Академический Документы
Профессиональный Документы
Культура Документы
OPTIMIZACIN DE SISTEMAS
CON MLTIPLES RESPUESTAS
Construir un
MODELO
x x
y f (x1, x2 ) 1 2
niveles
Datos experimentales
OPTIMIZAR
DISEO DE
EXPERIMENTOS
Metodologa de la superficie de
respuesta (MSR)
Representacin Grfica del Modelo
y f (x1, x2 )
Encontrar el
PTIMO
Grficos de la MSR
Respuesta en el
Produccin de almendras
espacio
tridimensional
para la
produccin de
almendras en
funcin de los
fertilizantes
utilizados
Grficos de la MSR
Cada lnea de
Produccin de almendras
contorno est
formada por
todas las
combinaciones
de los factores
que producen
una misma
respuesta
Grficos de la MSR
Grfica de Contorno
Design-Expert Software
Rendimiento
Rendimiento 48.00
Design Points
55.1
44.3
20.6
X1 = A: Temperatura 42.00
X2 = B: Tiempo 56.1
B: Tiempo
36.00
54.6
30.00
50.2
38.4 44.3
32.5
26.6
24.00
20.00 27.50 35.00 42.50 50.00
A: Temperatura
Grficos de la MSR
Superficie de Respuesta
ptimo de la Respuesta
Grfica de contornos
Lneas de Isorespuesta
Niveles ptimos
de las variables
Buscando las mejores condiciones
Experimentos exploratorios
Seleccin de factores
Rendimiento
28 24 32.0
32 24 36.3
36 24 39.2
40 24 42.0 Valor ptimo de
44 24 42.9 temperatura
48 24 43.8
52 24 42.5
56 24 41.2
Rendimiento
48 24 43.8
48 28 47.8
48 32 50.6
48 36 50.8
48 40 49.2
Valor ptimo de
48 44 45.6 tiempo
Condiciones ptimas
de tiempo a 48C
Tiempo (horas)
Tpo= 36 hs R= 50.8 g/L
Seccin transversal de la
16 experimentos sucesivos: varios das de trabajo superficie de respuesta
(se pueden hacer en simultneo en bloques)
Grafica de superficie
Variaciones simultneas de de respuesta
tiempo y temperatura
T (C) Tpo (Hs) R (g/L)
Rendimiento
20 24 20.6
20 36 44.9
20 48 51.0
35 24 39.9
35 36 54.9
35 48 52.1
50 24 43.0
50 36 49.1
Valor ptimo de
50 48 37.0 tiempo y temperatura
Prediccin del ptimo por modelado: 9 experimentos
T= 34, Tiempo= 40 hs Rendimiento = 56.2 g/L menor trabajo
oftware
Grafica de contorno
48.00
Rendimiento
Area NA
mximo
44.3
2.17
Tiempo (horas)
ura 42.00
56.1
B: Tiempo
36.00
54.6
30.00
50.2
1.18
38.4 44.3
32.5
26.6
24.00
mnimo
20.00 27.50 35.00 42.50 50.00
Temperatura (C)
A: Temperatura
MSR y optimizacin
Una misma RESPUESTA puede depender de ms de dos factores
y f ( x1,....,xk )
X 1 constante X 2 constante X 3 constante
X3 X3 X2
X2 X1 X1
Cul es el ptimo?
Tcnicas de optimizacin
El comportamiento ptimo de un SISTEMA puede depender de ms
de una RESPUESTA.
