Los diseños de superficie de respuesta son usualmente usados en la última etapa de experimentación, luego los factores importantes ya han sido previamente determinados usando diseños de filtración, por experiencia, o teoréticamente.
La meta en esta etapa de la experimentación es describir en detalle la relación entre los factores y la respuesta.
La metodología de superficie de respuesta (RSM) se refiere al paquete completo de herramientas de diseño y análisis estadístico usadas para los siguientes tres pasos:
Los análisis que se han hecho hasta ahora no han incluido curvas, así se incluyan interacciones. Sin embargo, esta representación de la realidad no siempre es la más adecuada. Cuando ya se han corrido algunos experimentos y se encontró que hay curvatura (presuntamente con un diseño factorial con puntos centrales), o cuando apriori se espera que haya una curvatura, entonces se deben correr suficientes experimentos para ajustar un modelo más complicado que permita ajustar esta curvatura.
En la siguiente figura se muestra el efecto que tiene diferentes términos a la ecuación polinomial. Note que el modelo más simple que permita curvatura es el modelo cuadrático.
Fuente:
Lawson and Erjavec (2017)
El modelo cuadrático para \(k\) variables independientes es
\[\hat{Y}=\beta_0+\sum_{i=1}^k\beta_iX_i+\sum_{i=1}^k\beta_{ii}X_k^2+\sum_{i=1}^{k-1}\sum_{j=i+1}^k\beta_{ij}X_iX_j\]
Este modelo, aunque simple, está en la capacidad de describir situaciones reales. Considere la concentración de un producto \(P\) que puede ser modelada de la siguiente forma
\[P = R_0\frac{k_1}{k_1-k_2}\left\{\exp{(-k_1t)}-\exp{(-k\_2t)}\right\},\]
donde las funciones de temperatura \(k\_1\) y \(k\_2\) están dadas por \(k\_1 = 0.5\exp{(-10000(1 / T - 1 / 400))}\) y \(k\_2 = 0.2\exp{(-12500(1 / T - 1 / 400))}\).
El modelo cuadrático ofrece una aproximación a la superficie bastante
rasonable:
Pero si el area de interés muy grande, la aproximación falla completamente:
3d0
Características deseables en un diseño son:
Este diseño compienza con un diseño factorial \(2^k\) que permite estimar
\[\hat{Y}=\beta_0+\sum_{i=1}^k\beta_iX_i+\sum_{i=1}^{k-1}\sum_{j=i+1}^k\beta_{ij}X_iX_j.\]
Para permitir la estimación de los términos cuadráticos es necesario adicionar (\(2^k\)) puntos axiales (llamados puntos estrella) y \(n\_c\) puntos centrales. Estos puntos axiales y centrales permiten corridas con tres niveles para cada variable independiente. Estos niveles son \(-\alpha, 0, \alpha\) (donde \(\alpha\) es la distancia del origen al punto axial en unidades codificadas). De esta manera se pueden estimar los coeficientes cuadráticos. El valor de \(\alpha = \sqrt[4]{n\_F}\), donde \(n\_F\) es el número de puntos en el diseño factorial.
| \(k\) | Número de corridas en el CCD | Coeficientes en el modelo cuadrático |
|---|---|---|
| 2 | \(2^2+4+6 = 14\) | \({4\choose 2} = 6\) |
| 3 | \(2^3+6+6 = 20\) | 10 |
| 4 | \(2^4+8+6 = 30\) | 15 |
| 5 | \(2^5+10+7 = 49\) | 21 |
Utilizando un diseño de experimentos tipo factorial ampliado a DCC (diseño central compuesto) se evaluaron los efectos de las variables seleccionadas, concentración inicial (relación Na_2CO\(\_3\)/NaHCO\(\_3\)) de la solución alcalina, presión inicial en el reactor y temperatura del sistema gas-líquido en la absorción del CO2; representadas en la Tabla 1. como variables codificadas A, B y C respectivamente, con sus valores naturales evaluados en los niveles de la experimentación.
| Variable | -1 | 1 | -1.68 | 1.68 | 0 |
|---|---|---|---|---|---|
| A [\(CO_3^=\)/\(HCO_3\)] | 1.35 | 4.04 | 0.43 | 4.96 | 2.69 |
| B [mbar] | 1241.05 | 1861.58 | 1029.52 | 2073.12 | 1551.32 |
| C [°C] | 25 | 35 | 21.59 | 38.40 | 30 |
A continuación se ingresan los datos usando la notación
-1 para el nivel bajo y +1 para el nivel
alto.
