Capitulo 5.

Superficies de Respuesta

Sobre el capitulo 5, se puede encontrar los tratamientos estadsticos ms completos en los libros de Cornell (1990), Myers y Montgomery (1995) y en artculos de G.E.P. Box y sus colaboradores (Box & Wilson, 1951; Box, 1954; Box & Youle, 1955 entre otros).

La metodologa de superficie de respuesta (o RSM, de Response Surface Methodology) es una tcnica de optimizacin basada en planeamientos factoriales que fue introducida por G.E.P. Box en los aos cincuenta, y que desde entonces ha sido usada con gran suceso en el moldeamiento de diversos procesos industriales. En los textos tradicionales sobre RMS, stos son dirigidos a un pblico con poco conocimiento de estadstica y de entendimiento a veces complicado y hasta otras veces redundante, lo que necesitamos es el aprovechamiento de los conceptos introducidos de dichos autores para poder presentar los principios bsicos de la RMS.

5.1 Metodologa de Superficies de Respuesta

La metodologa de superficies de respuesta tiene dos etapas distintas, modelamiento y desplazamiento, que son repetidas tantas veces cuantas fueran necesarias, con el objetivo de alcanzar una regin optima de la superficie investigada. El modelamiento, generalmente es hecho ajustndose a modelos simples (en general, lineares o cuadrticos) una respuesta obtenidas con planeamientos factoriales o con planeamientos factoriales ampliados. El desplazamiento se da siempre a lo largo del camino de mxima inclinacin de un determinado modelo que es una trayectoria en la cual la respuesta vara de forma ms pronunciada.

Por ejemplo, se est investigando el efecto de dos factores, concentracin de un reactivo y la velocidad de agitacin, en el rendimiento de una determinada reaccin. En trabajos previos se tiene conocimiento que el proceso viene funcionando hace algn tiempo con los valores de esos factores fijados en 50% y 100rpm, respectivamente, y que los rendimientos medios obtenidos han sido valorizados en torno de 68%. Ahora se necesita saber si no sera posible mejorar el rendimiento, seleccionado otros niveles para los factores.

40

5.2 Modelamiento Inicial

5.2.1 Caso 1: Modelamiento lineal. El primer paso para atacar el problema, es investigar la superficie de respuesta en torno de las condiciones habituales de funcionamiento del proceso, usando el planeamiento factorial mostrado en la Fig. 5.1, note que el planeamiento contiene un punto central, y por eso se da tres niveles de cada factor y no apenas dos. Esto nos permitir verificar si hay o no falta de ajuste para un modelo linear lo que sera imposible si hubisemos usado apenas dos niveles. En la Tabla 5.1, se muestra la matriz de planeamiento y los rendimientos observados experimentalmente en cada combinacin de niveles. En general fueron realizadas siete pruebas, siendo tres de ellos repeticiones del punto central.
120

110

V(rpm)

100

90

80 40 45 50 C(%) 55 60

Figura 5.1 Planeamiento factorial de dos niveles con punto central

Tabla 5.1. Resultados de un planeamiento 2 con punto central Ensayo 1 2 3 4 5 6 7 C (%) 45 55 45 55 50 50 50 V(rpm) 90 90 110 110 100 100 100 -1 1 -1 1 0 0 0 -1 -1 1 1 0 0 0 Y (%) 69 59 78 67 68 66 69

Fuente: Cornell (1990) y representan los valores de los dos factores codificados por las ecuaciones:

41

(5.1)

En el anlisis vamos admitir que la superficie de respuesta en la regin investigada es una funcin lineal de los factores y que por lo tanto la respuesta puede ser estimada por la ecuacin:

(5.2)

Donde

son los estimadores de los parmetros del modelo y

representan los

factores codificados, es de suponer que los valores de los mnimos cuadrados.

pueden ser obtenidos por el mtodo

Usando el software de STATISTICA release 7 (http://www.statsoft.com/support/freestatistica-9-trial/), se presenta en la Fig. 5.2, la ventana de presentacin para la ejecucin de tareas previas a la obtencin de la superficie de respuesta. Se deben estudiar, la interaccin de los principales efectos sobre la variable de respuesta, para el anlisis de varianza, el trmino de error utilizado para todas las pruebas ser de Error Puro, se obtendr la tabla del ANOVA y finalmente se obtendr la superficie de respuesta.