Softw are
2.00
Area PIR
Design-Expert Softw are
1400.00
Design-Expert Softw are Area SUL
2.00
Area CBZ Area SUL
160.09
229016 Points
Design 15.53
187103
513107 15.847
516246
205584
333539
1.55 153080 10.965
467223
1250.00 30.94
190356 1.55
estra 120.74
213831 X1 = B: Stirring rate
sal X2 = C: adicin sal
X1 = A: pH muestra 9.732
418200
X2 = B: Stirring rate Actual Factor
= 1116.22 89.61 A: pH muestra = 7.00
1.09
198646 45.89
193610
Actual Factor 1100.00 1.09
59.75
183461
60.20
196863
0.63 950.00 0.63
5.396
320153
30.84
168276 80.61
200116
0.18 0.18
800.00
2.00 3.25 4.50 5.75 7.00
Respuesta 1 1.00
Respuesta 2
2.75 4.50 6.25 8.00 900.00
Respuesta 3
1000.00 1100.00 1200.00 1300.0
Ajuste de un Modelo
22 y 0 1x1 2 x2 12x12
INTERACCION 0.77
Regresin 1565 3 521.5 13.5 0.002 significativa
Error Residual 309.1 8 38.6
FAj 284.3 5 56.87 6.8 0.070 en el lmite
CUADRATICO 0.95
Regresin 1826 5 365.2 46.0 <0.001 significativa
Error Residual 47.9 6 7.9
FAj 22.8 3 761 0.91 0.526 no significativa
Elegir Modelo: mayor F0 de regresin
Error Puro 24.8 3 8.2 menor F0 de Falta Ajuste
mayor R2aj
Evaluacin del los Coeficientes
Modelo Cuadrtico Completo
y = 56.9 + 3.8 x1
+ 14.8 x2
- 6.2 x 1 x2 Todos los trminos son significativos?
- 9.2 (x1)2 Todos son importantes?
- 0.2 (x2)2 Todos aportan informacin?
Manual
Eliminacin Backward
Adicin Forward
Modelo Reducido Modelo Depurado
Categora de MODELOS
CATEGORA DE LOS los Modelos
T (A)
1.51
0.77
X1 = B: pH
X2 = C: Temp
1.220
Actual Factors
A: Apareante = 15.00
D: Acetato = 60.00
Para dos factores este 1.188
Respuesta
1.155
1.123
1.090
k
y 0 i x i 40.00
36.25 3.750
4.000
i 0 32.50
28.75 3.250
3.500
X1 X2
25.00 3.000
R (A)
13.232
0.985
X1 = A: Apareante
X2 = D: Acetato
25.00
MODELO LINEAL CON INTERACCIN
Actual Factors
B: pH = 3.500
C: Temp = 32.50
18.75
Respuesta
12.50
6.250
Para dos factores este
modelo tiene 4 trminos 0.0000
150.0 30.00
117.5 25.50
85.00 21.00
52.50 16.50
X1 X2
20.00 12.00
2.09
X1 = A: % Manitol
X2 = B: %Camphor 5.7
4.775
3.85
Dureza
Para dos factores este 2.925
0.00
A: % Manitol
1.00
0.50 -0.50
0.00
-0.50
-1.00 -1.00
B: %Camphor
k k
y 0 i x i ii xi 2 ij xi x j
i 0 i 1 i j
1.33
67
X1 = A: A
X2 = B: B
48.25
Actual Factor
C: C = 0.00
Para dos factores este 29.5
R3
modelo tiene 10 trminos 10.75
-8
1.00 1.00
0.50 0.50
0.00 0.00
-0.50 -0.50
B: B A: A
-1.00 -1.00
8 Verificar experimentalmente
Confirmar el valor de la respuesta utilizando los niveles ptimos de los
factores
Regin de operabilidad y entorno
experimental
Regin de Operabilidad
Condiciones en donde el
proceso o equipo puede ser
operado
X1
Entorno Experimental
X3
Limitado por los niveles
X2 seleccionados para los factores
Modelo probable
Experimentar Experimentar
Tcnica de
ESCALAMIENTO ASCENDENTE
(o descendente)
factor 2
Diseo SIMPLEX
factor 1 factor 1
factor 2
factor 2
factor 1
factor 1
Diseo SIMPLEX en escalamiento
ascendente
Diseo SIMPLEX
Paso 1
Simplex Inicial: experimentos 1, 2 y 3
La peor respuesta es la del experimento 3 Buscar un opuesto
DISEO SIMPLEX en ESCALAMIENTO ASCENDENTE
Mtodo de Escalamiento Ascendente sin ajustar
Modelo
Paso 2
Segundo Simplex : experimentos 1, 2 y 4
La peor respuesta es la del experimento 2 Buscar un opuesto
Paso 3
Tercer Simplex : experimentos 1, 4 y 5
La peor respuesta es la del experimento 1 Buscar un opuesto
Paso 4
Cuarto Simplex : experimentos 4, 5 y 6
Las peores respuestas son las 4 y 5 Buscar opuestos
Paso 5
