Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ÍNDICE
INTRODUCCION............................................................................................................................. 2
1
INTRODUCCION
La metodología de superficies de respuesta, es una colección de técnicas de diseño
niveles óptimos de un factor sobre una respuesta. Se hacen pocos experimentos y se enfoca
la atención sobre los niveles donde la respuesta es óptima por lo que se considera una
2
SUPERFICIES DE RESPUESTA
3
II. MARCO TEORICO
2.1 DEFINICION
La Metodología de Superficies de Respuesta es un conjunto de técnicas
Matemáticas y estadísticas utilizadas para modelar y analizar problemas en los
que una variable de interés es influenciada por otras. El objetivo es optimizar la
variable de interés. Esto se logra al determinar las condiciones óptimas de
operación del sistema.
La MSR es la estrategia experimental y de análisis que permite resolver el
problema de encontrar las condiciones de operación óptimas de un proceso, es
decir, aquellas que dan por resultado “valores óptimos” de una o varias
características de calidad del producto.
La Metodología de la Superficie de Respuesta (RSM) es un conjunto de técnicas
matemáticas y estadísticas utilizadas para modelar y analizar problemas en los
que una variable de interés es influenciada por otras. El propósito inicial de estas
técnicas es diseñar un experimento que proporcione valores razonables de la
variable respuesta y, a continuación, determinar el modelo matemático que mejor
se ajusta a los datos obtenidos. El objetivo final es establecer los valores de los
factores que optimizan el valor de la variable respuesta. Esto se logra al
determinar las condiciones óptimas de operación del sistema.
La diferencia entre (RSM) y un diseño experimental corriente estriba en que un
diseño experimental por si solo tiene como objetivo localizar el tratamiento
“ganador” entre todos aquellos que se han probado. En cambio, RSM pretende
localizar las condiciones óptimas de operación del proceso. Ello supone un reto
para el investigador, requiere una estrategia más completa e incluye la posibilidad
de efectuar varios experimentos secuenciales y el uso de técnicas matemáticas
más avanzadas.
2.2 CARACTERISTICAS
La característica del sistema de superficie de respuesta (máximo, mínimo, o punto
silla):
4
Genera 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.
Requiere un número mínimo de corridas experimentales, ya que en cada
prueba realizada se gastan recursos que siempre son escasos.
Permitir 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.
Permite la detección de la falta de ajuste, para lo cual se requieren
repeticiones al menos en el centro del diseño.
Proporciona un estimador puro de la varianza del error, lo cual se logra
con repeticiones al menos en el punto central.
2.3 FINALIDAD
2.4 TERMINOLOGÍA.
A continuación se presenta la terminología que se utilizará:
Factores.
Son las condiciones del proceso que influencian la variable de respuesta.
Estos pueden ser cuantitativos o cualitativos.
5
Respuesta.
Es una cantidad medible cuyo valor se ve afectado al cambiar los niveles de los
factores. El interés principal es optimizar dicho valor.
Función de respuesta.
Al decir que un valor de respuesta Y depende de los niveles x1, x2, ... xk de
k factores, x1, x2,... xk, estamos diciendo que existe una función matemática
de x1, x2, ... xk cuyo valor para una combinación dada de los niveles de los
factores corresponde a Y, esto es Y=f(x1, x2, ... xk.).
Función de respuesta predicha.
La función de respuesta se puede representar con una ecuación
polinomial. El éxito en una investigación de una superficie de respuesta
depende de que la respuesta se pueda ajustar a un polinomio de primer o
segundo grado.
Supongamos que la función de respuesta para los niveles de dos factores
se puede expresar utilizando un polinomio de primer grado:
Y = b0 + b1x1 + b2x 2
donde b0, b1, b2 son los coeficientes de regresión a estimar, x1 y x2
representan los niveles de x1 y x2 respectivamente. Suponiendo que se
recolectan N‡3 valores de respuesta (Y), con los estimadores b0, b1 y b2 se
obtienen b0, b1 y b2 respectivamente. Al remplazar los coeficientes de
regresión por sus estimadores obtenemos:
Yˆ = b0 + b1x1 +b2x 2
donde Yˆ denota el valor estimado de Y dado por x1 y x2.
Superficie de respuesta
La relación Y=f(x1, x2,... xk.) entre Y y los niveles de los k factores x1, x2,...
xk representa una superficie. Con k factores la superficie está en k+1
dimensiones. Por 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 está en tres dimensiones,
esto se observa en la figura 2.2 (Cornell [12] (1990)).
6
Superficie de respuesta en dos dimensiones
Gráfica de contornos.
