DISEÑOS DE COMPOSICION CENTRAL

Presentación del tema: "DISEÑOS DE COMPOSICION CENTRAL"— Transcripción de la presentación:

1 DISEÑOS DE COMPOSICION CENTRAL
DISEÑOS PARA AJUSTAR EL MODELO DE SEGUNDO ORDEN Por lo general debido a la curvatura de la superficie real, el experimentador requiere un modelo cuyo grado sea mayor que o igual a 2. En la mayoría de los casos, el modelo de segundo orden: es adecuado

2 DISEÑOS DE COMPOSICION CENTRAL
Este es uno de los diseños mas usados para propósitos de optimización, se conocen como diseño de composición central. Estos diseños se construyen con base en factoriales con dos niveles (lo cual permite la estimación de efectos principales e interacciones) Además, incluyen un conjunto de puntos en los ejes (llamados puntos estrella), los cuales junto con el punto central (por lo general, repetido) permiten estimar los términos cuadráticos puros

3 (-1,1) (1,1) (0,0) (-1,-1) (1,-1)

4 Un diseño compuesto central es rotable mediante la selección de 
Un diseño compuesto central es rotable mediante la selección de . El valor de  para lograr la conversión a diseño rotable, depende del número de puntos de la porción factorial del diseño. De hecho, = proporciona un diseño compuesto central rotable, donde es el número de puntos en la porción factorial del diseño (de esta forma para 2 factores alfa es , para 3 es , para 4 es 2.0, para 5 es ).

5 Continuando con el ejemplo del ingeniero, al existir curvatura, se decidió realizar un diseño de composición central como se muestra a continuación: Variables Naturales Codificadas Respuesta 1 2 x1 x2 Y 80 170 -1 76.5 180 1 77.0 90 78.0 79.5 85 175 79.9 80.3 80.0 79.7 79.8 92.07 1.414 78.4 77.93 -1.414 75.6 182.02 78.5 167.93

6 Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P A:X1 7.9198
111.93 B:X2 30.01 AA 186.21 AB 0.25 3.53 BB 98.56 Error total 7 Total (corr.) 12 R-cuadrada = porciento R-cuadrada (ajustada por g.l.) = porciento INFLUYE EL TIEMPO, LA TEMPERATURA, ADEMAS EL EFECTO CUADRATICO DEL TIEMPO Y EL EFECTO CUADRATICO DE TEMPERATURA. CON UNA CONFIANZA ESTADISTICA DEL 95%.

7 Error Estadístico Parámetro Estimación Estándar T Valor-P CONSTANTE
Error Estadístico Parámetro Estimación Estándar T Valor-P CONSTANTE 79.94 0.0000 X1 X2 0.0009 X1*X2 0.25 0.1022 X1*X1 X2*X2 Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P Modelo 5 79.84 0.0000 Residuo 7 Total (Corr.) 12 R-cuadrada = porciento R-cuadrado (ajustado para g.l.) = porciento Rendimiento = *X *X *X1*X *X1*X *X2*X2

8 MEJOR MODELO REGRESION Error Estadístico Parámetro Estimación Estándar
Error Estadístico Parámetro Estimación Estándar T Valor-P CONSTANTE 79.94 0.0000 X1 X2 0.0014 X1*X1 X2*X2 Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P Modelo 4 75.13 0.0000 Residuo 8 Total (Corr.) 12 R-cuadrada = porciento R-cuadrado (ajustado para g.l.) = porciento Rendimiento = *X *X *X1*X *X2*X2

9 R-cuadrada = 97.407 porciento
MEJOR ANOVA Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P A:A 7.9198 1 85.01 0.0000 B:B 22.79 0.0014 AA 141.43 BB 74.86 Error total 8 Total (corr.) 12 R-cuadrada = porciento R-cuadrada (ajustada por g.l.) = porciento INFLUYE EL TIEMPO, LA TEMPERATURA, ADEMAS EL EFECTO CUADRATICO DEL TIEMPO Y EL EFECTO CUADRATICO DE TEMPERATURA. CON UNA CONFIANZA ESTADISTICA DEL 95%.

10

11

12

13 2.- un punto de respuesta mínima
LOCALIZACIÓN DEL PUNTO ESTACIONARIO Supongamos que se desea determinar los niveles X1, X2, X3,.....,Xk que optimizan la variable de respuesta predicha. Este optimo, si existe, será el conjunto de X1, X2, X3,.....,Xk , tal que las derivadas parciales Dicho punto, es decir se denomina punto estacionario. El punto estacionario puede ser: 1.- un punto de respuesta máxima 2.- un punto de respuesta mínima 3.- Un punto silla

14 Una solución general para el punto estacionario, es la siguiente:
b= B= X=

15 B es una matriz simétrica (k x k) cuya diagonal principal esta formada por los coeficientes de los términos cuadráticos puros ii y los elementos fuera de la diagonal corresponden a un medio del valor de los coeficientes cuadráticos mixtos ij (ij) b es el vector (kx1) de coeficientes de regresión de primer orden. La derivada de y con respecto x e igualada a cero es b +2Bx=0 derivando esta ecuación y resolviendo para x tenemos que el punto estacionario es

16 Para encontrar el punto estacionario del ejemplo del ingeniero, se procede así:
=

17 Evaluando el punto estacionario en el modelo de regresión:
Rendimiento = *X *X *X1*X *X2*X2 Rendimiento = *(0.3594) *(0.2545) *(0.3594)*(0.3594) *(0.2545)*(0.2545) Rendimiento= 80.18 Se obtendría un rendimiento del 80%, Con lo que la ingeniera logra duplicar el rendimiento del proceso.

18 CARACTERIZACION DE LA SUPERFICIE DE RESPUESTA
Una vez que se ha hallado el punto estacionario, es necesario caracterizar la superficie de respuesta en la vecindad inmediata de ese punto. Por caracterizar se entiende determinar si el punto estacionario es un punto de respuesta máxima o mínima. La forma más directa de hacer esto consiste en examinar la gráfica de contornos del modelo ajustado. Si solo hay dos o tres variables del proceso, la interpretación de esta gráfica resulta fácil. Sin embargo, incluso cuando hay relativamente pocas variables, resulta útil hacer un análisis formal. Es conveniente primero transformar el modelo en un nuevo sistema de coordenadas con el origen en el punto estacionario x0 y entonces rotar (girar) los ejes de este sistema hasta que sean paralelos a los ejes principales de la superficie de respuesta ajustada. Esta transformación se ilustra en la siguiente figura:

19

20 Es posible demostrar que esto da por resultado el siguiente modelo ajustado:
Donde las {wi} son las variables independientes transformadas y las λi son constantes. A esta ecuación se le conoce como forma canónica del modelo. Además, las λi son justamente los valores propios (también llamados raíces características, autovalores, o eigenvalores) de la matriz B. La naturaleza de la superficie de respuesta puede determinarse a partir del punto estacionario y el signo y la magnitud de las λi. Primero, supóngase que el punto estacionario se encuentra dentro de la región de exploración para el ajuste del modelo de segundo orden. Si todas las λi son negativas entonces xo es un punto de respuesta máxima . Si todas las λi son positivas entonces xo es un punto de respuesta mínima.

21 Continuando con el análisis del ejemplo anterior, emplearemos el análisis canónico para caracterizar la superficie de respuesta. Primero es necesario expresar el modelo ajustado en forma canónica. Los valores propios son las raíces de la ecuación determinante:

22 ES UN PUNTO DE RESPUESTA MAXIMA
y obteniendo un máximo de 80.18