unos <- c(-1,1)
co <- data.frame(A = rep(unos,4), B = rep(unos,2, each=2), C = rep(unos, each=4),
cambio = c(9.5744,14.1021, 8.8388, 14.2295, 10.1957, 18.0527,
9.5429,16.6059))
Modelo \(2^3\) con las variables codificadas (Sección 3.1)
modelo0 <- lm(cambio~A*C*B,data=co)
summary(modelo0)
##
## Call:
## lm(formula = cambio ~ A * C * B, data = co)
##
## Residuals:
## ALL 8 residuals are 0: no residual degrees of freedom!
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 12.642750 NaN NaN NaN
## A 3.104800 NaN NaN NaN
## C 0.956550 NaN NaN NaN
## B -0.338475 NaN NaN NaN
## A:C 0.625200 NaN NaN NaN
## A:B 0.008625 NaN NaN NaN
## C:B -0.186425 NaN NaN NaN
## A:C:B -0.207125 NaN NaN NaN
##
## Residual standard error: NaN on 0 degrees of freedom
## Multiple R-squared: 1, Adjusted R-squared: NaN
## F-statistic: NaN on 7 and 0 DF, p-value: NA
modelo1 <- lm(cambio~A*C+B,data=co)
summary(modelo1)
##
## Call:
## lm(formula = cambio ~ A * C + B, data = co)
##
## Residuals:
## 1 2 3 4 5 6 7 8
## 0.02932 -0.40218 -0.02932 0.40218 -0.01207 0.38493 0.01207 -0.38493
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 12.6427 0.1610 78.543 4.55e-06 ***
## A 3.1048 0.1610 19.289 0.000304 ***
## C 0.9566 0.1610 5.943 0.009527 **
## B -0.3385 0.1610 -2.103 0.126230
## A:C 0.6252 0.1610 3.884 0.030241 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.4553 on 3 degrees of freedom
## Multiple R-squared: 0.993, Adjusted R-squared: 0.9837
## F-statistic: 106.7 on 4 and 3 DF, p-value: 0.001451
with(co, interaction.plot(A, C, cambio))
Adicionar puntos centrales
pcentrales <- as.data.frame(cbind(0,0,0,c(11.0063,11.3211,10.5261,11.0952)))
names(pcentrales) = names(co); co <- rbind(co, pcentrales )
Curvatura
Curv = mean(co$cambio[1:8]) - mean(co$cambio[9:12])
sc = sqrt(var(co$cambio[9:12])*(1/4+1/8))
tc = abs(Curv)/sc
cat("p-valor: ", 2*(pt(tc,3,lower.tail=FALSE)))
## p-valor: 0.003965431
Adicionar puntos axiales
alpha <- c(-1.68, 1.68) # round(8^(1/4),2)
paxiales <- data.frame(A=c(alpha,rep(0,4)),
B=c(0,0,alpha,0,0),
C=c(rep(0,4),alpha),
cambio = c(6.5599,14.675,12.1961,10.7009,9.2532,12.1545))
co <- rbind(co,paxiales)
co$A2 <- co$A^2; co$B2 <- co$B^2; co$C2 <- co$C^2
co$bloque<- as.factor(rep(1:2,c(12,6)))
modelo2 <- lm(cambio~bloque+A*B*C+A2+B2+C2,data=co) # Modelo completo
summary(modelo2)
##
## Call:
## lm(formula = cambio ~ bloque + A * B * C + A2 + B2 + C2, data = co)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.6792 -0.2605 0.0554 0.2605 0.6792
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 10.987175 0.286951 38.289 2.12e-08 ***
## bloque2 -1.621473 0.302692 -5.357 0.00173 **
## A 2.819519 0.155365 18.148 1.80e-06 ***
## B -0.382544 0.155365 -2.462 0.04897 *
## C 0.918048 0.155365 5.909 0.00104 **
## A2 0.443505 0.165848 2.674 0.03682 *
## B2 0.737953 0.165848 4.450 0.00433 **
## C2 0.474117 0.165848 2.859 0.02885 *
## A:B 0.008625 0.202905 0.043 0.96747
## A:C 0.625200 0.202905 3.081 0.02163 *
## B:C -0.186425 0.202905 -0.919 0.39365
## A:B:C -0.207125 0.202905 -1.021 0.34673
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.5739 on 6 degrees of freedom