Figura 5.2. Ventana de anlisis de superficie de respuesta

42

En la Fig. 5.2, se presentan los efectos involucrados en el proceso de optimizacin, se puede observar que las variables de concentracin y velocidad de agitacin son estadsticamente significativas (p<0,05) lo mismo se puede observar en el anlisis de regresin presentado en la Fig. 5.3, donde se observa un valor del coeficiente de determinacin de 0,97, considerado ser un valor alto para la prediccin de la variable de respuesta.

Figura 5.2 Ventana de Anlisis de efectos estimados en el proceso de Optimizacin

Tabla 5.3. Ventana de Anlisis de la Regresin

En la Fig. 5.4, se presenta la tabla del anlisis de varianza.

Figura 5.4 Ventana de Anlisis de Varianza

En la Fig. 5.5, se presenta la prediccin del rendimiento a partir de la ecuacin obtenida del anlisis de regresin y comparada con los valores reales o experimentales:

(5.3)

43

Figura 5.5 Rendimiento estimado vs rendimiento real

En la Fig. 5.6, se presenta la superficie de respuesta obtenida, se puede observar que para bajas concentraciones de reactivo y a altas velocidades de agitacin, se obtienen ms altos valores de rendimiento, pudiendo ser las variables de 45% de concentracin y de 110RPM de agitacin como los parmetros optimizados para los niveles estudiados.

Superficie ajustada; Variable: Rendimiento (%) 2 factors, 1 Blocks, 7 Runs; MS Pure Error=2,33

58,673 60,745 62,818 64,891 66,964 69,036 71,109 73,182 75,255 77,327 above

Figura 5.6 Superficie de respuesta de la concentracin de reactivo vs velocidad de agitacin

44

5.2.2 Caso 2: Modelamiento no lineal. Determinar los valores de tiempo(X) y temperatura (Y) que produce un rendimiento qumico mximo en una investigacin de laboratorio. Una experiencia previa, indic que un tiempo de 75min y temperatura de 130C result en un buen rendimiento, tambin el error estndar del rendimiento fue estimado en 1,5. En las experiencias iniciales, el investigador vario de 80 para 90minutos y la temperatura de 127,5 hasta 32,5C. Para una simplificacin factorial de 2 con tres ensayos en el punto central fueron usados. La informacin de los ensayos en el punto central fue usado para: 1. Estimar el error de la medida 2. Estimar la curvatura de la superficie
2

Un planeamiento factorial de 2 con punto central es apropiado para determinar el modelo lineal (modelo de 1er orden): (5.4) Donde: : : : Rendimiento Tiempo Temperatura

El factorial 2 por triplicado en el punto central permite: 1. Determinar el modelo lineal de una manera eficaz 2. Verificar si el modelo planar es adecuado para representar los datos 3. Estimar el error experimental

Primero los niveles de las variables son transformadas en unidades ms convenientes:

45

Tabla 5.2 Planeamiento experimental

Fuente: Statistica release 7(2011)

Un modelo de primer orden es satisfactorio si la superficie tiene poca curvatura en la regin investigada, entonces, los gradientes son los trminos del modelo ms importante. Esto normalmente es verdadero si se est investigando una regin alejada del mximo. Del mismo modo, si se est investigando una regin donde existe curvatura apreciable, siempre se puede verificar la precisin del modelo lineal. Si fuera necesario usar un modelo ms satisfactorio, nuevos ensayos pueden ser adicionados a aquellos del factorial 2 para su determinacin. Estimativa de los coeficientes: , y :
2

Verificacin de la validacin del modelo planar:

La interaccin entre el tiempo y temperatura es despreciable. Verificacin de la curvatura:

46

Media de las 4 respuestas del factorial Media de las respuestas del punto central

, donde, cuadrtico.

son coeficientes de

de un modelo

En resumen:

El modelo planar es satisfactorio en esta regin de la superficie.

La nueva estimativa del error en el rendimiento usando las respuestas del punto central:

Entonces: Cuyo valor es prximo a la estimativa inicial de 1,5. La ecuacin para los diagramas de las lneas de contorno para la superficie de respuesta es:

(5.4) Luego, la ecuacin para la lnea de contorno con valor de rendimiento igual a Z es dado por:

(5.5)

47

Esta ecuacin puede ser resuelta para obtener los valores de tiempo y temperatura que resultara en un valor de Z previsto por un modelo, juntando todos estos pares de valores de X e Y resulta la lnea de contorno con rendimiento previsto de Z.

Determinacin de la validez del modelo lineal usando el test T Intervalos de confianza de 95% para

El valor de

es significativo en el nivel de confianza de 95%.

