Entrenamiento de los

Cinturones Negros
Semana 3: superficie de respuesta

MEJORAR
Paso 7:

Examinar selectivamente para determinar las pocas x vitales

A. Realizar un examen selectivo de las x potenciales y encontrar las pocas x
vitales necesarias para alcanzar la meta
B. Llevar a cabo un Experimento para demostrar la causalidad y
encontrar interacciones
C. Hacer una lista de las X vitales con la proporcin de defectos o
variabilidad reducidos

Paso 8:

Cuantificar la relacin y = f(las x)

A. Cuantificar la relacin entre cada y y las x vitales
B. Expresarla como una FUNCIN DE TRANSFERENCIA : y = f(x)
C. Realizar ejecuciones de confirmacin en el proceso para probar el valor
previsto de y

Paso 9:

Establecer las tolerancias del proceso para las x

A.
B.
C.

Determinar las tolerancias operacionales aceptables para todas las X

Este es un proceso matemtico/terico comparar los peores casos
con la funcin de transferencia para no producir defectos!
Validar los rangos de tolerancia en la operacin real del proceso,
ajustarlos segn sea necesario para evitar defectos en la y (segn
especificaciones reguladas)

Funcin de transferencia final con el objetivo de las X vitales y los rangos de tolerancia
2

Qu es el mtodo de la superficie de
respuesta (MSR)?
El mtodo de la superficie de respuesta es una
tcnica que permite al investigador encontrar el
punto de ms alto rendimiento (Y) dados dos
(o ms) factores significativos (X).
La estrategia bsica es considerar la
representacin grfica del rendimiento como
funcin de los dos (o ms) factores
significativos. Este grfico podra ser
considerado similar a los contornos de los
mapas topogrficos. Mientras ms alta la
loma, mejor el rendimiento.
La idea es recopilar datos para poder
representar grficamente los contornos. Una
vez realizado, podemos usar el mapa que
resulte para encontrar el camino con el
ascenso o descenso ms pronunciado al punto
mximo o mnimo, respectivamente.
3

Replanteamiento desde cero

Objetivos de los DDE:

A. Examen selectivo para identificar las X VITALES Paso 7, interacciones, impacto de cada una de las x y la
funcin de transferencia aproximada.
Las respuestas son S/No segn los valores p
B. Optimizacin, utilizando una ecuacin predictiva (Paso 8)
creada sobre las X VITALES: Requiere una buena precisin
de los coeficientes, muchas duplicaciones resultan en una
buena precisin (costoso).

Propiedades deseadas en los DDE:

1. Efectos fciles de separar: Ortogonal, equilibrado: Minitab
2. Precisin de la ecuacin predictiva: Cantidad mnima de
repeticiones
3. Uso econmico de los recursos - mucho conocimiento a
bajo costo
Factorial fraccionario (con resolucin > 4)
4

Vocabulario del MSR:

Superficie de respuesta: La superficie representada por el valor esperado de

un resultado que ha sido modelado como funcin de entradas significativas
(slo entradas de variables):
(Y) esperada = f(x1, x2, x3,xn)
Mtodo de ascenso o descenso ms pronunciado: Un procedimiento para
moverse secuencialmente en la direccin del aumento mximo (el ascenso
ms pronunciado) o la reduccin mxima (el descenso ms pronunciado) de
la variable de respuesta mediante el siguiente modelo de primer orden:
Y (prevista) = 0 + i Xi
Regin de curvatura: La regin en la que una o ms de las entradas
significativas dejarn de conformarse al modelo de primer orden. Una vez
que se encuentran en esta regin de operacin, la mayora de las
respuestas pueden ser modeladas segn el siguiente modelo de segundo
orden ajustado:
Y (pronosticada) = 0 + i Xi + ii XiXi + ij XiXj
Diseo compuesto central: Una matriz comn de DDE usada para establecer
un modelo de segundo orden vlido.
Variables codificadas: Aquellas variables a las que se les asignan niveles
arbitrarios en un estudio de DDE (-1, 1, A, B)
Variables no codificadas: Aquellas variables a las que se les asignan niveles
especficos del proceso en un estudio de MSR (10V, 20V)

Para qu usar el MRS?