## Multiple R-squared: 0.986, Adjusted R-squared: 0.9604
## F-statistic: 38.45 on 11 and 6 DF, p-value: 0.0001166
modelo3 <- lm(cambio~bloque+A*C+B+A2+B2+C2,data=co) # Seleccionar solo las significativas
summary(modelo3)
##
## Call:
## lm(formula = cambio ~ bloque + A * C + B + A2 + B2 + C2, data = co)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.67924 -0.27706 -0.05437 0.10725 0.69302
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 10.9872 0.2686 40.899 1.56e-11 ***
## bloque2 -1.6215 0.2834 -5.722 0.000286 ***
## A 2.8195 0.1455 19.385 1.20e-08 ***
## C 0.9180 0.1455 6.312 0.000139 ***
## B -0.3825 0.1455 -2.630 0.027356 *
## A2 0.4435 0.1553 2.856 0.018890 *
## B2 0.7380 0.1553 4.753 0.001040 **
## C2 0.4741 0.1553 3.054 0.013713 *
## A:C 0.6252 0.1900 3.291 0.009359 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.5373 on 9 degrees of freedom
## Multiple R-squared: 0.9816, Adjusted R-squared: 0.9653
## F-statistic: 60.06 on 8 and 9 DF, p-value: 6.619e-07
Modelo \(2^3\) con las variables originales
co2 <- data.frame(A = rep(c(1.35,4.04),4), B = rep(c(1241.05,1861.58),2, each=2),
C = rep(c(25,35), each=4),
cambio = c(9.5744,14.1021, 8.8388, 14.2295, 10.1957, 18.0527,
9.5429,16.6059))
modelo4 <- lm(cambio~A+B+C+A:C,data=co2)
summary(modelo4) # Ecuación (5) del artículo
##
## Call:
## lm(formula = cambio ~ A + B + C + A:C, data = co2)
##
## Residuals:
## 1 2 3 4 5 6 7 8
## 0.02932 -0.40218 -0.02932 0.40218 -0.01207 0.38493 0.01207 -0.38493
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 9.8910171 2.3356628 4.235 0.0241 *
## A -0.4805948 0.7279654 -0.660 0.5563
## B -0.0010909 0.0005188 -2.103 0.1262
## C -0.0592348 0.0720929 -0.822 0.4715
## A:C 0.0929665 0.0239354 3.884 0.0302 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.4553 on 3 degrees of freedom
## Multiple R-squared: 0.993, Adjusted R-squared: 0.9837
## F-statistic: 106.7 on 4 and 3 DF, p-value: 0.001451
Adicionar puntos centrales
pcentrales <- as.data.frame(cbind(2.69,1551.32,30,c(11.0063,11.3211,10.5261,11.0952)))
names(pcentrales) = names(co2)
co2 <- rbind(co2, pcentrales )
Adicionar puntos axiales
pcentrales2 <- as.data.frame(cbind(2.69,1551.32,30,c(11.0063,11.3211,10.5261,11.0952)))
names(pcentrales2) = names(co2)
co2 <- rbind(co2, pcentrales2)
paxiales <- data.frame(A=c(c(0.43,4.96),rep(2.69,4)),
B=c(1551.32,1551.32,1029.52,2073.12,1551.32,1551.32),
C=c(rep(30,4),c(21.59,38.40)),
cambio = c(6.5599,14.675,12.1961,10.7009,9.2532,12.1545))
co2 <- rbind(co2,paxiales)
co2$A2 <- co2$A^2; co2$B2 <- co2$B^2; co2$C2 <- co2$C^2
co2$bloque<- as.factor(rep(1:2,c(12,6)))
modelo5 <- lm(cambio~bloque+A+B+C+A*C+A2+B2+C2,data=co2)
summary(modelo5) # Ecuación 6
Ahora se hace el mismo análisis con la librería rsm:
library(rsm)
experimento0 <-cube(~ A + B + C, n0 = 4,
coding = c(A ~ (concentracion - 2.695)/1.345,
B ~ (presion - (1861.58+1241.05)/2)/((1861.58-1241.05)/2),
C ~ (temperatura - (35+25)/2)/((35-25)/2)),
randomize=FALSE)
experimento0$cambio = co$cambio[1:12]
experimento1 = star(experimento0, n0 = 0, alpha = 1.68, randomize = FALSE)
