Professional Documents
Culture Documents
OPTIMIZACIN DE SISTEMAS
CON MLTIPLES RESPUESTAS
2 - SELECCIN DE FACTORES
Identificacin de factores y
respuestas
Seleccin de factores
Diseos de Screening
o Cribado
Factores No Eliminar
Cambio de
significativos? niveles factor
Si
Muchas pruebas
experimentales
Mucho tiempo
Mucho dinero
Ortogonalidad
Rotabilidad
Error estandar-leverage
Eficiencia
Resolucin
ORTOGONALIDAD
b = (XTX)-1XT y b = [b0 ; b1 ; b2 ]
La varianza de la
respuesta estimada en un
punto se obtiene
multiplicando el leverage
por la varianza
experimental.
EFICIENCIA
Hay
confusin
15
ETAPA DE SCREENING - SELECCIN DE
FACTORES
Diseos usados para realizar experimentos de
previsualizacin o screening para factores
numricos y categricos
Representacin geomtrica
Diseos factoriales completos a dos niveles
Efecto de un factor
Diseos factoriales completos a dos niveles
Efecto de la interaccin
Problema:
se necesita incrementar la eficiencia de un procedimiento de
extraccin de cromo (VI) en muestras de agua de rio utilizando
la metodologa de microextraccin en fase lquida
A microextraction procedure based on an ionic liquid as an ion-pairing agent optimized using a design of experiments for chromium
species separation and determination in water samples. Anal. Methods, 2013, 5, 5065. P Berton, L Vera Candioti, H Goicoechea, R
Wuilloud
Considerando un diseo 27 con 128 experimentos:
Se pueden
estimar 127
efectos
Aliasing
Aliasing
Diseo 24-1
Diseos factoriales fraccionados
Diseo 24-1
Diseos factoriales fraccionados
Diseo 25-2
Diseos factoriales fraccionados
Resolucin V o mayor
Los efectos principales y las interacciones dobles se
confunden con interacciones triples o de orden
mayor.
Resolucin IV
Los efectos principales no se confunden entre ellos
ni con interacciones dobles, pero si estas entre si.
Resolucin III
Los efectos principales no se confunden entre ellos
pero hay efectos principales que se confunden con
interacciones dobles. 39
Diseos factoriales fraccionados
El n de puntos del
diseo N es mltiplo de
cuatro.
Se pueden estudiar
hasta k factores en N
experimentos donde
k =N-1.
DISEO DE PLACKETT-BURMAN
DISEO DE PLACKETT-BURMAN
Problema
DISEO DE PLACKETT-BURMAN PARA EL PROBLEMA
Estimacin de efectos
DISEO DE PLACKETT-BURMAN
PRUEBA DE HIPTESIS
(ANOVA)
MODELO DE EFECTOS: ANOVA
Variabilidad
debida al
Variabilidad Variabilid Variabilidad
error
debida al ad debida debida al
efecto al error efecto
El objetivo es:
58
Ejemplo: uso de un diseo completo y rplica
+1
+1
-1
-1 +1
60
Forma de operar:
1- Hacer un ANOVA con todos los
efectos.
61
Construccin del Modelo
REGRESIN LINEAL MULTIPLE
Ecuacin de regresin
error
1
Respuesta i Efectoi
(variable dependiente) 2
coeficientes de regresin
factores
(variables independientes)
Polinomios ms Polinomios ms
simples complejos
Construccin del Modelo
Para que construimos modelos?
Polinomios simples
Seleccionar factores significativos
Se calcula el estadstico F
2
s
Fc 1
2
s Siendo s1 > s2
2
F( n1 1),( n2 1),
Si F calculado es menor al F tabulado, las series son
homogneas u homocedsticas
Si F calculado es mayor al F tabulado, las series son
heterogneas o heterocedsticas
Si la probabilidad correspondiente a ese F calculado es
menor a 0.05, las series son heterogneas o
heterocedsticas
FBCB UNL Distribucin F
3.072
Cuando hay muchos trminos en el modelo, se
prefiere R2aj sobre R2 (para no incrementar en
forma artificial con cada trmino que se agrega).
R2aj baja con cada trmino artificial que se agrega.
Se cumple: 0 R2aj R2 1
Verificacin de los
supuestos del ANOVA
Conclusiones
71
Verificacin de
los supuestos
del ANOVA
72
Evaluacin de los Modelos
RESIDUO
Diferencia entre
la respuesta
observada y la
predicha por el
modelo
Normalidad de los Residuos
Si los residuos se
acomodan
aproximadamente a lo
largo de una recta, se
considera que el supuesto
de normalidad est
satisfecho.
Homocedasticidad de los Residuos
Si los residuos se
distribuyen
Residuo
aleatoriamente, se
considera que el
supuesto de
homocedasticidad
est satisfecho.
Valor predicho
Independencia de los Residuos
Si los residuos se
distribuyen
Residuo
aleatoriamente, se
considera que el
supuesto de
independencia est
satisfecho.