1. Objetivo inicial del MSR: Una vez que se determinen los
factores significativos, el MSR lleva al investigador rpida y
eficientemente al rea general de configuraciones ptimas
(generalmente con un modelo lineal).
Es til para modelar y analizar problemas en los que una respuesta
de inters est influida por varias variables y el objetivo es optimizar
esta respuesta. (Montgomery, 1991, pg. 521)

2. Objetivo fundamental del MSR: Determinar las

condiciones ptimas de operacin para el sistema o
determinar una regin del espacio factorial en el cual se
satisfagan las especificaciones de operacin (generalmente
mediante un modelo de segundo orden).
6

Enfoques finales: Las curvas importan!

Diseo

Los puntos de la parte cubo del

diseo estn codificadas para
corresponder a -1 y +1.

compuesto

Los puntos de la parte axial o de

estrella del diseo corresponden
a (+,0), (-,0), (0, +) y (0, -).
Este no tiene nada que ver con el error tipo-I
en las pruebas de hiptesis

central
Diseo completo que resulta al unir
ambos componentes.
Se usa cuando nos acercamos al mximo o
mnimo buscado
7

Descripcin del diseo compuesto central:

Diseo 22

Descripcin del diseo compuesto central:

Diseo 23

Diseos alternativos
Diseo
compuesto
central
(axial)
Diseo
compuesto
central
(de caras
centradas)
Por qu de caras centradas?
Diseo de Box-Behnken?

Diseo de
Box-Behnken
- control limitado de variables o
- contra un lmite
- a ser usado si > 4 factores (se ahorrar
algunas ejecuciones)

10

Montaje secuencial de los diseos

Modelo de primer orden Resolucin III (insuficiente)

y b0 b1x1 b2 x2 b3 x3
Interaction+Model
Modelo de interaccin
idea de curvatura

b12 x1x2 b13x1x3 b23x2 x3

+ valor p para la curvatura
Modelo de segundo orden

b11x12 b22 x22 b33 x32

11

A veces no basta con los puntos centrales

Afecta la falta de linealidad del Factor A o del Factor B a la respuesta?
50

50
Alto
70
Factor B

Bajo

50

Bajo

Factor B
Factor A

Factor A

50

Factor A

Alto

Factor B

Factor A

Factor B
12

Pasos DOE

Step 3
Step 2

X2
100.0F
92.5F

Step 1

Asceno
ms inclinado

85.0F
(+1)
77.5F
(0)
70.0F
(-1)
10 psi
(-1)

12 psi
(+1)

14 psi

16 psi

18 psi X1

Paso 1: Diseos fraccionales (2 niveles) para

encontrar las xs vitales.
Paso 2: Agregar un punto central para investigar
curvatura. Subir por el ascenso ms inclinado
.
Paso 3: Terminar con diseos de composicin central
(agregar puntos de eje) para determinar la superficie
13

Ejemplo de Superficie de Respuesta

(BHHRSM.mtw)

Cuales son los mejores ajustes para Tiempo y

Temperatura para obtener el rendimiento ms
alto.
Puntos Cbicos para el Diseo:

152.5

Temp
145.5

Tiempo: 92.5, 104.5

Temp: 145.5, 152.5

92.5

104.5

Tiempo

La meta es 100%, con un limite inferior de 85%

14

Crear Diseo de Superficie de Respuesta

15

Crear Diseo de la Superficie de

Respuesta

16

Diseo Final

17

Como analizar un Diseo de Superficie

de Respuesta

18

Resultado del Minitab

Response Surface Regression: Yield versus Time, Temp
The analysis was done using coded units.
Estimated Regression Coefficients for Yield
Term
Constant
Time
Temp
Time*Time
Temp*Temp
Time*Temp