experimento1$cambio = co$cambio[13:18]
experimento <- djoin(experimento0, experimento1)
experimento$cambio <- co$cambio
# Sin incluir puntos axiales
modelo6 = rsm(cambio ~ FO(A,B,C)+TWI(A,C), data=experimento, subset = (Block == 1))
summary(modelo6)
## Near-stationary-ridge situation detected -- stationary point altered
## Change 'threshold' if this is not what you intend
##
## Call:
## rsm(formula = cambio ~ FO(A, B, C) + TWI(A, C), data = experimento,
## subset = (Block == 1))
##
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 12.09089 0.31372 38.5408 2.061e-09 ***
## A 3.10480 0.38422 8.0807 8.548e-05 ***
## B -0.33848 0.38422 -0.8809 0.40758
## C 0.95655 0.38422 2.4896 0.04162 *
## A:C 0.62520 0.38422 1.6272 0.14772
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Multiple R-squared: 0.9146, Adjusted R-squared: 0.8657
## F-statistic: 18.73 on 4 and 7 DF, p-value: 0.0007662
##
## Analysis of Variance Table
##
## Response: cambio
## Df Sum Sq Mean Sq F value Pr(>F)
## FO(A, B, C) 3 85.355 28.4516 24.0908 0.0004597
## TWI(A, C) 1 3.127 3.1270 2.6477 0.1477239
## Residuals 7 8.267 1.1810
## Lack of fit 4 7.931 1.9827 17.6962 0.0199962
## Pure error 3 0.336 0.1120
##
## Stationary point of response surface:
## A B C
## -1.529990 0.000000 -4.966091
##
## Stationary point in original units:
## concentracion presion temperatura
## 0.6371629 1551.3000000 5.1695457
##
## Eigenanalysis:
## eigen() decomposition
## $values
## [1] 0.3126 0.0000 -0.3126
##
## $vectors
## [,1] [,2] [,3]
## A -0.7071068 0 0.7071068
## B 0.0000000 -1 0.0000000
## C -0.7071068 0 -0.7071068
modelo7 = rsm(cambio ~ Block+FO(A,B,C) + TWI(A,C) + PQ(A,B,C), data=experimento)
summary(modelo7)
##
## Call:
## rsm(formula = cambio ~ Block + FO(A, B, C) + TWI(A, C) + PQ(A,
## B, C), data = experimento)
##
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 10.98718 0.26864 40.8994 1.556e-11 ***
## Block2 -1.62147 0.28338 -5.7220 0.0002862 ***
## A 2.81952 0.14545 19.3847 1.196e-08 ***
## B -0.38254 0.14545 -2.6301 0.0273559 *
## C 0.91805 0.14545 6.3118 0.0001390 ***
## A:C 0.62520 0.18996 3.2913 0.0093592 **
## A^2 0.44350 0.15526 2.8564 0.0188895 *
## B^2 0.73795 0.15526 4.7529 0.0010400 **
## C^2 0.47412 0.15526 3.0536 0.0137126 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Multiple R-squared: 0.9816, Adjusted R-squared: 0.9653
## F-statistic: 60.06 on 8 and 9 DF, p-value: 6.619e-07
##
## Analysis of Variance Table
##
## Response: cambio
## Df Sum Sq Mean Sq F value Pr(>F)
## Block 1 5.453 5.453 18.8916 0.001860
## FO(A, B, C) 3 121.969 40.656 140.8409 7.008e-08
## TWI(A, C) 1 3.127 3.127 10.8325 0.009359
## PQ(A, B, C) 3 8.144 2.715 9.4044 0.003897
## Residuals 9 2.598 0.289
## Lack of fit 6 2.262 0.377 3.3646 0.173451
## Pure error 3 0.336 0.112
##
## Stationary point of response surface:
## A B C
## -4.6635185 0.2591927 2.1066349
##
## Stationary point in original units:
## concentracion presion temperatura
## -3.577432 1631.727486 40.533175
##
## Eigenanalysis:
## eigen() decomposition
## $values
## [1] 0.7717855 0.7379529 0.1458365
##
## $vectors
## [,1] [,2] [,3]
## A 0.6895994 0 0.7241910
## B 0.0000000 -1 0.0000000
## C 0.7241910 0 -0.6895994
#Gráficos
