Beruflich Dokumente
Kultur Dokumente
Diseño Experimental
Proyecto de Exposición
Docente: MSc. Yoel Hernández
Sexto Nivel
Integrantes:
Arroba Carolina
Bajaña Geanella
Bravo Estefanía
Escobar Verónica
Núñez Henrry
Pruna Dayana
Rodríguez Dayana
Santamaria Andrés
Tamayo Ricardo
Vaca Guadalupe
Periodo Académico
Septiembre 2017-Febrero 2018
METODOLOGÍA DE SUPERFICIE DE RESPUESTA
INTRODUCCIÓN
El diseño experimental es el procedimiento de planeación y conducción de experimentos,
así como la definición del análisis estadístico para evaluar los resultados, con el objetivo
de tener conclusiones válidas y objetivas.
El objetivo del diseño de experimentos es estudiar si cuando se utiliza un determinado
tratamiento se produce una mejora en el proceso o no. Para ello se debe experimentar
aplicando el tratamiento y no aplicándolo. Si la variabilidad experimental es grande, sólo
se detectará la influencia del uso del tratamiento cuando éste produzca grandes cambios
en relación con el error de observación.
La metodología de superficie de respuesta (MSR),es una colección de técnicas que
permite al investigador inspeccionar una respuesta, que se puede mostrar como una
superficie, cuando los experimentos investigan el efecto que tiene al variar factores
cuantitativos en los valores que toma una variable dependiente o respuesta
OBJETIVOS
Objetivo General.
Comprender la parte teórica y la importancia sobre metodología de superficie de
respuestas.
Objetivos específicos.
Aplicar el diseño superficie de respuestas en ejercicios que se relacionen en
ingeniería de alimentos.
Concluir las gráficas del diseño de superficie de respuestas.
METODOLOGÍA SUPERFICIE DE RESPUESTA (MSR)
La Metodología de Superficies de Respuesta (RSM) es un conjunto de técnicas
matemáticas utilizadas en el tratamiento de problemas en los que una respuesta de interés
está influida por varios factores de carácter cuantitativo. 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.
Terminología a emplear.
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 interés principal es optimizar dicho valor.
Función de respuesta. Al decir que un valor de respuesta Y depende de los niveles y de
k factores se dice que existe una función matemática 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 orden
Y 0 1 x1 2 x2 , donde son los coeficientes de regresión a estimar, x1 y x2
representan los niveles.
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,
mientras que si tenemos Y=f(x1, x2.) la superficie está en tres dimensiones.
Grafica de contornos.
Una técnica utilizada para ayudar a visualizar la forma que puede tener una superficie de
respuesta tridimensional consiste en representar la gráfica de contornos de la superficie,
en la que se trazan las denominadas líneas de contorno, que son curvas correspondientes
a valores constantes de la respuesta sobre el plano X1X2 (plano cuyos ejes coordenados
vienen dados por los niveles X1 y X2 de los factores). Geométricamente, cada línea de
contorno es una proyección sobre el plano X1X2 de una sección de la superficie de
respuesta al intersectar con un plano paralelo al X1X2. La gráfica de contornos resulta útil
para estudiar los niveles de los factores en los que se da un cambio en la forma o altura
de la superficie de respuesta. La representación matemática de los modelos de MSR puede
ser de diversas maneras:
El método clásico de MSR
En un problema de estudio de cierta función expectativa, cuya expresión en general puede
denotarse como f (ξ, θ), al experimentador le resultara de enorme valor conocer cual es la
forma que realmente tiene esta función, ya que la misma es desconocida. La idea básica
es utilizar funciones de aproximación del tipo g(x, β) ≈ f (ξ, θ) para ir experimentando
secuencialmente la función desconocida a través de diseños sucesivos, en donde x
representara un vector columna de factores elegido por el experimentador de un grupo
de mayor dimensión, ξ y β será el vector columna de parámetros del modelo así elegido,
también como subconjunto de otro mayor θ.
Ya que en la generalidad de los casos esta función no se conoce, mediante este enfoque
se irán realizando una serie de experimentos, secuencialmente diseñados. El pasaje de un
diseño a otro estará por lo general ligado al comportamiento que tengan los valores de los
factores x de tal modo que se observe que valores de dicho vector van conduciendo a
obtener valores mayores o menores del valor esperado de la respuesta
Las estrategias suelen comenzar ajustando modelos de primer orden, las cuales parten de
la hipótesis que la zona de experimentación se encuentra relativamente alejada del valor
critico de la función. Entonces, el valor esperado de la respuesta se va aproximando
mediante aproximaciones polinómicas de primer orden, que permite averiguar cuál es la
dirección (dentro de plano de factores) en donde aquella función crece más rápidamente.