La gráfica de contornos facilita la visualización de la forma de una
superficie de respuesta en tres dimensiones. En ésta las curvas de los
valores iguales de respuesta se grafican en un plano donde los ejes
coordenados representan los niveles de los factores. Cada curva representa
un valor específico de la altura de la superficie, es decir un valor específico
de Yˆ . Esto se muestra en la figura 2.3 (Cornell [12] 1990). Esta gráfica
nos ayuda a enfocar nuestra atención en los niveles de los factores a los
cuales ocurre un cambio en la altura de la superficie.
Región experimental.
La región experimental especifica la región de valores para los niveles de
los factores. Esto se puede hacer empleando los niveles actuales de
operación para cada factor; si se desea explorar el vecindario se
incrementa y decrementa el valor del nivel en una cantidad determinada.
7
Superficie de respuesta tridimensional
8
El aspecto diseño implica que para optimizar un proceso se debe aplicar el
diseño de experimentos, en particular aquellos que sirven para ajustar un
modelo de regresión lineal múltiple. Más adelante se presentan algunos de
estos diseños, conocidos genéricamente como diseños para superficie de
respuesta.
El aspecto del modelo utiliza el análisis de regresión lineal múltiple, junto
con sus elementos básicos que son: parámetros del modelo, modelo
ajustado, significancia del modelo, prueba de falta de ajuste, residuos,
predichos, intervalos de confianza para predichos y coeficiente de
determinación.
Por último, el aspecto de optimización está formado por algunas técnicas
matemáticas que sirven para que, dado un modelo ajustado, explorarlo a
fin de obtener información sobre el punto óptimo. Conviene recordar
técnicas como: derivadas de funciones, multiplicadores de Lagrange,
operaciones con matrices, valores y vectores propios y sistemas de
ecuaciones simultáneas.
9
caracterizar mejor la superficie y modelar la curvatura. Con el modelo
ajustado se determinan las condiciones óptimas de operación del proceso
10
signos de los términos del modelo ajustado. Cuando la respuesta es del
tipo: el valor nominal es lo mejor, el problema es localizar la curva de
nivel específica que tenga la altura o valor requerido de la variable de
respuesta. En este caso, cada punto sobre la curva de nivel es una solución,
y de todos ellos se elige el de menor variabilidad y/o menor costo.
La técnica de optimización de escalamiento se aplica cuando, de acuerdo
con la valoración inicial, se cree que se está lejos de la condición óptima,
por lo que será necesario explorar una región de experimentación inicial
y a partir de ésta determinar una dirección en la cual experimentar fuera
de la región inicial.
Así, a partir del conocimiento que ya se tiene del problema es preciso
seleccionar los niveles de los factores para determinar la región de
exploración. A continuación se corre un diseño de primer orden
(típicamente un diseño 2k completo o fraccionado con puntos al centro)
para explorar la región experimental determinada antes. Se analizan con
detalle los resultados y se ajusta un modelo de primer orden con niveles
codificados. Si éste explica satisfactoriamente la variabilidad observada
es necesario continuar como se indica más adelante, de lo contrario,
investigar a qué se debe la falta de ajuste: ¿Mucha variabilidad?
¿Curvatura? ¿Región más complicada? y proceder en consecuencia. Con
el siguiente ejemplo vamos a ilustrar la metodología.
2.8.2 Análisis canónico
Se aplica un diseño de segundo orden 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). El
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 que ya se tiene del problema, seleccionar
los niveles de los factores para determinar la región de exploración.
11
2. Correr un diseño de segundo orden (un diseño de composición
central, por ejemplo) para explorar la región experimental
determinada antes.
3. Ajustar un modelo de segundo orden con niveles codificados. Si
éste explica bien la variabilidad observada continuar al siguiente
paso; de lo contrario, investigar por qué la falta de ajuste (¿mucha
variabilidad?, ¿región más complicada?) y proceder en
consecuencia.
4. Encontrar las coordenadas del punto estacionario.
5. Expresar el modelo ajustado en su forma canónica. El análisis
canónico consiste en reescribir el modelo ajustado de segundo
orden en su forma canónica, es decir, se expresa 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.
En la práctica, si se cuenta con un software adecuado no necesaria mente
se siguen los últimos tres pasos del análisis canónico. La mejor estrategia
será encontrar, primero los coeficientes de la ecuación canónica que
indican el tipo de superficie observa da y sólo si ésta es del tipo que
interesa (por ejemplo máximo), entonces se procede a localizar las
coordenadas del punto estacionario. Si la superficie encontrada no es del
tipo deseado se sigue el análisis de cordillera descrito en la siguiente
subsección. Sin embargo, primero veamos cómo determinar el punto
estacionario, dado que interviene en el término independiente de la
ecuación canónica.