persp(modelo7, C ~ A,
bounds=list(A=c(-1,1), C=c(-1,1)),at=list(B = -1),
zlim=c(8,16.9),zlab = "Cambio",contours = ~ A + C)
contour(modelo7, ~ A + C, image = TRUE,
bounds=list(A=c(-1,1), C=c(-1,1)),
at=list(B = -1))
persp(modelo7, B ~ C,
bounds=list(B=c(-1,1), C=c(-1,1)),at=list(A = 1),
zlim=c(11,16.9),zlab = "Cambio",contours = ~ B + C)
contour(modelo7, ~ B + C, image = TRUE,
bounds=list(B=c(-1,1), C=c(-1,1)),at=list(A = 1))
persp(modelo7, B ~ A,
bounds=list(A=c(-1,1), B=c(-1,1)),at=list(C = 1),
zlim=c(7,16.9),zlab = "Cambio",contours = ~ B + A)
contour(modelo7, ~ B+A, image = TRUE,
bounds=list(A=c(-1,1), B=c(-1,1)),at=list(C = 1))
A standard method for enamines synthesis from carbonyl compounds is to heat the parent aldehyde or ketone and a secondary amine in benzene or toluene and to remove the eliminated water by azeotropic distillation. However, this method fails with methyl ketone substrates which are prone to self-condensation under these conditions. These difficulties could be overcome by a procedure using anhydrous titanium tetrachloride as water scavenger. In the original procedure, titanium tetrachloride was added drop-wise to cold solution of the ketone and the amine, followed by prolonged stirring at room temperature. It was later found that the reaction time could be considerably shortened by a modified procedure, in which the carbonyl compound is added to a pre-formed complex between the amine and titanium tetrachloride. For the modified procedure, it was found that the relative amounts of TiCl\(\_4\)/ketone and amine/ketone which should be used to achieve a rapid convertion were highly dependent on the structure of the ketone. In the example below, the formation of morphline enamine from methyl isobutyl ketone was studied. The design and the yields of enamine obtained after 15 minutes are given in the following table.
| Experiment # | TiCl\(\_4\) | Morpholine | Yield(%) |
|---|---|---|---|
| 1 | -1 | -1 | 73.4 |
| 2 | 1 | -1 | 69.7 |
| 3 | -1 | 1 | 88.7 |
| 4 | 1 | 1 | 98.7 |
| 5 | -1.414 | 0 | 76.8 |
| 6 | 1.414 | 0 | 84.9 |
| 7 | 0 | -1.414 | 56.6 |
| 8 | 0 | 1.414 | 81.3 |
| 9 | 0 | 0 | 96.8 |
| 10 | 0 | 0 | 96.4 |
| 11 | 0 | 0 | 87.5 |
| 12 | 0 | 0 | 96.1 |
| 13 | 0 | 0 | 90.5 |
(Montgomery, 2013; p. 481, 489).
A chemical engineer is interested in determining the operating conditions that maximize the yield of a process. Two controllable variables influence process yield: reaction time and reaction temperature. The engineer is currently operating the process with a reaction time of 35 minutes and a temperature of 155°F, which result in yields of around 40 percent. Because it is unlikely that this region contains the optimum, she fits a first-order model and applies the method of steepest ascent.
The engineer decides that the region of exploration for fitting the first-order model should be (30, 40) minutes of reaction time and (150, 160) Fahrenheit.
