Modelos de Superficie de Respuesta (MSR)

Medina Romero Pedro Islas Arbeu Edgar Alberto

Introduccin (MSR)

Los Modelos de Superficie de Respuesta (RSM) es un conjunto de tcnicas matemticas utilizadas en el tratamiento de problemas en los que una respuesta de inters est influida por varios factores de carcter cuantitativo.

El propsito inicial es disear un experimento que proporcione valores razonables de la variable respuesta y determinar el modelo matemtico que mejor se ajusta a los datos obtenidos. El objetivo es establecer los valores de los factores que optimizan el valor de la variable respuesta.

**Estrategia que permite conocer el funcionamiento de un sistema o proceso y encontrar las condiciones optimas de funcionamiento, permitiendo mejorar los resultados en cuanto a costo, tiempo, eficiencia, productividad y /o calidad.

Conjunto de tcnicas matemticas y estadsticas .

Analizar el comportamiento de una RESPUESTA

Construir un MODELO

Datos experimentales

DISEO DE EXPERIMENTOS

Cuando el valor real esperado () que toma la variable de inters considerada est influido por los niveles de k factores cuantitativos, X1, X2, ..., Xk, esto significa que existe alguna funcin de X1, X2, ..., Xk que proporciona el correspondiente valor d para alguna combinacin dada de niveles. Factores. Son las condiciones del proceso que influencian la variable de respuesta. Estos pueden ser cuantitativos o cualitativos. Respuesta. Es una cantidad medible cuyo valor se ve afectado al cambiar los niveles de los factores. El inters principal es optimizar dicho valor. La relacin = f (X1, X2, ..., Xk) existente entre y los niveles de los k factores puede representarse a travs de una hipersuperficie a la que llamaremos superficie de respuesta.

Para el valor real de la RESPUESTA

Cuando existe una funcin continua

Niveles de los FACTORES

Funcin real desconocida

Modelo que estima la Respuesta

Donde es el error observado en la respuesta.

Funcin de respuesta. Cuando un valor de respuesta Y depende de los niveles x1, x2, ... xk de k factores, 1, 2,... k Existe una funcin matemtica de x1, x2, ... xk cuyo valor para una combinacin dada de los niveles de los factores corresponde a Y Y=f(x1, x2, ... xk).

Funcin de respuesta predicha.

Puede ser representada con una ecuacin polinomial.
El xito en una investigacin de una superficie de respuesta depende de que la respuesta se pueda ajustar a un polinomio de primer o segundo grado. Supongamos que la funcin de respuesta para los niveles de dos factores se puede expresar utilizando un polinomio de primer grado:

donde , , son los coeficientes de regresin a estimar, x1 y x2 representan los niveles de x1 y x2 respectivamente. Suponiendo que se dispone de N3 valores de respuesta (Y), con los estimadores b0, b1 y b2 se obtienen respectivamente. Al remplazar los coeficientes de regresin por sus estimadores obtenemos:
donde denota el valor estimado de Y dado por x1 y x2.

Superficie de respuesta.
La relacin entre Y y los niveles de los k factores x1, x2, ... xk representa una superficie.

Y=f(x1, x2, ... xk)

Con k factores la superficie est en k+1 dimensiones.

Por ejemplo cuando se tiene Y=f(x1) la superficie esta en dos dimensiones, mientras que si tenemos Y=f(x1, x2) la superficie est en tres dimensiones

Representacin grafica del Modelo

Grfica de contornos.
Una tcnica para visualizar la forma que puede tener una superficie de respuesta tridimensional consiste en representar la grfica de contornos de la superficie.
Son curvas correspondientes a valores constantes de la respuesta sobre el plano X 1X2 (plano cuyos ejes coordenados vienen dados por los niveles x1, x2 de los factores). Resulta til para estudiar los niveles de los factores en los que se da un cambio en la forma o altura de la superficie de respuesta.