Intervalos de confianza de 95% para

Para : no es estadsticamente significante en el nivel de confianza de 95% (en el nivel de confianza de 80% el valor de es estadsticamente significante).

Para : es estadsticamente significante en el nivel de confianza de 95%.

Para : es estadsticamente significante en el nivel de confianza de 95%.

Calculo del error de la suma:

El intervalo de confianza de 95% para el valor de la suma:

El valor de

no es estadsticamente significativa, al nivel de confianza de 95%.

48

Prueba F Determinar si una varianza significativa de los datos experimentales es explicada por el modelo:

(5.6)

Suma de los cuadrados de los desvos experimentales de la media Z: libertad ; nmero de medidas . (5.7)

; grados de

Varianza total en los datos

Suma de los cuadrados de los desvos de la media que son previstos por el modelo: grados de libertad = .

Suma de los cuadrados de las diferencias entre los valores experimentales y aquellos previstos por el modelo: ; grados de libertad =

La prueba F, envuelve una comparacin entre los tres valores de las sumas de los cuadrados, todas corregidas por sus nmeros de grados de libertad.

(5.8)

(5.9)

(5.10) En la tabla 5.3, se presenta los valores de la prueba F.

Tabla 5.3 Prueba F Fuente de variacin Regresin Desvos Total Suma de cuadrados 103,09 10,12 113,12 2 4 6 51,54 2,53 -20,4 --G.L. MSS F

Fuente: elaboracin propia (2011)

49

En la tabla para significante.

; resulta que:

, por lo que la regresin es

El camino de ascendencia mxima (Steepest Ascent Path) es perpendicular a las lneas de contorno. Podemos representar este camino grficamente trazando una recta con punto inicial en el punto central del factorial 2 y con inclinacin: recta: Ensayo N 8: Mejor respuesta que el factorial. Ensayo N 9: Se extrapola demasiado. Ensayo N 10: mximo rendimiento.
2

; tres ensayos fueron hechas en esta

Fue realizado un segundo factorial en el punto central, cerca del punto para el ensayo N 10. Los parmetros para un modelo lineal fueron calculados.

Ensayos N 11 hasta 16; nuevo escalamiento para este factorial (tabla N 5.4):

Tabla 5.4 Planeamiento experimental-nuevo escalonamiento

Fuente: Statistica release 7(2011)

50

Prueba de validacin del modelo lineal: ; ;

Regresion no es significante

Como los valores para

son grandes en relacin a sus errores, un modelo

lineal no es adecuado para describir esta regin de la superficie (tal vez se encuentre en la regin de un mximo).

Estimativa del error de los ensayos de los puntos centrales

Nueva estimativa del error de la medida = 2,02

Determinacin del modelo cuadrtico:

(5.11)

Para determinar los valores de los seis coeficientes de una manera eficaz, fueron hechos los ensayos 17-22 planeamiento tipo estrella (Star Design). Los ensayos 11-22 juntos forman un diseo de compuesto central (Central Composite Design).

Para facilitar el clculo, un programa computacional de regresin lineal mltiple puede ser usado (Statgraf Statistica release 7). Variable dependiente: Variable independiente:

Siendo el resultado:

51

Las lneas de contorno:

La superficie es un Oblique Rising Ridge el rendimiento aumenta cuando aumentamos la temperatura y simultneamente reducimos el tiempo de la reaccin, tal como se presenta en la Fig.5.7.

Verificacin de la validez del modelo cuadrtico:

Para nuestro conjunto de datos:

El modelo cuadrtico es ligeramente inadecuado.

Fitted Surface; Variable: Rend 2 factors, 1 Blocks, 22 Runs; MS Pure Error=3,1535 DV: Rend

Histogram of Raw Residuals 2 factors, 1 Blocks, 22 Runs; MS Pure Error=3,1535 DV: Rend 7

Frecuencia

> < < < < < <

90 90 80 70 60 50 40

0 -12

-10

-8

-6

-4

-2

Figura 5.7 Superficie de Respuesta e Histograma de los residuos

Estimativa del error:

52

Calidad de la superficie ajustada con los datos:

: Nmeros de parmetros del modelo : Numero de ensayos Intervalo de valores para

Tabla 5.5 Prueba F Fuente de variacin Regresin Desvios Total Suma de los cuadrados 188,17 24,11 212,28 5 6 11 G.L. Media cuadrtica 37,36 4,02 -9,37 --F

Fuente: elaboracin propia (2011)

La regresin es significativa.

53