Un Enfoque de Modelado de promedios bayesiano para optimizacin multirespuesta

Resumen de artculo de SZU HUI NG. Dr Juan Cevallos

Introduccin
Tradicionalmente los mtodos de superposicin de respuestas de medias y funciones de deseabilidad son usados para encontrar valores con los que los resultados de procesos sern optimizados. El mtodo de superposicin de medias se basa en graficar contornos de superficies de respuestas. Los valores de los factores son seleccionados en la regin donde las respuestas de medias satisfacen los requerimientos de calidad del experimentador.

 Las funciones de deseabilidad convierten las respuestas mltiples en respuestas simples. El inconveniente es que ignoran las posibles correlaciones entre las respuestas y la variacin en la estimacin de los modelos de respuesta. Otra falla de este enfoque es la dificultad en la interpretacin de los criterios de calidad. Hamada y Chiao (2001) propuso un criterio de calidad para respuestas mltiples que es la probabilidad que todas las respuestas simultneamente cumplan sus especificaciones respectivas.

 Toman en cuenta las correlaciones entre las respuesta mltiples y enfocan el problema de optimizacin primero modelando los parmetros de las distribucin de respuestas y luego encontrando la configuracin de factores que optimiza el criterio de calidad. Peterson (2004) propone un enfoque predictivo a posteriori que toma en cuenta las correlaciones entre las respuestas mltiples y la incertidumbre en las respuestas de los parmetros de los modelos.

 Su enfoque utiliza la distribucin posterior predictiva de las respuestas para estudiar y mejorar los criterios de calidad como la probabilidad de conformidad, deseabilidad y funciones de prdida cuadrticas. Miroquesada et al (2004) aplica este enfoque en presencia de variables ruido. El problema de los enfoques anteriores est en que ignoran la incertidumbre. Los ejemplos 1 y 2 en el estudio ilustran como las decisiones sobre diseo de experimentos y sobre la configuracin de variables de control ptimas pueden diferir cuando son asumidos modelos de repuesta competitiva diferentes en problemas de respuesta mltiple.

 Del Castillo y Rajagopal (2005) consideran la incertidumbre de modelos para procesos de respuesta simple e incorporan Promedios de Modelos Bayesianos BMA en el enfoque predictivo a posteriori de Peterson (2004) para obtener configuracin de control robustos de modelos. Como su enfoque fue formulado para problemas de respuesta simple, un enfoque separado se requiere para para problemas de respuesta mltiple para adecuarlo tomando en cuenta respuestas con correlaciones y objetivos mltiples. En este trabajo se amplia esta consideracin a respuestas mltiples y se amplan los trabajos anteriores tomando en cuenta las incertidumbres para optimizar respuestas mltiples.

 Se adopta el enfoque bayesiano para modelar y optimizar las respuestas mltiples que toman en cuenta la correlacin entre las respuestas, la variabilidad de las correlaciones, la incertidumbre de los modelos de respuesta y la incertidumbre de los parmetros de los modelos. Nuestro enfoque utiliza la funcin prdida que puede ser directamente relacionada con la definicin de Taguchi de Calidad y utiliza el enfoque de BMA para tomar en cuenta la incertidumbre en los modelos.

 Se consideran todas la incertidumbres del problema, tomadas en cuenta para las respuestas correlacionadas y permite la consideracin de muchos tipos de criterios de caractersticas de calidad. Se va ms all de seleccionar inputs para optimizar procesos sugiriendo como mejorar la calidad del sistema.

Contenido
1. Revisin de la configuracin multivariada para la formulacin de decisiones bayesianas; se adoptan y describen varias funciones prdida de calidad. 2. Bsqueda de configuracin operativas ptimas y discusin de configuraciones generales y la solucin de estos problemas de optimizacin para funciones prdida especficas. Ampliaciones ha otras funciones de utilidad o prdida son directas.

3. Descripcin de como calcular con modelos de incertidumbre con BMA. 4. Respuesta a la pregunta donde hacer el sgte. experimento si recursos adicionales estn disponibles. 5. Se incorpora el diseo ptimo para el seguimiento del experimento en el problema de decisin con el objetivo de minimizar la prdida esperada de respuestas futuras.

Enfoque de Modelado
Se supone que n puntos de datos iniciales y han sido observados en un primer experimento (ej. un exp. factorial fraccional) y el modelo de regresin multivariado clsico relaciona k variables dependientes correlacionadas para p variables independientes usando relaciones lineales: yi = i + Xi +ei, i=1,,k (1) donde: y1,,yk son (nx1) vectores representando n observaciones independientes sobre cada una de las k respuestas dependientes correlacionadas y X es la matriz predictora (nxp), la cual es la misma para cada tipo de respuesta.

