Beruflich Dokumente
Kultur Dokumente
Resumen
Recientemente se han propuesto diversas aproximaciones para la optimi-
zación de procesos donde se identifican dos variables respuesta, sin llegar a un
concenso en el establecimiento de una solución compromiso ante la presencia
de múltiples condiciones contradictorias. Se propone una nueva metodologı́a
que toma en cuenta simultáneamente la calidad de las predicciones, las varia-
bilidades relativas y los costos o preferencias asociados a cada respuesta. Se
ilustra mediante un ejemplo y los resultados pueden ser replicados utilizando
el módulo SOLVER de EXCEL.
Abstract
Several approximations have been recently proposed to optimize proces-
ses in which are identified two responses variables, but there is no agreement
in the establishment of a compromise solution among the multiples conflic-
ting conditions. We propose a new methodology which takes simultaneously
into account the quality of the predictions, the relative variabilities and the
cost or preference of each response. An example illustrates the methodology
and the results can be replicated using EXCEL SOLVER.
1. Introducción
La optimización de sistemas de respuesta dual (SRD) ha sido un problema
muy estudiado en el diseño robusto de procesos y productos industriales, donde
* Estadı́stico de la Universidad Nacional de Colombia, E-mail: proevalasig bog@unal.edu.co
** Profesor asistente de la Universidad Nacional de Colombia, E-mail: omelom@unal.edu.co
155
156 César A. Cristancho F. & Oscar O. Melo M.
Maximización del objetivo (↑): encontrar condiciones bajo las cuales la va-
riable respuesta sea tan grande como sea posible.
Minimización del objetivo (↓): encontrar condiciones bajo las cuales la va-
riable respuesta sea tan pequeña como sea posible.
(V D, V D) (V D, ↑) (V D, ↓)
(↑, V D) (↑, ↑) (↑, ↓)
(↓, V D) (↓, ↑) (↓, ↓)
transitiva. Una relación de orden parcial en un conjunto X es de orden total si para dos elementos
cualesquiera a, b de X siempre se puede afirmar o bien que a ≤ b, o que b ≤ a.
158 César A. Cristancho F. & Oscar O. Melo M.
nes sobre las variables independientes, tanto de tipo esférico como cuboidal. Como
casos particulares pueden considerarse Del Castillo & Montgomery (1993) y Lin
& Tu (1995). Su desventaja está en no hacer consideraciones sobre la matriz de
varianzas y covarianzas de las respuestas y en la calidad de las predicciones.
La covarianza de predicción entre las dos respuestas predichas yb1 (x10 ) y yb2 (x20 )
está dada por:
−1 ′ ′ −1
y1 (x10 ), yb2 (x20 )) = σ12 x10 X1′ X1
h12 = Cov (b X1 X2 X2 X2 x20 (5)
(máx(yl ) − mı́n(yl )) /2
f (máx(yl )) = =1
(máx(yl ) − mı́n(yl )) /2
(mı́n(yl ) − máx(yl )) /2
f (mı́n(yl )) = = −1
(máx(yl ) − mı́n(yl )) /2
Bajo esta estandarización, la suma de cuadrados del error para la l-ésima res-
puesta en el modelo transformado es:
n
ŷil − k1l 2 1
n
X X
2 yil − k1l
SCEl∗ = (yil∗ − ŷil∗ ) = − = 2 SCEl
i=1 i=1
k2l k2l k2l
Pn 2
donde SCEl = i=1 (yil − ŷil ) .
De igual manera, la suma de cuadrados total para la l-ésima respuesta en el
Optimización de sistemas de respuesta dual. Una aproximación compromiso 161
1 X 2 1 X 2
n n
1
= 2 y il − yil = 2 SYl Yl
k2l i=1
n i=1
k2l
Pn 2 Pn 2
donde SYl Yl = i=1 (yil ) − ( i=1 yil ) /n. Ası́ que la suma de cuadrados de la
regresión para la l-ésima respuesta en el modelo transformado es:
1 1 1
SCRl∗ = SY∗l Yl − SCEl∗ = 2 SYl Yl − 2 SCEl = 2 SCRl
k2l k2l k2l
donde SCRl = SYl Yl − SCEl . De esta forma:
Entonces, no solo para esta, sino para cualquier transformación lineal se pre-
servan los valores de la estadı́stica F y el coeficiente de determinación R2 .
A partir de la ecuación (1), se obtiene el modelo transformado:
′ ′
ybl − k1l b0 + xl bl + xl Bl xl − k1l ′ ′
ybl ∗ = = l = c0l + xl b∗l + xl B∗l xl (9)
k2l k2l
Ası́ que mediante una transformación lineal y ésta en particular, de las ecua-
ciones (1) y (9), se obtiene que el cambio en la estimación de los betas para la
l-ésima respuesta está dada de la siguiente forma:
b0l − k1l bl Bl
c0l = b∗l = y Bl∗ =
k2l k2l k2l
Entonces,
Bl υl = λl υl
Bl λl
υl = υl
k2l k2l
Bl∗ υl = λ∗l υl
162 César A. Cristancho F. & Oscar O. Melo M.
Los vectores propios normalizados de las dos matrices Bl y Bl∗ son iguales, más
λl
no los valores propios cuya relación es λ∗l = .
k2l
La estadı́stica de prueba para la hipótesis nula H0 : βjl = 0 (j = 1, . . . , k;
l = 1, 2) no se altera:
βjl βjl
∗
βjl k2l k2l βjl
t∗0l = q =p =q =q = t0l
σ̂l2 Cjj(l) CM El∗ Cjj(l) (SCEl )(Cjj(l) ) 1
σ̂l2 Cjj(l)
n−pl 2
k2l
sujeto a xT x ≤ ρ2 .