exp0 <-cube(~ A + B,n0 = 5,
coding = c(B ~ (temperatura - (160+150)/2)/((160-150)/2),
A ~ (tiempo - (40+30)/2)/((40-30)/2)),
randomize=FALSE)
exp0$res <- c(39.3,40.9,40.0,41.5,40.3,40.5,40.7,40.2,40.6)
Modelo con interacción
mod0 = rsm(res ~ FO(A,B)+TWI(A,B), data=exp0)
summary(mod0)
##
## Call:
## rsm(formula = res ~ FO(A, B) + TWI(A, B), data = exp0)
##
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 40.444444 0.062311 649.0693 1.648e-13 ***
## A 0.775000 0.093467 8.2917 0.0004166 ***
## B 0.325000 0.093467 3.4772 0.0177127 *
## A:B -0.025000 0.093467 -0.2675 0.7997870
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Multiple R-squared: 0.9418, Adjusted R-squared: 0.9069
## F-statistic: 26.97 on 3 and 5 DF, p-value: 0.00163
##
## Analysis of Variance Table
##
## Response: res
## Df Sum Sq Mean Sq F value Pr(>F)
## FO(A, B) 2 2.82500 1.41250 40.4213 0.0008188
## TWI(A, B) 1 0.00250 0.00250 0.0715 0.7997870
## Residuals 5 0.17472 0.03494
## Lack of fit 1 0.00272 0.00272 0.0633 0.8137408
## Pure error 4 0.17200 0.04300
##
## Stationary point of response surface:
## A B
## 13 31
##
## Stationary point in original units:
## tiempo temperatura
## 100 310
##
## Eigenanalysis:
## eigen() decomposition
## $values
## [1] 0.0125 -0.0125
##
## $vectors
## [,1] [,2]
## A -0.7071068 -0.7071068
## B 0.7071068 -0.7071068
contour(mod0, ~ B + A, image = TRUE,
bounds=list(A=c(-1,1), B=c(-1,1)))
persp(mod0, B ~ A, bounds=list(A=c(-1,1), B=c(-1,1)),
zlim=c(39,42),zlab = "Producción",contours = ~ A + B)
Modelo sin interacción
mod1 = rsm(res ~ FO(A,B), data=exp0)
summary(mod1)
##
## Call:
## rsm(formula = res ~ FO(A, B), data = exp0)
##
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 40.444444 0.057288 705.9869 5.451e-16 ***
## A 0.775000 0.085932 9.0188 0.000104 ***
## B 0.325000 0.085932 3.7821 0.009158 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Multiple R-squared: 0.941, Adjusted R-squared: 0.9213
## F-statistic: 47.82 on 2 and 6 DF, p-value: 0.0002057
##
## Analysis of Variance Table
##
## Response: res
## Df Sum Sq Mean Sq F value Pr(>F)
## FO(A, B) 2 2.82500 1.41250 47.8213 0.0002057
## Residuals 6 0.17722 0.02954
## Lack of fit 2 0.00522 0.00261 0.0607 0.9419341
## Pure error 4 0.17200 0.04300
##
## Direction of steepest ascent (at radius 1):
## A B
## 0.9221944 0.3867267
##
## Corresponding increment in original units:
## tiempo temperatura
## 4.610972 1.933633
Note que el modelo ajustado es \[\hat{y} =
40.44+0.775x\_1 +0.325x\_2,\] luego al moverse en el camino de
mayor ascenso, se incrementan 0.775 unidades en la dirección de \(x\_1\) por cada 0.325 unidades en la
dirección de \(x\_2\). Por lo tanto, el
camino de mayor ascenso pasa por (0,0) y tiene una pendiente de
0.325/0.775 = 0.419, es decir, la dirección de mayor ascenso es
(1,0.419). El resumen del modelo ajustado summary(mod1)
provee esta información normalizando el vector: (0.922, 0.387).
Montgomery (2013) toma 5 minutos como el paso básico en el tiempo. Así
se inicia en el centro (35, 155) y los siguiente dos pasos en la
dirección del mayor ascenso son (40,157.095) y (45,159.195). En
Rse puede usar la función steepest.