Coef
87.214
-1.384
0.362
-2.063
-3.013
-4.875

SE Coef
0.7800
0.7296
0.7296
0.7425
0.7425
1.0318

S = 2.064

R-Sq = 84.6%

T
111.814
-1.897
0.496
-2.779
-4.058
-4.725

P
0.000
0.090
0.632
0.021
0.003
0.001

R-Sq(adj) = 76.1%

Analysis of Variance for Yield

Source
Regression
Linear
Square
Interaction
Residual Error
Lack-of-Fit
Pure Error
Total
Estimated
Term
Constant
Time
Temp
Time*Time
Temp*Temp
Time*Temp

DF
5
2
2
1
9
3
6
14

Seq SS
211.26
16.37
99.83
95.06
38.33
16.32
22.01
249.59

Adj SS
211.26
16.37
99.83
95.06
38.33
16.32
22.01

P-value: los terminos que son

significantes (Cuales deben ser
eliminados?)
R-sq: cuanta de la variacin en y
es explicada por el modelo
Adj MS
42.252
8.183
49.916
95.062
4.259
5.440
3.668

F
9.92
1.92
11.72
22.32

P
0.002
0.202
0.003
0.001

1.48

0.311

Falta-de-Encaje: fue cualquier

termino importante eliminado
Regression Coefficients for Yield using data in uncoded units
del modelo
Coef
-9329.87
Coeficientes (no codificados): para
45.6500
96.2749
crear la funcin de
-0.0573165
-0.245991
ecuacin/transferencia predictiva
-0.232143

19

R2 ajustado
2

R ajustado= 1 - (n-1) * (1-R2)

(n-p)

Donde
R2 = 1 - Error de Suma de Cuadrado
Total Suma de Cuadrados
n = el nmero de observaciones
p = numero total de trminos en el modelo 
(incluyendo el constante)
Prcticamente -

Si tiene muchos trminos incluidos en el modelo que no son

significativos se reduce el valor/utilidad del modelo.

El efecto es menos significativo si se puede explicar la mayor parte de
la variabilidad en el proceso si tiene muchos datos.
20

Contorno y Grficos de Superficie

21

Contorno y Grficos de Superficie

Contour Plot of Yield
73
78
83
88

Temp

158

153

148

Surface Plot of Yield

90

95

100

105

Time
90

80

Yield
70

160
155
90

95

Time

150
100

105

Temp

145

22

Optimizador de Respuesta

23

Optimizador de Respuesta
Optimal
Hi
D
Cur
0.29418 Lo

Time
106.9853
[90.0147]
90.0147

Temp
153.9497
[153.2171]
144.0503

Yield
Maximum
y = 89.4127
d = 0.29418

24

Ejercicio Superficie de Respuesta

(drying.mtw)
Cual es el mejor ajuste para la Termperatura, Presin y
Viscosidad?
Puntos Cbicos para el Diseo:
temperatura (50,100)
presin (100, 150)
visocidad (1,3)

para minimizar el tiempo de secado? (la especificacin

es menos de 50 minutos y la meta es 40)
Condiciones:- la presin no puede exceder los 150
- la temperatura no puede superar los 120

25

Ejercicio Superficie de Respuesta

Temp
50
100
50
100
50
100
50
100
32.955
117.045
75
75
75
75
75
75
75
75
75
75

Press
100
100
150
150
100
100
150
150
125
125
82.955
167.045
125
125
125
125
125
125
125
125

Visc
1
1
1
1
3
3
3
3
2
2
2
2
0.31821
3.68179
2
2
2
2
2
2

Drying
87.989
99.133
60.591
74.897
89.527
98.156
61.166
76.502
110.89
130.716
72.298
28.545
54.573
54.98
50.102
59.447
49.373
55.329
61.134
55.134

26

Resultado de RS DOE Reducido

Estimated Regression Coefficients for Drying
Term
Constant
Temp
Press
Temp*Temp

Coef
55.03
10.19
-21.58
68.33

SE Coef
1.038
1.652
1.652
2.681

S = 3.631

R-Sq = 98.2%

T
53.001
6.168
-13.061
25.492

P
0.000
0.000
0.000
0.000

R-Sq(adj) = 97.8%

Analysis of Variance for Drying

Source
Regression
Linear
Square
Residual Error
Lack-of-Fit
Pure Error
Total
New
Hi
D
Cur
0.80621 Lo