Determinación del punto estacionario (candidato a óptimo). El punto
estacionario es el punto (x10, x20, …, xk0) en el espacio de factores, sobre
el cual el plano tangente a la superficie tiene pendiente igual a cero.
12
Por ejemplo, si la superficie tiene un máximo, el punto estacionario es
justo el punto donde se ubica ese máximo.
De aquí que el punto estacionario sea un candidato natural a punto óptimo,
que resulta “electo” sólo cuando es del tipo que interesa y se encuentra
dentro de la región experimental. Podría pasar que aunque se esté
buscando un máximo, el punto estacionario sea un mínimo o punto silla,
en cuyo caso evidentemente no se trataría del óptimo buscado.
Suponga que ya se realizaron los tres primeros pasos de un análisis
canónico, y que por lo tanto ya se tiene ajustado un modelo de segundo
orden:
13
Derivando el modelo dado por (12.3) con respecto al vector X e igualando
a cero se obtiene:
14
Donde b y B se construyen como en (12.4). Sea la esfera centrada en el
origen con radio Ri, cuyos puntos sobre ella cumplen la restricción:
El punto (x1, x2,..., xk) óptimo sobre una esfera particular se encuentra al
sustituir un valor para l, que no sea un valor propio de la matriz Ben esta
última relación, y se resuelve el sistema de ecuaciones resultante.
En general es mejor recurrir a un software para hacer el análisis de
cordillera.
15
2.9 PRINCIPALES PROPIEDADES DE SUPERFICIE DE RESPUESTA}
2.9.1 Ortogonalidad:
Se considera que un diseño es ortogonal cuando los coeficientes estimados
en el modelo ajustado no están correlacionados entre sí, lo cual hace que
el efecto de cada término, representado por el parámetro correspondiente,
se estime de manera más precisa. Un experimento es ortogonal si en la
matriz de diseño todos los vectores columna son independientes entre sí.
Es fácil verificar que en un diseño factorial completo 2klas columnas de
su matriz de diseño son independientes: multiplique dos columnas
cualesquiera, término a término usando la notación –1 y +1, y el resultado
es cero.
Cuando las columnas de la matriz de diseño son independientes
entre sí, hace que los coeficientes del modelo ajustado no estén
correlacionados.
2.9.2 Rotabilidad:
Un diseño se llama rotable si la varianza de Yˆ(x) sólo depende de la
distancia del punto xal centro del diseño y no de la dirección en la que se
encuentra. Es decir, si pensamos en la variable var[Yˆ(x)] como otra res
puesta, su gráfica de contornos tiene la forma de círculos concéntricos
alrededor del centro del diseño. La rotabilidad del diseño asegura que la
calidad de la predicción, medida por var[Yˆ(x)], sea invariante a cualquier
rotación del diseño alrededor del centro del mismo; de aquí se deriva el
nombre de esta propiedad.
La importancia práctica de la rotabilidad en el problema de encontrar un
punto óptimo es porque asegura que, con independencia de la dirección
en que se explore a partir del centro del diseño, la calidad de predicción
se comporta de igual manera.
Es aquel en el que la varianza de la respuesta estimada sobre un
punto depende de la distancia de éste al centro del diseño y no de
la dirección en la que se encuentra.
16
2.10 DISEÑOS DE SUPERFICIE DE RESPUESTA
2.10.1 Diseños de primer orden
Suponga que se desea utilizar el modelo de primer orden dado por la
ecuación (12.3) para estudiar el comportamiento de cierta característica de
calidad, que se supone depende de k factores de proceso. En principio, al
proponer un diseño de primer orden se supone que sólo son importantes los
efectos principales. Estrictamente hablando, para estimar los k + 1
parámetros del modelo de primer orden se requiere un mínimo de k + 1
puntos experimentales.
Un criterio de selección del diseño de primer orden es que la varianza de
la respuesta predicha (var[Yˆ(x)]) en el punto x¢= (x1,x2,...,xk) sea
mínima. Este criterio es importante porque cuando se busca determinar la
dirección óptima de movimiento a partir de los predichos por el modelo,
éstos tienen mayor precisión, lo cual se traduce en mayor certeza de la
dirección seleccionada. Los diseños que satisfacen este criterio son los que
tienen la propiedad de ortogonalidad. Entre los más utilizados están los
siguientes:
Diseños factoriales 2k
Diseños factoriales fraccionados 2k – p
Diseño de Plackett-Burman
Diseño simplex
Todos estos diseños, excepto el diseño simplex, emplean dos niveles en
cada factor, lo cual tiene que ver con el hecho de que sólo interesa detectar
el efecto principal de cada factor. Sin embargo, una vez superada la etapa
de cribado es importante aumentar estos arreglos con repeticiones al
centro a fin de detectar la presencia de curvatura o falta de ajuste del
modelo; las repeticiones al centro también proporcionan más grados de
libertad para el error aleatorio. Lo diseños 1 a 3 se explicaron en los
capítulos previos.