Escalado de Residuos
RESIDUO ESTANDARIZADO
eij
dij
MCE
Outliers en la regresin
Escalado de residuos
RESIDUO ESTUDENTIZADO
Medida de la
localizacin del
eij punto en el
rij espacio
(1 hij ) experimental
0 hij 1
Ms confiable para
detectar atpicos
Escalado de residuos
GRAFICAS DE RESIDUO ESTUDENTIZADOS
L
Reiduo Estudentizado
Posibles causas de puntos
atpicos
Errores experimentales
Errores de transcripcin
Ubicacin en una regin del espacio
experimental en la que el modelo que
aparentemente estaba bien ajustado, no esta
haciendo una buena prediccin de la respuesta
Escalado de residuos
GRAFICAS DE RESIDUO ESTUDENTIZADOS
Capacidad predictiva del modelo
Aproximacin a la funcin real
Se pueden detectar
datos que no son bien
predichos por el
modelo
Incumplimiento de los supuestos
Cuando los residuos provienen de una muestra pequea, pueden
esperarse pequeos desvos de la normalidad y la
homocedasticidad.
No normales
Heterocedsticos
Correlaciondados
Transformar la Respuesta
Transformacin de la respuesta
y y Parmetro de
transformacin
yk 0
Valores de - 3 a +3
Si el intervalo
calculado incluye al
1
no es necesario
transformar los
datos.
Transformaciones ms frecuentes
Transformacin de la respuesta
Primer ajuste de un modelo para estudiar el comportamiento de
una respuesta en funcin de tres factores
Transformacin de la respuesta
Mala prediccin.
El modelo no es capaz de predecir bien los datos
No hay un buen ajuste.
Transformacin de la respuesta
El intervalo de
confianza no incluye al
Se sugiere transformacin uno
logartmica (esto lo determina el
programa usado)
Transformacin de la respuesta
Ajuste con los datos transformados y ln y
eij eij
rij tij
(1 hij ) (ij ) (1 hij )
Estimada
Estimada como
internamente como
CME al ajustar el
CME obtenido al modelo cuando se
ajustar el modelo con
quita el dato yij
TODOS los datos
Puntos atpicos e influyentes
RESIDUO ESTUDENTIZADO
EXTERNAMENTE OUTLIERT
Medida en trminos de t de cuanto se desva el valor experimental del
valor predicho, despus de eliminar un experimento dado.
Suele suceder en estos casos que los parmetro del modelo dependen
ms de la influencia de este punto que del conjunto formado por el resto
de los puntos.
LEVERAGE
hii y Hy
Elemento de la
Matriz que determina la varianza
diagonal de la matriz
y covarianza de la respuesta
H predicha y de los residuos
Leverage
promedio
Puntos influyentes
LEVERAGE
Depende de la matriz
experimental y del modelo
que se quiere ajustar.
Este parmetro se
calcula para cada
coeficiente del modelo.
Puntos Influyentes
Significancia de la Regresin
Ajustar el Modelo
Falta de Ajuste
Modelo Definitivo
Importante!
El anlisis de los residuos (para
ver supuestos del modelo) se
realiza en forma iterativa con el
anlisis de los efectos (tanto
para esta etapa como para la
siguiente (optimizacin)
107
Como se evalan los efectos?
Efectos que claramente afectan la respuesta
EFECTOS Efectos que claramente no afectan la respuesta
ANOVA
Opciones grficas
109
Opciones grficas
Opciones grficas
Pareto permite tener una idea
visual rpida sobre que factor es
ms influyente.
GRFICA
DE
DANIEL
GRFICA DE
DANIEL
Opciones grficas
Opciones grficas
Grfico Semi-normal
Papel
probablstico 99
medio normal
% Probabilidad semi-normal
97
95
A
90
85
80
B
70
60 Efectos significativos
D
40
20
0 C
|Efecto|
Solo utiliza la parte positiva de la
distribucin normal estndar
Opciones grficas
Naranja: positivos
Azules: negativos
Opciones grficas
ANOVA
ANOVA
ANOVA
ANOVA
ANOVA
ANOVA
RESUMEN DEL ANLISIS Coeficientes de
determinacin
Problema
128
129
130
Eliminando aquellos factores e interacciones
con p>0.05:
132
133
Deteccin de un punto influyente
ANOVA
Es el mejor ANOVA-modelo final donde slo se incluyen trminos
significativos, o hay que seguir excluyendo efectos?
Los grados de libertad del error deben ser al menos 8 para tener un
ANOVA confiable.
Indicadores del ajuste (R cuadrado ajustado).
Conclusiones
Para que es necesario conocer el modelo de regresin?
Indicadores del ajuste
o Coeficiente de determinacin R2
o Coeficiente de determinacin ajustado
Proporcin o porcentaje de la variabilidad de los datos experimentales
que es explicada por el modelo
142
143