ésta determina una dirección en
la cual experimentar fuera de la región inicial.
2. ANÁLISIS CANÓNICO

 Se aplica cuando se quiere explorar con más


amplitud una región experimental y/o cuando se
espera que el punto óptimo ya esté cerca
(probablemente dentro de la región experimental).
2. ANÁLISIS CANÓNICO

 Es una de las técnicas para analizar el modelo de


segundo orden y consiste en los siguientes pasos:

1. A partir del conocimiento previo, seleccionar los


niveles de los factores para determinar la región de
exploración.
2. Correr un diseño de segundo orden (ej: diseño de
composición central) para explorar la región
experimental.
3. Ajustar el modelo con niveles codificados.
4. Encontrar las coordenadas del punto estacionario
(candidato a óptimo).
2. ANÁLISIS CANÓNICO

5. Reescribir el modelo ajustado en su forma canónica,


es decir, en términos de nuevas variables llamadas
variables canónicas, las cuales son transformaciones
de las variables codificadas.
La ventaja es que la ecuación canónica proporciona
información a simple vista sobre el tipo de superficie
que se está observando y sobre su forma.

6. Evidenciar la relación entre las variables canónicas


y las variables codificadas.
3. ANÁLISIS DE CORDILLERA
Cuando la opción es encontrar el “mejor punto posible”
dentro de la región experimental. Este punto se ubica
sobre la cordillera óptima a partir del centro del diseño,
y es aquel que predice la mejor respuesta sobre la región.

El análisis consiste en calcular el máximo o mínimo de la


superficie de respuesta sobre esferas concéntricas al
centro del diseño, empezando por una esfera de radio
casi cero y posteriormente se abre la exploración
incrementando el radio de la siguiente esfera.
3. ANÁLISIS DE CORDILLERA
Así se continúa hasta llegar a la primera esfera que
cubre los puntos experimentales.

El mejor punto posible es aquel sobre el que se predice el


óptimo desempeño de la variable de respuesta. Con
frecuencia, este punto se ubica en la esfera de radio más
grande.

Si k=2 factores, no son esferas sino circunferencias.

Se van alcanzando mejores puntos y se va escalando la


superficie.
3. ANÁLISIS DE CORDILLERA
DISEÑO DE COMPOSICIÓN CENTRAL