Quinto Simplex : experimentos 5, 6 y 7
La mejor respuesta es la 6
Sexto Simplex : experimentos 4, 6 y 8
Seleccionar un Entorno Experimental para un
Diseo de Segundo Orden que permita
localizar el ptimo
Mtodo de la mxima pendiente
Se recorre
secuencialmente una
trayectoria en sentido
ascenso de su mxima
pendiente, es decir,
del mayor incremento
o decremento de la
descenso respuesta
54.04
Paso 2 Elaborar un Diseo
0.5000 55.58
2k (-1, +1)
o Punto Central
Factor 2
0.0000
j (xi = xj =..xk = 0)
coincidente con el
Punto de Origen
-0. 5000
o Rplicas en el Punto Central
-1. 000
-1. 000 -0. 5000 0.0000 0.5000 1.000
i
Paso 3 Ajustar un modelo lineal, obtener la Superficie de Respuesta
Factor 1
y evaluar curvatura
55.58
x j 1
x j 1 Paso 5 Calcular el
incremento para las
otras variables
j i
i xi
xi j x j
i j
i 1,2,....k; i j
y 0 i xi j x j ... ...k xk
-0.5000 0.0000 0.5000 1.000
i
xi
MximaFactor
Pendiente
1 en el plano i x j j
Paso 6 Convertir cada incremento a valores naturales para obtener un
punto experimental en el sentido de la mxima pendiente.
Respuesta
1.000
54.04
i
Pendiente
j
0.5000 55.58
Factor 2
0.0000
Paso 7 Continuar
experimentando en esta
direccin hasta no
-0. 5000
observar ms incrementos
-1. 000
-1. 000 -0. 5000 0.0000 0.5000 1.000
Paso 8 Crear un nuevo Diseo 2k con replicas en el punto central que
debe coincidir con el ltimo punto experimental de mejor respuesta.
Respuesta
1.000
Paso 9 Construir un
54.04
nuevo modelo de primer
55.58
0.5000
orden y evaluar curvatura
Factor 2
-1. 000
Repetir Paso 8 y Paso 9 hasta
-1. 000 -0. 5000 0.0000 0.5000 1.000 encontrar curvatura
significativa, o la respuesta
Regin del PTIMO
Factor 1 localizada ptima
DISEO FACTORIAL en MTODO DE MXIMA PENDIENTE
i
Trayectoria de Mximo Ascenso Pendiente
o Pasa por el punto 40.44 j
o Tiene una Pendiente =0.325/0.775
Seleccin de un incremento base para una de las variables
x1 1 5min
Seleccin del incremento de la otra variable en funcin de la mxima
pendiente en ascenso
x2 (0.325/ 0.775)x1 0.42 2 C
Experimentos con pendiente en ascenso
Incrementos Variables Naturales Variables codificadas Respuesta
min C x1 X2 Rendimiento (%)
Origen 35 155 0 0 40.5
O+ 40 157 1.00 0.42 49.5
O+2 45 159 2.00 0.84 59.8
O+3 50 161 3.00 1.26 70.4
O+4 55 163 4.00 1.68 80.9
O+5 60 165 5.00 2.10 75.1
Se crea un nuevo diseo alrededor del punto (55, 163)
Modelo Cuadrtico
Pruebas de Adecuacin del Modelo Cuadrtico
Modelo Significativo Proximidad del ptimo
Falta de Ajuste No Significativa
Interaccin No Significativa Seleccionar entorno experimental
Curvatura Significativa para diseo de segundo orden
Diseos de
segundo orden
Diseos experimentales de
segundo orden
1 Proporcionar una distribucin razonable de puntos de
datos en el Entorno Experimental
N min= 1 + 2k + k (k-1)/2
k=3
X1
X2
X3
X1x2 x1x3 x2x3
X1x2x3
X12 X22 X32
N = N min + Co
Ortogonalidad
A B AxB
1 1 1 A con B:
-1 1 -1
[1x1]+[(-1)x1]+[1x(-1)]+(-1)x(-1) = 0
1 -1 -1
-1 -1 1
0.437
0.437
8 Permitir la creacin secuencial a partir de diseos de
primer orden
2k 3k
3k D-Optimal
Diseos
simtricos
Diseo Factorial Completo a 3 niveles
Se investigan todas las posibles combinaciones de los niveles de los
factores
Nmero de experimentos (N= 3k )
El nmero de experimentos crece rpidamente con el nmero de
factores
Punto central
Compuesto por:
Diseo cbico, que responde al diseo factorial completo 2k
Punto central
Diseo estrella, a una distancia del centro.