El diseño simplex para k factores se representa por medio de una figura
de forma regular dibujada en un espacio de dimensión k – 1, y se
17
caracteriza por el hecho de que el ángulo q formado por cualquier par de
vértices con el origen, es tal que cos(q) = –1/k. Así, para k = 2 factores,
los tratamientos del diseño simplex corresponden a los vértices de un
triángulo equilátero (véase figura 12.15); para k = 3 son los vértices de un
tetraedro (figura 12.15). Las matrices de diseño en unidades codificadas
para estos dos casos también se muestran en la figura. Observe que
algunos factores se prueban en dos niveles y otros en tres.
En el capítulo 15 se emplea una variante especial de diseños simples para
estudiar experimentos con mezclas.
2.10.2 Diseños de segundo orden
Se llaman diseños de segundo orden aquellos que permiten ajustar un
modelo de segundo orden para así estudiar, además de los efectos lineales
y de interacción, los efectos cuadráticos o de curvatura pura. Por
consiguiente, estos diseños se emplean cuando se quiere explorar una
región que se espera sea más compleja o cuando se cree que el punto
óptimo ya se encuentra dentro de la región experimental. El modelo de
segundo orden está dado por:
18
a) Diseño de Box-Behnken: Este diseño se aplica cuando se tienen
tres o más factores, y suelen ser eficientes en cuanto al número de
corridas. Es un diseño rotable o casi rotable que se distingue
porque no incluye como tratamientos a los vértices de la región
experimental.
b) Diseño de composición central: El diseño de composición central
(DCC) es el más utilizado en la etapa de búsqueda de segundo
orden debido a su gran flexibilidad: se puede construir a partir de
un diseño factorial completo 2k o fraccionado 2k – p agregando
puntos sobre los ejes y al centro (véase ejemplos 12.3 y 12.4),
además de otras propiedades deseables. Este diseño se compone
de tres tipos de puntos:
1. Una réplica de un diseño factorial en dos niveles,
completo o fraccionado. A esta parte del DCC se le
llama porción factorial.
2. n0puntos o repeticiones al centro del diseño, con n0
≥1.
3. Dos puntos sobre cada eje a una distancia a del
origen. Estos pun tos se llaman porción axial.
19
III. APLICACIÓN A LA INGENIERÍA COMERCIAL
3.1 PLANTEAMIENTO
La panadería el BUEN SABOR realiza un experimento desarrollado para
optimizar la resistencia de una envoltura de pan. El diseño implica los siguientes
factores experimentales y el rango de valores sobre los cuales serán variados.
PASO N° 02: Para este modelo no se ingresan los datos al inicio del
ejercicio, se siguen los siguientes pasos; DDE > Crear Diseño > Diseño
Nuevo.
20
PASO N° 03: Nos aparece la siguiente ventana en la cual seleccionamos
la opción “Superficie de Respuesta”. Y damos click en “Aceptar”.
21
PASO N° 05: Después de llenar los datos correspondientes nos aparece la
siguiente ventana en la cual colocamos el sistema de medida de la
resistencia de las bolsas. Y damos click en “Aceptar”.
22
PASO N° 07: A continuación nos aparece una ventana en la cual en el
punto central colamos la cantidad de datos. Y escogemos la Ubicación de
“Al Final”.
23
PASO N° 09: Ahora para poder obtener los graficos es necesario llenar
manualmente. Los siguientes datos que nos proporcionó el
STATGRAPHICS:
24
Resultados Estimados para Fuerza
El StatAdvisor
Esta tabla contiene información acerca de los valores de Fuerza generados
usando el modelo ajustado. La tabla incluye:
25
PASO N° 10: Para las opciones graficas nos dirigimos al a barra de menú:
DDE > Procedimientos DOE Heredados > Analizar Diseño > Analizar
Diseño.
26
PASO N° 12: En esta ventamos solo damos click en “Aceptar”.
27
GRAFICOS
Polietileno=1.1
11.3
10.3
9.3
Fuerza
8.3
7.3
6.3
64
5.3 61
58
55
52
49
46
79 Fuerza
-3.2 -5.0
Temperatura de Conversión
-1.4 -3.2
0.4
69
2.2
4.0 5.8
59
9.4 7.6 7.6
5.8 9.4
11.2
49 13.0
39
200 220 240 260 280 300 320
Temperatura de Lacre
28
CONCLUSIONES
rspuesta, el modelo puede ser de primro o segundo orden (plano o con curvatura); por
ello el tipo de diseño utilizado y el método de optimización sse clasifican según como
sea el caso.
BIBLIOGRAFIA
29