Ejemplo

Un agricultor quiere maximizar su produccin de almendras (medida en Kg./Ha.) en funcin de las cantidades (medidas en Kg./Ha.) de dos tipos de fertilizante, A y B, que utiliza. Una superficie de respuesta para la produccin de almendras viene dada por la grfica siguiente:

Para generar la grfica de contornos correspondiente se secciona la superficie de respuesta usando planos paralelos al X1X2 en ciertos valores de respuesta considerados, por ejemplo:

Cada lnea de contorno esta formada por todas las combinaciones de los factores que producen una misma respuesta.

MSR y Optimizacin.

Creacin de un Diseo de Experimentos

Diseo

Conjunto de experimentos planificados con valores determinados de las variables.

Ajuste de un Modelo

Modelo

Ecuacin matemtica que relaciona la respuesta con los factores estudiados. Se obtiene por Regresin Lineal Mltiple

Utilizacin de una Tcnica de Optimizacin

Re-Diseo

Explorar el modelo para obtener informacin sobre el ptimo

Punto Optimo

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 optimo

Punto de respuesta mxima

Punto de respuesta mnima

Punto silla

Loma

Valle

Silla

Pasos para la optimizacin

1.-Definir los objetivos de la optimizacin
Plantear 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 factores numricos.

3.-Establecer la Regin de Operabilidad

Considerar todas las posibilidades 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.

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

7.-Localizar el Optimo buscado para la Respuesta

Utilizar herramientas grficas y/o matemticas para predecirlo.

8.-Verificar experimentalmente
Confirmar el valor de la respuesta utilizando los niveles ptimos de los factores.

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 optimo de la respuesta.

Modelos matemticos

MODELO LINEAL o de PRIMER ORDEN MODELO LINEAL CON INTERACCION MODELO CUADRATICO o de SEGUNDO ORDEN MODELO CUBICO (requiere mas 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.

Hiperplano

MODELO LINEAL CON INTERACCION

El comportamiento de la respuesta se explica por los efectos principales y una o varias interacciones de los factores significativos.

Hiperboloide o hiperelipsoide

MODELO CUADRATICO o de SEGUNDO ORDEN

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

PASOS ESTNDAR DE LA METODOLOGA DE SUPERFICIES DE RESPUESTAS

1.-Inicio:
Determine

las variables naturales j

Determinar
Codificar

los niveles de j

las variables naturales (equidistantes).

S es la desviacin entre la variable y su media .

 2.-Ajuste

de un polinomio de primer

grado:
Diseo

experimental fraccionado de resolucin III (menor numero de corridas).

 3.-Determine

la Adecuacin del Modelo de Primer Orden:

El

diseo utilizado no sea saturado y que se hayan realizado replicas genuinas con la finalidad de determinar el error puro. travs del ANOVA, se determina si el comportamiento de la respuesta en la regin de inters, presenta interaccin y/o curvatura que refleje falta de ajuste del modelo.

Si el modelo no muestra falta de ajuste, pero los coeficientes estimados son cercanos a cero (no hay direccin de mejoramiento en ese punto), el proceso de optimizacin deber de iniciarse una vez ms en el paso 1. Falta de ajuste debida solo a la interaccin entre los factores y no a curvatura pura, la varianza entre los niveles de los factores deber de ser reducida y otro diseo experimental deber de llevarse acabo.

Inadecuacin del modelo dada por los trminos de interaccin y cuadrticos puros son significantes, pase al paso 6.

 4.-Resuelva

la

Inadecuacin

del

Modelo:

Si la falta de ajuste es solo significante para los trminos de interaccin, la varianza de las variables naturales ( S ) , deben de ser reducida.
la regin de exploracin. modelo lineal proporcionara un buen ajuste.

Minimizar El

 5.-Aplique

el Mtodo de Ascenso Acelerado para Acceder a las cercanas del ptimo:

Aplique el proceso iterativo del MAA al polinomio para acceder a las cercanas del ptimo.