Drying
Minimum
y = 41.9379
d = 0.80621

DF
3
2
1
16
5
11
19
Temp
117.0448
[73.6435]
32.9552

Seq SS
11315.3
2749.9
8565.4
210.9
94.4
116.5
11526.2

Adj SS
11315.35
2749.95
8565.40
210.90
94.41
116.49

Adj MS
F
3771.78 286.15
1374.97 104.31
8565.40 649.82
13.18
18.88
1.78
10.59

P
0.000
0.000
0.000
0.197

Press
167.0448
[150.0]
82.9552

27

Ejemplo de Resultado de DOE

Encaje Fraccional Factorial : y versus A, B, C, D

Al reducir el modelo,
comience abajo y trabaje hacia
arriba

Efectos y Coeficientes estimados para y (unidades codificadas)

Term
Constant
x
Block
A
B
C
D
A*B
A*C
A*D
Ct Pt

Efecto

1.721
-0.244
-1.267
0.813
-1.836
-3.336
1.790

Coef
0.380
1.046
1.514
0.861
-0.122
-0.634
0.407
-0.918
-1.668
0.895
0.424

SE Coef
1.5123
0.2719
0.4090
0.4560
0.4484
0.4509
0.4855
0.5155
0.5155
0.4636
1.0427

T
0.25
3.85
3.70
1.89
-0.27
-1.41
0.84
-1.78
-3.24
1.93
0.41

P
0.807
0.004
0.005
0.092
0.791
0.194
0.424
0.109
0.010
0.086
0.694

Note: x = a covariate
28

Que eliminar primero:

En general: Comience abajo hacia arriba
Elimine los Puntos Centrales, Interacciones de Alto
orden, Efectos principales, Bloques luego Covariates
Elimine trminos con p>0.05

Realice anlisis de sensibilidad

es decir, si el valor-p para un bloque o curvatura es
levemente ms alto que 0.05 (es decir, 0.10) puede
intentar reducir el modelo manteniendo la curva
incluida (podra llegar a ser significante)

29

Cmo realizar un experimento SR?

1.

2.
3.
4.

5.
6.
7.

Seleccione la Y. Seleccione las X asociadas confirmadas y seleccione

audazmente sus rangos experimentales. Se debe confirmar con
anterioridad, mediante la experimentacin previa, que estas x tengan un
efecto significativo sobre la Y (paso 7).
Estructure el DDE con los puntos centrales.
Realice el DDE y represente grficamente los resultados en una superficie
de respuesta.
Si an se encuentra en un rea lineal, determine la direccin a la Y ptima
que sea ms pronunciada y vuelva a fijar los valores de X para mover el
DDE en la direccin de la Y ptima. Realice el DDE nuevo (o una serie de
DDE nuevos) y evale los resultados.
Siga en la direccin de la Y ptima hasta que llegue a un rea que contenga
la Y ptima. Confirme su carcter ptimo con un diseo compuesto central.
Habr terminado cuando encuentre un lmite (fsico, econmico) o
cuando la Y ptima se haya alcanzado dentro del rango del DDE.
Ahora se puede utilizar esta funcin de transferencia final en los pasos 9 a
12.

30

Lo esencial: Para qu se usan las

superficies de respuesta?
Un entendimiento cuantitativo de la funcin de transferencia - y = f(x)
Prediccin encontrar la Y para las X requeridas
Optimizacin escoger las mejores x
Condiciones para la estabilidad encontrar las S inferior usar
muchas repeticiones
+ Definir la curva de calibrado
+ Ajustes de control del proceso

Suposiciones subyacentes

La forma del modelo ajustado es aproximadamente correcta revise la

falta de ajuste y r2aju.
Las desviaciones (residuales) del modelo no tienen ningn componente
sistemtico (error sesgado)

El error experimental (aleatorio) es distribuido aproximadamente en forma

normal

La desviacin estndar del error experimental es de un tamao constante

durante todo el espacio experimental (homogneo)
31