# Saltos de 5 minutos en el tiempo
steepest(mod1, dist = seq(0, 12, by = 1/.9221944))
## Path of steepest ascent from ridge analysis:
## dist A B | tiempo temperatura | yhat
## 1 0.000000 0.000 0.000 | 35.000 155.000 | 40.444
## 2 1.084370 1.000 0.419 | 40.000 157.095 | 41.356
## 3 2.168740 2.000 0.839 | 45.000 159.195 | 42.267
## 4 3.253110 2.999 1.258 | 49.995 161.290 | 43.178
## 5 4.337480 3.999 1.677 | 54.995 163.385 | 44.089
## 6 5.421850 5.000 2.097 | 60.000 165.485 | 45.001
## 7 6.506220 5.999 2.516 | 64.995 167.580 | 45.911
## 8 7.590590 7.000 2.935 | 70.000 169.675 | 46.823
## 9 8.674961 8.004 3.356 | 75.020 171.780 | 47.738
## 10 9.759331 9.000 3.774 | 80.000 173.870 | 48.646
## 11 10.843701 9.999 4.193 | 84.995 175.965 | 49.556
## 12 11.928071 11.002 4.614 | 90.010 178.070 | 50.471
# Saltos de tamaño 0.5 en las variables codificadas
steepest(mod1, dist = seq(0, 7, by = 0.5))
## Path of steepest ascent from ridge analysis:
## dist A B | tiempo temperatura | yhat
## 1 0.0 0.000 0.000 | 35.000 155.000 | 40.444
## 2 0.5 0.461 0.193 | 37.305 155.965 | 40.864
## 3 1.0 0.922 0.387 | 39.610 156.935 | 41.285
## 4 1.5 1.383 0.580 | 41.915 157.900 | 41.705
## 5 2.0 1.844 0.773 | 44.220 158.865 | 42.125
## 6 2.5 2.306 0.967 | 46.530 159.835 | 42.546
## 7 3.0 2.766 1.160 | 48.830 160.800 | 42.965
## 8 3.5 3.228 1.354 | 51.140 161.770 | 43.386
## 9 4.0 3.689 1.547 | 53.445 162.735 | 43.806
## 10 4.5 4.151 1.741 | 55.755 163.705 | 44.227
## 11 5.0 4.611 1.934 | 58.055 164.670 | 44.647
## 12 5.5 5.074 2.128 | 60.370 165.640 | 45.068
## 13 6.0 5.534 2.321 | 62.670 166.605 | 45.488
## 14 6.5 5.993 2.513 | 64.965 167.565 | 45.906
## 15 7.0 6.456 2.707 | 67.280 168.535 | 46.328
Esta función muestra el valor de la respuesta predicho, pero lo que realmente interesa son los puntos donde se debe realizar los nuevos experimentos. Tan pronto haya un descenso, la región alrededor de este punto debe examinarse. Asuma que se observaron las siguientes respuestas para cada uno de los pasos
plot(1:12, c(41,42.9,47.1,49.7,53.8,59.9,65,70.4,77.6,80.3,76.2,75.1),
xlab="Pasos", ylab="Respuesta", type="b", pch=16)
Luego un nuevo modelo de primer orden se ajusta alrededor del punto (85,
175).
exp2 <-cube(~ A + B,n0 = 5,
coding = c(A ~ (tiempo - (80+90)/2)/((90-80)/2),
B ~ (temperatura - (180+170)/2)/((180-170)/2)),
randomize=FALSE)
exp3 <- djoin(exp2,star(exp2,n0 = 0,alpha = 1.414,randomize=FALSE))
exp3$res <- c(76.5,78,77,79.5,79.9,80.3,80,79.7,79.8,75.6,78.4,78.5,77)
mod3 = rsm(res ~ FO(A,B), data=exp3,subset = (Block == 1))
summary(mod3)
##
## Call:
## rsm(formula = res ~ FO(A, B), data = exp3, subset = (Block ==
## 1))
##
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 78.96667 0.45379 174.0156 2.43e-12 ***
## A 1.00000 0.68069 1.4691 0.1922
## B 0.50000 0.68069 0.7346 0.4903
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Multiple R-squared: 0.3102, Adjusted R-squared: 0.08023
## F-statistic: 1.349 on 2 and 6 DF, p-value: 0.3283
##
## Analysis of Variance Table
##
## Response: res
## Df Sum Sq Mean Sq F value Pr(>F)
## FO(A, B) 2 5.000 2.5000 1.3489 0.3282610
## Residuals 6 11.120 1.8533
## Lack of fit 2 10.908 5.4540 102.9057 0.0003635
## Pure error 4 0.212 0.0530
##
## Direction of steepest ascent (at radius 1):
## A B
## 0.8944272 0.4472136
##
## Corresponding increment in original units:
## tiempo temperatura
## 4.472136 2.236068
mod4 = rsm(res ~ FO(A,B)+TWI(A,B), data=exp3,,subset = (Block == 1))
summary(mod4)
##
## Call:
## rsm(formula = res ~ FO(A, B) + TWI(A, B), data = exp3, subset = (Block ==
## 1))
##
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 78.96667 0.49148 160.6702 1.772e-10 ***
