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.

Conceptos y métodos

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:

  1. diseño y colección de los datos experimentales que permiten estimar un modelo cuadrático para ajustar y predecir,
  2. análisis de regresión para seleccionar la mejor ecuación para describir los datos,
  3. análisis de la superficie ajustada usando gráficos de contornos y otras herramientas gráficas y numéricas.

Modelo cuadrático

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.

SR 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: 3d1

Pero si el area de interés muy grande, la aproximación falla completamente:

3d0

Consideraciones del diseño

Características deseables en un diseño son:

  1. distribución rasonable de los puntos,
  2. se permite investigar si el modelo es adecuado,
  3. se pueden realizar las corridas en bloques,
  4. no se requiere un número grande de corridas,
  5. permite estimar los coeficientes. Para poder estimar los efectos cuadráticos se necesita tener al menos tres niveles para cada factor. La manera más simple seria tener un diseño factorial \(3^k\), pero para un valor grande de \(k\), se tendrían muchas corridas (e.g. \(3^4=81\), que va en contra de 4.). Por otro lado, el número mínimo de corridas es \(k+2\choose 2\), pero este número de corridas no permite estimar errores, luego los diseños más eficientes usualemente tienen entre 1.5 y el doble de estas corridas.

Diseño central compuesto

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

Ejemplo – [Proceso de absorción del \(\mathrm{CO}\_2\) de un biogás en una solución alcalina.] (https://revistas.unal.edu.co/index.php/dyna/article/view/13049/13743)

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))

Ejemplo – (Carlson y Carlson, 2005)

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

Análisis de máxima pendiente

Ejemplo – Maximizing the yield of a process

(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

Referencias

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.