Nmero de experimentos
(N = 2k +2k + C0)
curvatura
= 1.0 Se transforma en un
diseo de tres niveles
El entorno experimental es
ms acotado
k Valor de alfa
2 1.414 1.414 1.189
3 1.732 1.682 1.316
4 2.000 2.000 1.414
5 2.236 2.378 1.495
Diseo Box-Behnken
Tres factores
-1.0
BB CC FC BB CC FC
2 6 - 9 9 - 0.67 0.67
3 10 13 15 27 0.77 0.67 0.37
4 15 25 25 81 0.60 0.60 0.18
5 21 41 43 243 0.51 0.49 0.08
6 28 49 77 729 0.57 0.36 0.04
7 36 57 143 2187 0.63 0.25 0.02
ms eficiente
Diseos
optimal
Diseos ptimos
Son Diseos NO Simtricos, logrados mediante
algoritmos computacionales cuyo fin es
satisfacer condiciones establecidas por el
operador, tales como:
Cantidad de puntos experimentales
Tipo de modelo a ajustar
Rangos de las variables
Regiones no posibles de ensayo
Diseos ptimos
1 Regin Experimental Irregular.
2 Falta de Ajuste de Modelo Cuadrtico.
3 Necesidad de reducir la cantidad de puntos
experimentales.
Se pierde Rotabilidad
Diseo D-optimal con restricciones
40.0
Se seleccionan puntos
Regin experimentales con una
favorable Distribucin ptima desde el
punto de vista estadstico.
Seleccin de puntos experimentales en
dominio asimtrico
Puntos Seleccionados
Determinante de
XTX mximo
Buena estimacin de
coeficientes y error de
prediccin ms o menos
estable.
Error estndar en un diseo central
compuesto
Error estndar en un diseo central
compuesto al que se quitaron dos puntos
por no poder operarse en esa regin
Error estndar en un diseo central
D-optimal con restricciones para evitar
esos dos puntos
ANEXO: Creando un D-Optimal con restricciones
Localizacin del
ptimo
Diseos Experimentales de Segundo Orden
para PREDECIR
Punto Silla
Paso 1 Ajustar un Modelo de Segundo Orden con niveles
codificados
k k
y 0 i x i ii xi ij xi x j
2
i 0 i 1 i j
y x1 y x2 ...... y xk 0
y 0 x'b x'Bx
En donde:
x1 11 12 2 ... 1k 2
x
x 2 Es el vector de
22
2k 2
B
los factores
x k
sim kk
1
Es una matriz simtrica cuya
2 Es el vector de los
diagonal principal est
b coeficientes de
formada por los coeficientes
regresin de primer
k de los trminos cuadrticos
orden
puros
La derivada de la funcin respecto al vector x
igualada a 0 es:
y
b 2Bx 0
x
de donde puede calcularse el punto estacionario:
1 -1
x0 - B b Qu tipo de punto estacionario es?
2
La respuesta predicha para el punto estacionario estar dada por:
1
y0 o xob Es el ptimo que buscamos?