## A 1.00000 0.73722 1.3564 0.2330
## B 0.50000 0.73722 0.6782 0.5277
## A:B 0.25000 0.73722 0.3391 0.7483
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Multiple R-squared: 0.3257, Adjusted R-squared: -0.07891
## F-statistic: 0.805 on 3 and 5 DF, p-value: 0.5426
##
## Analysis of Variance Table
##
## Response: res
## Df Sum Sq Mean Sq F value Pr(>F)
## FO(A, B) 2 5.000 2.500 1.150 0.3882680
## TWI(A, B) 1 0.250 0.250 0.115 0.7483056
## Residuals 5 10.870 2.174
## Lack of fit 1 10.658 10.658 201.094 0.0001436
## Pure error 4 0.212 0.053
##
## Stationary point of response surface:
## A B
## -2 -4
##
## Stationary point in original units:
## tiempo temperatura
## 75 155
##
## Eigenanalysis:
## eigen() decomposition
## $values
## [1] 0.125 -0.125
##
## $vectors
## [,1] [,2]
## A 0.7071068 -0.7071068
## B 0.7071068 0.7071068
# Curvatura
tc <- (mean(exp3$res[1:4]) - mean(exp3$res[5:9]))/sqrt(var(exp3$res[5:9])*(1/4+1/5))
# Modelo cuadrático
# Todos los experimentos se hicieron al mismo tiempo
mod5 = rsm(res ~ SO(A,B), data=exp3)
summary(mod5)
##
## Call:
## rsm(formula = res ~ SO(A, B), data = exp3)
##
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 79.939955 0.273480 292.3065 1.448e-15 ***
## A 0.995050 0.216221 4.6020 0.0024783 **
## B -0.015127 0.216221 -0.0700 0.9461806
## A:B 0.250000 0.305760 0.8176 0.4405041
## A^2 -1.376449 0.231904 -5.9354 0.0005785 ***
## B^2 -1.001336 0.231904 -4.3179 0.0034892 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Multiple R-squared: 0.9089, Adjusted R-squared: 0.8439
## F-statistic: 13.97 on 5 and 7 DF, p-value: 0.001585
##
## Analysis of Variance Table
##
## Response: res
## Df Sum Sq Mean Sq F value Pr(>F)
## FO(A, B) 2 7.9216 3.9608 10.5917 0.007636
## TWI(A, B) 1 0.2500 0.2500 0.6685 0.440504
## PQ(A, B) 2 17.9537 8.9769 24.0051 0.000735
## Residuals 7 2.6177 0.3740
## Lack of fit 3 2.4057 0.8019 15.1301 0.011961
## Pure error 4 0.2120 0.0530
##
## Stationary point of response surface:
## A B
## 0.36490628 0.03799888
##
## Stationary point in original units:
## tiempo temperatura
## 86.82453 175.18999
##
## Eigenanalysis:
## eigen() decomposition
## $values
## [1] -0.9634986 -1.4142867
##
## $vectors
## [,1] [,2]
## A -0.2897174 -0.9571122
## B -0.9571122 0.2897174
Para caracterizar la superficie de respuesta alrededor de este punto, se transforma el modelo a un nuevo sistemas de coordenadas:
\[\hat{y} = \hat{y}\_s + \lambda\_1w\_1^2+\ldots + \lambda\_kw\_k^2,\]
donde las \(\{w\}\_i\) son las variables transformadas y \(\{\lambda\}\_i\) son los valores propios de la matriz \(B\_Q\). Esta matriz tiene por diagonal los coeficientes cuadráticos del modelo. En la posición \(ij\) tiene el coeficiente de la interacción entre la \(i\)-y la \(j\)-variable dividido en dos: \(\beta_{ij}/2\).
Cuando el punto estacionario pertenece a la región de exploración, si los valores propios son todos mayores a cero, entonces se ha encontrado un mínimo. Si los valores propios son todos menores a cero, entonces se ha encontrado un máximo. Si estos valores no tienen todos el mismo signo, se ha encontrado un punto de silla. Ahora bien,
# Graficas
persp(mod5, B ~ A, bounds=list(A=c(-1,1), B=c(-1,1)),
zlim=c(75,81),zlab = "Producción",contours = ~ B + A)
contour(mod5, ~ A + B, image = TRUE,bounds=list(A=c(-1,1), B=c(-1,1)))
# producción máxima
predict(mod5,newdata = data.frame(A=0.3892304,B=0.3058466))
## 1
## 80.05019
Carlson, R., & Carlson, J. E. (2005). Design and optimization in organic synthesis (Vol. 24). Elsevier.
Montgomery, D. C. (2017). Design and analysis of experiments. John wiley & sons.