Avanzando en la direccin dada por el signo de los coeficientes de regresin (Si es descendente, los signos se tomaran opuestos), con incrementos proporcionales a la magnitud de los coeficientes. El nuevo punto es tomado como el punto central del diseo en 1n+ iteracin

El procedimiento iterativo termina cuando la falta de ajuste es significativa. Cuando en dos iteraciones consecutivas, el mejoramiento en la variable de respuesta es mnimo, comparado con un lmite pre-establecido por el investigador.

i) Cuando en la aplicacin iterativa del MAA, la falta de ajuste del modelo de primer orden sea significante, se deber utilizar un diseo central compuesto para ajustar un modelo completo de segundo orden (determinando su adecuacin a travs del ANOVA). ii) Si el modelo completo de segundo orden proporciona un buen ajuste, pero los trminos de segundo orden, son pequeos comparados con los de primer orden, se deber de aplicar el MAA hasta que los trminos de segundo orden sean potencialmente importantes.

 6.-Aproxime

la Superficie a travs de un Modelo Completo de Segundo Orden:

Modelo

de segundo orden del tipo:

Determine

la constante de proporcionalidad K.

 7.-Determine

la Adecuacin del Modelo Polinomial de Segundo Orden.

Como en el caso del modelo de primer orden, la inadecuacin del modelo, es determinada a travs del ANOVA.

 8.-Resuelva

la Inadecuacin del Modelo Polinomial de Segundo Orden.

Si

el modelo no es el correcto para representar la superficie en esa regin, es necesario reducir la regin de experimentacin, reduciendo la varianza ( S ) de los factores.

 9.-Realice

el Anlisis Cannico de la

Superficie.

Una vez que el modelo completo de segundo orden es adecuado, se determina el polinomio cannico para la optimizacin de la superficie, explorando y determinando la localizacin y naturaleza del punto estacionario.

La forma matricial del modelo completo de segundo orden a ajustar es:

Donde:

El procedimiento para obtener el polinomio cannico del modelo consiste en:

Diferenciar

este polinomio con respecto a tX y establecer la derivada igual a cero para obtener la solucin del punto estacionario como:

Determinar

si el punto estacionario definido es el ptimo del sistema cuadrtico. Si todos son positivos, xs es un minino, si todos son negativos, xs es un mximo y si al menos uno es de diferente signo, xs es un punto de silla.

i) Si el punto estacionario xs es un punto de silla o si cae fuera de la regin de experimentacin, no se deber de tomar como el nuevo punto central para el anlisis y optimizacin de la superficie. Se deber de ajustarse un polinomio cannico en su forma A, para determinar la nueva direccin de bsqueda del ptimo a travs de la aplicacin del MAA a este polinomio. ii) Si el punto estacionario xs encontrado, est dentro de la regin de experimentacin, y no representa un punto de silla, deber de ajustarse un polinomio cannico en su forma B para realizar la exploracin en las fronteras de xs, tomndolo como el punto central del diseo central compuesto realizado.

 10.-Despus

de

Aceptar

el

Punto

Estacionario.
Una

vez que el punto estacionario es aceptado, este deber de tomarse como centro del diseo y deber de realizarse la caracterizacin del sistema que ese punto representa.

 11.-Criterio
La

de Parar.

bsqueda iterativa del ptimo, generalmente se detiene despus de haber ajustado solo un modelo polinomial de segundo orden.
i)

El valor de la respuesta estimada en la iteracin n+1 no mejore sustancialmente la respuesta. La regin de inters sea demasiado pequea. Cuando existan restricciones de capital o de proceso.

ii) iii)

 12.-

Determine el Nivel ptimo de los Factores.

Tomar como nivel ptimo de los factores, las coordenadas de Xs encontradas en el paso 11 y determine la respuesta ptima esperada. Estos niveles de los parmetros, son los parmetros bajo los cuales el proceso deber de estar trabajando.

Bibliografa:

Khuri, Andr I., Cornell, John A., 1978. Response surfaces. design and analyses. Statistics: Textbooks and monographs. New York. Marcel Dekker, 1987. Kuehl, Robert. 2001. Diseo de experimentos. Mexico : Thomson Learning, 2001. Montgomery D. C., Peck E. A. y Vining G. G. 2002. Introduccin al Anlisis de Regresin Lineal, Mxico: Editorial Continental. Tercera edicin, 2002. Statistica Release 7 for Windows. Statsoft. Inc. 2300. East 14th Street, Tulsa, OK, 74104, USA, 2011