De igual manera, la formulación del problema de optimización con una restric-
ción de tipo cúbico está dada por:
∗ ∗
b
mı́n E(ℓ) = ω1 (b y1 (x) − τ1∗ )2 + h11 + ω2 (b
y2 (x) − τ2∗ )2 + h22 (11)
sujeto a xl ≤ x ≤ xu .
Ası́, para estos dos casos se tiene en común que la función objetivo tiene forma
cuadrática; yb1∗ (x) y yb2∗ (x) son las respuestas ajustadas para cada variable respuesta
estandarizadas a la escala [-1, 1]; ω1 y ω2 corresponden a las importancias relativas
de cada respuesta; h11 y h22 son las varianzas de predicción para cada respuesta en
el punto x; τ1∗ y τ2∗ corresponden a valores ideales bajo la misma transformación de
cada yi respectivamente, y deben variar gradualmente, de acuerdo al paso que el
investigador considere para cada respuesta, hasta el punto en el que no se obtenga
una mejorı́a en las respuestas consideradas; ρ corresponde a un radio donde se
desea restringir la búsqueda del óptimo (restricción esférica), y xl y xu correspon-
den a cotas inferiores y superiores para la búsqueda del óptimo respectivamente
(restricción cúbica).
de los factores: Bromato (BrO4), Americio (AM) y Cerio (Ce4+), donde las va-
riables respuestas consideradas son amplitud y tiempo de inducción y se busca
simultáneamente la maximización de la amplitud con la minimización del tiempo
de inducción. El diseño experimental es un diseño factorial 43 , donde el número
de observaciones por tratamiento no es el mismo (diseño desbalanceado), y las
variables respuesta se definen de la siguiente forma:
Tabla 4: Análisis
√ de varianza para el modelo de segundo orden ajustado. Variable
respuesta: ( 4 Amp)∗
Tabla
√ 5: Medidas relacionadas con el ajuste del modelo. Variable respuesta:
( 4 Amp)∗
Figura
√ 1: Superficie de respuesta ajustada (Ce4+=0.05). Variable respuesta:
( 4 Amp)∗ .
El análisis gráfico sugiere que el óptimo buscado está cerca de una combinación
de niveles donde BrO4 se encuentra en nivel alto y AM en nivel bajo.
166 César A. Cristancho F. & Oscar O. Melo M.
donde y2 = ln∗ (Tind). Se observa que conforme aumenta el valor del factor
ln(AM ) y disminuye el valor del factor ln(BrO4), la respuesta decrece, de tal
forma que el óptimo arrojado en la optimización restringida de esta respuesta es
contrario
√ al que se puede establecer en la optimización restringida de la variable
( 4 Amp)∗ . Además, el factor ln(AM ) tiene un efecto mayor que el factor ln(BrO4)
168 César A. Cristancho F. & Oscar O. Melo M.
5. Conclusiones
La metodologı́a propuesta para la optimización de respuestas duales, presenta
ventajas respecto a las otras metodologı́as reseñadas (Tang & Xu (2002), Vining
(1998), Derringer & Such (1980)), porque considera simultáneamente:
Referencias
Censor, Y. (1977), ‘Pareto optimality in multiobjetive problems’, Applied Mathe-
matics and Optimization 4, 41–59.
Del Castillo, E. & Montgomery, D. C. (1993), ‘A nonlinear programming solution
to the dual response problem’, Journal of Quality Technology 25, 199–204.
Derringer, G. & Such, R. (1980), ‘Simultaneous optimization of several responses
variables’, Journal of Quality Technology 12, 214–219.
Graybill, F. A. (1976), Theory and Application of the Linear Model, Duxbury
Press, Boston.
Harrington, J. E. C. (1965), ‘The desirability function’, Industrial Quality Control
21, 494–498.
Khuri, A. I. & Conlon, M. (1981), ‘Simultaneous optimization of multiple responses
represented by polynomial regression functions’, Technometrics 23, 363–375.
Lin, D. K. J. & Tu, W. (1995), ‘Dual response surface optimization’, Journal of
Quality Technology 27, 34–39.
Myers, R. H. & Carter, W. H. (1973), ‘Response surface techniques for dual res-
ponse systems’, Technometrics 15, 301–317.
Smith, R., Mesa, O., Dyner, I., Jaramillo, P., Poveda, G. & Valencia, D. (2000),
Decisiones con multiples objetivos e incertidumbre, Technical report, Univer-
sidad Nacional de Colombia, Medellin.
Optimización de sistemas de respuesta dual. Una aproximación compromiso 171
Tang, L. C. & Xu, K. (2002), ‘A unified approach for dual response surface opti-
mization’, Journal of Quality Technology 34, 437–447.