2
Anlisis cannico
i Autovalores de la matriz B
w2
x2 w1
Cordillera de la
Superficie
Punto estacionario
x1
Entorno Experimental
Formas clsicas
Punto Estacionario DENTRO del Entorno Experimental
i
Positivo para todas las i: Punto MNIMO VALLE
Otras formas
Punto Estacionario FUERA del Entorno Experimental
i
Positivo para todas las i: CRESTA DESCENDENTE
20.6
56
X1 = A: A
X2 = B: B
-0.38
42
28
48.6
R1
B: B
-0.75
14
0
42
-1.13
0.00 2.00
28.8 35.4
-0.38 1.38 28.8
22.2
-0.75 0.75
-1.50
-1.13 0.13
B: B A: A -0.50 0.13 0.75 1.38 2.00
-1.50 -0.50
B: B
R1
0.00
2.5
0 8.48
-0.75
6.97
Objetivo: MAXIMIZAR
la Respuesta
Punto Estacionario
Objetivo: MAXIMIZAR
la Respuesta
Punto ptimo
en el Entorno
Experimental
Vy L x Vexp
De una manera similar a cuando se obtiene la varianza en la
prediccin en una curva de calibrado univariado
IC y t(0.05) x S y
Error de prediccin
Leverage: funcin del diseo y del modelo ajustado
ert Software Leverage vs. Run Design-Expert Software Leverage vs. Run
R1
1.00
1.00
by value of
Color points by value of
R1:
795.8
0.75 1 0.75
puntos axiales
Leverage
Leverage
0.50 0.50
0.25 0.25
puntos centrales
0.00
Design-Expert Software
StdErr of Design
DCC 0.00
1 3 5 7 9 11 13 15 17
1 3 5 7 9 11 13 15 17
1.5
Modelo Lineal
Run Number
0.5
X1 = A: A
1.000 Modelo Cuadrtico
R un N um ber
X2 = B: B
0.750
StdErr of Design
Actual Factor
C: C = 0.00
0.500
0.250
0.000
1.00
1.00
0.50 0.50
0.00 0.00
-0.50 -0.50
B: B A: A
-1.00 -1.00
Diseos
De mezclas
En los casos estudiados hasta
ahora (deseos experimentales
para variables independientes),
cada variable poda tomar
cualquier valor dentro de su
rango, independientemente del
valor tomado or las otras
variables.
Euna mezcla tenemos la restriccin
de que la suma de todos los
componentes sea 1 (o 100%). Es
decir no pueden ser variados
independientemente, ya que al
hacerlo se puede pasar el porcentaje
de 100. 1
S=1 S=2
S=1
0 S=0 S=1
0 1
Como consecuancia, no es
posible aplicar a los
problemas de mezclas los
diseos vistos.
Cuando es necesario realizar diseos de mezclas?
0 x1
1
0.5
0.33
0
Cuatro componentes (4)
Espacio experimental:
pirmide (cada vrtice
corresponde a un
componente)
Dimensionalidad: 3
Modelo clsico para un sistema lineal de 2
componentes:
y = b0 + b1 x1 + b2 x2
=
y = X b + e = ypred + e
(XTX)-1XT y = (XTX)-1XTX b
b = (XTX)-1XT y b = [b0 ; b1 ; b2 ]
ypred = X (XTX)-1XT y ypred = H y
(H es conocida como matriz hat por sombrero)
Xb = X(XTX)-1XT y
ypred = b1* x1 + b2 * x2
Si x1 = 1, x2 = 0, entonces y = b1*
Si x2 = 1, x1 = 0, entonces y = b2*
Yi = o + 1 X1 + 2 X2 + 12 X1 X2 + 11 X12 + 22 X22 + i
Modelo de Scheff:
q q
y i xi ij xi x j ijk xi x j xk
i 1 i j k
Simplex Lattice
Simplex Centroid
D-Optimal
Ejemplo 1
Formulacin del un comprimido
en que se busca la mejor mezcla de los tres
ligandos (90.8% del total):
alfa-lactosa monohidratada
(X1), beta-lactosa anhidra (X2) y almidn de arroz
modificado (X3).