Esto se va repitiendo secuencialmente, considerando nuevos puntos de x en la dirección
´precipitada. Al ajustarse el modelo siguiente, se buscará nuevamente otra dirección de
máximo crecimiento de la función, que definirá la pauta para establecer nuevos puntos de
diseño. De esta forma, se continua se continua hasta que se detecte falta de ajuste de los
modelos de primer orden, lo cual seguramente será indicativo de que se esta en presencia
de curvaturas en la función teórica que se está explorando. En las etapas siguientes se
utilizara entonces aproximaciones polinómicas de segundo orden para g(x, β) para seguir
ganando conocimiento acerca de f (ξ, θ), lo que redundara en funciones polinómicas que
ajusten cada vez mejor a la función verdadera.
Finalmente, a través del llamado análisis canónico de la superficie ajustada, se podrá
identificar a que forma geométrica corresponde la superficie estudiada, luego de lo cual,
será necesario verificar el cumplimiento de las hipótesis tenidas en cuenta a la hora de
comenzar el estudio.
A continuación, se presenta un resumen de la forma de proceder ordenada y
sistemáticamente para el avance secuencial del conocimiento de sistemas cuyo
funcionamiento se desconoce y se desea conocer mediante la experimentación secuencial
Estrategia clásica de experimentación secuencial
En la fase inicial del estudio de una superficie de respuesta se trata de identificar la región
de respuesta óptima y para ello se utilizan experimentos factoriales completos 2k o
fraccionarios 2 k − p , con el fin de estimar las respuestas medias para un modelo lineal o
de primer orden.
Se recomienda generalmente agregar dos o más observaciones en el nivel medio de cada
uno de los factores para estimar el error experimental y tener un mecanismo de evaluación
para saber si el modelo lineal es apropiado
Hipótesis para los coeficientes del modelo:
H 0 : i 0
H 0 : i 0
Significancia del coeficiente:
Se rechazará la hipótesis nula, en el caso de que la probabilidad calculada sea menor que
el nivel de significancia especificado, en este caso se utilizó a = 0.05 o el 95% del nivel
de confianza.
Análisis del error en el modelo ajustado
Para estimar los coeficientes se requieren Nk+1 valores de respuesta (Y). El análisis de
los datos se suele representar en una tabla de análisis de varianza. La tabla presenta las
diferentes fuentes de variación que contribuyen a la variación total de los datos. La
variación total recibe el nombre de suma de cuadrados total SST, y se calcula de la
siguiente manera:
n
SST (Y Y ) 2
i 1
Se puede hacer un análisis del ajuste del modelo con la R2 , que es la proporción total de
la variación de las Yi con respecto a la media que se puede explicar con la ecuación de
regresión ajustada.
SSR
R2
SST
1. Diseños factoriales 2k
2. Diseños factoriales fraccionados 2k – p
3. Diseño de Plackett-Burman
4. 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.
Diseños de segundo orden
Son aquellos diseños 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:
Aquí se tienen k = 2 términos de primer orden, dos términos puros de segundo orden o
cuadráticos y un término de interacción dado por β12x1x2. Los términos x1 y x2 se
codifican en la forma conocida de ±1. El término ε denota al acostumbrado error del
modelo.
Los diseños de segundo orden más recomendados como son: el diseño de Box-Behnken
y el diseño central compuesto o de composición central.
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. Pueden estimar eficientemente los coeficientes de primer y segundo orden;
sin embargo, no pueden incluir corridas de un experimento factorial.
Se puede observar que al optimizar nuestro diseño podemos obtener las temperaturas así como el
tiempo idóneo para aumentar o disminuir la cantidad de proteína requerida.
Bibliografía
Akira, I. (2003). Metodología de Superficie de Respuesta. Obtenido de
http://bibing.us.es/proyectos/abreproy/70238/fichero/Capitulo+7.pdf
Armendariz, M. (2008). Apliaciones de superficie de respuesta. Obtenido de
http://catarina.udlap.mx/u_dl_a/tales/documentos/lii/peregrina_p_pm/capitulo2.p
df
Cámara, M., De Zan, M., Candioti, L. & Goicoechea, H. (2016). DISEÑO
EXPERIMENTAL Y OPTIMIZACIÓN DE SISTEMAS CON MÚLTIPLES
RESPUESTAS. Obtenido de http://www.fbcb.unl.edu.ar/laboratorios/ladaq/wp-
content/uploads/2016/06/3-RSM_Mezclas_2016.pdf
Cespón, R. (2007). Analisis de diseños experimentales. España: Universidad Compostola.
Obtenido de
https://books.google.com.ec/books?id=BQwTqorJNIsC&pg=PA211&dq=dise%
C3%B1o+de+superficie+de+respuesta&hl=es&sa=X&ved=0ahUKEwi30uvetdb
YAhWa3oMKHfXtBLIQ6AEILDAB#v=onepage&q=dise%C3%B1o%20de%2
0superficie%20de%20respuesta&f=false
De Zan, A. (2006). Principios de metodología de superficie de respuesta para modelos
logísticos. Tesis Doctoral. Universidad politécnica de Cataluña. Obtenido de:
http://hdl.handle.net/10803/6518
Gutiérres Pulido, H., & De la Vara Salazar, R. (2008). Análisis y diseño de experimentos.
urnal of Chemical Information and Modeling (Vol. 53).
https://doi.org/10.1017/CBO9781107415324.004