Y1 = 39 (X2 = 0)
Y1 = 42 (X3 = 0)
Y1 = 38
Y1 = 113 (X3 = 100%)
(X2 = 100%) Y1 = 70 (X1 = 0)
Mayor
respuesta para
la combinacin
de ambos
factores
Ejemplo 2
Formulacin de un comprimido
en el cual hay 20% de droga y el resto
corresponde a una mezcla de 3
excipientes:
1- Lactosa
2- Avicel PH 101 (una celulosa microcristalina)
3- Hidroximetilpropilcelulosa (HMPC)
Ejemplo: es necesario
que los tres
componentes estn
siempre
A veces es necesario que nunca estn
en forma pura
Pseudocomponentes
Pseudocomponentes
Ejemplo: Formulacin de un
detergente midiendo dos
respuestas: viscosidad y turbidez
Restricciones:
3% A (agua) 8%
2% B (alcohol) 4%
2% C (urea) 4%
A+B+C=9%
Tutorial DExpert
Pseudocomponentes: diseo generado
Pseudocomponentes
Propiedades del diseo
Pseudocomponentes
Los vrtices ya no son puros
Ejemplo usando efluentes industriales
para un medio de cultivo
Efluente de la
industria lechera
Efluente de la
Efluente de la
industria
industria
azucarera
cervecera
Optimization of the Bacillus thuringiensis var. kurstaki HD-1 d-endotoxins production by using experimental mixture design
and artificial neural networks. GA Moreira, GA Micheloud, AJ Beccaria, HC Goicoechea, Biochem. Eng. J., 2007, 35, 48-55.
Modelos mixtos: mezcla-proceso
Mezcla-Mezcla (mezclas cruzadas)
Modelo mixto
Lineal x Lineal
Cuadrtico x Cuadrtico
Modelo lineal mixto de mezclas cruzadas
para tres componentes
y = f (x) x g (z)
y = f1 x1 g1 z1 + f2 x2 g1 z1 + f3 x3 g1 z1 + f1 x1 g2 z2 + f2 x2 g2 z2 + f3
x3 g3 z3 + f1 x1 g3 z3 + f2 x2 g3 z3 + f3 x3 g3 z3
y b x z b x z b x z b x z b x z b x z
1
1 1 1
1
2 2 1
1
3 3 1
2
1 1 2
2
2 2 2
2
3 3 2
b x z b x z b x z
3
1 1 3
3
2 2 3
3
3 3 3
Ejemplo de uso en CE: optimizacin en la
separacin de picos combinando dos variables de
proceso (pH y voltaje) y tres de mezclas (3
diferentes sales para los buffers)
Determinacin de fluoroquinolonas por CE-DAD en
aguas
Enoxacina: ENO
Ciprofloxacina: CPF
Ofloxacina: OFN
Enrofloxacina: ENF
4
2
Se tiene como objetivo reducir tiempo de
anlisis, pero asegurndose que no se toquen los
picos 2 y 4
Modelo mixto
Modelo mixto
Valor ptimo
(target): 2
Modelo mixto
Modelo mixto
Modelo mixto
Modelo mixto
Modelo mixto
Optimizacin de un medio de cultivo para la
produccin de una protena recombinante
C. Didier, M. Etcheverrigaray, R. Kratjie, H.C. Goicoechea, Chemom. Intell. Laborat. Syst. 86 (2007) 1
Modelo mixto
N sources C sources
Constrains
Modelo mixto
Optimizacin por
sectores
Modelo mixto
Response Modelo F p Adj. R2 p-LOF
IVC QxQ 6.46 < 0.0001 0.722 0.307
qprot QxQ 8.39 < 0.0001 0.781 0.013
BA QxQ 11.04 < 0.0001 0.832 0.052
qlact QxQ 5.46 < 0.0001 0.679 0.233
qamo QxQ 2.85 0.0055 0.500 0.005
Commercial product
of high price
Developed product of
low price
Conclusiones
La MSR es una tcnica sumamente
verstil que permite la utilizacin de
diferentes diseos experimentales y
herramientas estadsticas para resolver
problemas de optimizacin de sistemas.