 La ecuacin 1 puede ser reescrita como: Y = 1nt +XB + E, (2) Donde: Y(nxk) = (y1 y2 yk) X(nxp) = (x1 x2 xp), (kx1) = (1 2 k), B (pxk) = (1 2 p)t E (nxk) = (e1,,ek) 1n = vector (nx1) de 1s Se asume que cada fila i de E es normal multivariada con media 0 y matriz de covarianza y cada columna j de E normal multivariada con media 0 y matriz de covarianza j2In; implicando que los n conjuntos de observaciones son independientes

Incertidumbre de Parmetros de Modelado

Para el modelo de regresin (2), para tomar en cuenta la incertidumbre en los parmetros del modelo (,B,), un enfoque Bayesiano para identificar esta incertidumbre es asignar una distribucin a priori (,B,) para el vector de parmetros. Se adopta la notacin de matriz de Dawid (1981) y las a priori conjugadas jerrquicas:

donde: 0 y B0 son las matrices medias apriori. La notacin Z ~ N(P,R) Significa que la matriz aleatoria Z tiene una matriz de distribucin normal, donde cada elemento de Z tiene una media 0 y piiR y rjjP son las matrices de la covariancia de las ith fila y jth columna de Z respectivamente.
Cuando Z es un vector, la distribucin se reduce a una multivariada normal con media 0 y covarianza pR. ~ IW(0,Q0) significa que tiene una distribucin Wishart inversa con parmetro de la forma 0 , donde E() = Q0/(0 -2). Ver Brown et al (1988) y el Apndice A de Brown (1993)

 La distribucin predictiva posterior para una observacin futura posterior Yf de k respuestas para un nuevo conjunto de regresores xf (1 x p) es una distribucin de t multivariada con densidad:

K=XtX + H0-1, G=Q0+YtY YtXK-1XtY, B=K-1H0-1 (XX)-1XtY. Ver brown et al (1998). Para reflejar la informacin apriori dbil de , 0 es deseable que sea pequea. Esto es por lo tanto 0 =3, que es el menor valor entero que existe para:

Similarmente establecemos, Q0=mIk, donde m es seleccionada para ser un pequeo valor comparable en tamao con el error probable de Y.

Seleccin de Configuracin Optima

El enfoque de la teora de decisin Bayesiana se basa en maximizar la utilidad esperada o, equivalentemente, minimizar la prdida esperada. En este enfoque la funcin prdida L es especificada como una medida de calidad de un producto o proceso, y el nivel operativo de los factores controlables dxf es seleccionado para minimizar la prdida esperada L,

 Aqu dxf denota los niveles de factores controlables sobre los cuales dependen los regresores xf . Porque el objetivo es encontrar el mejor nivel operativo para operaciones futuras, las expectativas son tomadas con respecto a observaciones futuras Yf a niveles de control dxf , y por lo tanto para el conjunto de regresores xf. Este conjunto puede ser adoptado para cualquier funcin de prdida de calidad L(dxf , Yf), y se discuten 2 funciones de prdida de calidad comunes en la siguiente seccin.

 Con el objeto de encontrar los conjuntos ptimos para futuras operaciones, un conjunto dxf* debe ser seleccionado de un conjunto de posibles factores controlables D que minimizan la ec. 5. La prdida mnima esperada est dada por:

Funciones de Prdida de Calidad

Taguchi (1986) define la calidad como la prdida a la sociedad causada por la desviaciones del producto de los objetivos buscados del producto, e introduce funciones prdida para calcular estas desviaciones. Funciones prdida ha sido usadas para describir las caractersticas de calidad tpicas en problemas sobre mejor lo mayor LTB , mejor lo ms pequeo STB y lo nominal mejor NTB.

 La prdida entre 0-1 ha sido usada como una medida de la calidad cuando una regin especfica S es dada para la respuesta de salida Yf. Cuando la regin especfica es dada , una medida de calidad puede ser definida con la funcin prdida entre 0- 1 como:

La prdida esperada L(dxf) = E{L(dxf,Yf)} es la probabilidad que observaciones futuras de Yf caigan fuera de S; ejemplo, la probabilidad de no conformidad de observaciones futuras.

 La funcin prdida cuadrtica es comnmente usada cuando la prdida puede ser definida como desviaciones desde los requisitos (valores objetivo Y*) en trminos de unidades monetarias, Esta funcin prdida es definida como:

donde C es una matriz definida positiva determinada por las consideraciones tales como costos o prdidas financieras. La funcin prdida cuadrtica puede ser justificada como una aproximacin a la funcin prdida verdadera usando la expansin de las series de Taylor (Vining, 1998).

Ejemplo 1: Requisito de calidad el valor objetivo lo mejor

Para ilustrar el enfoque terico de decisin para seleccionar configuraciones ptimas de respuesta mltiple, se usa el ejemplo de Pignatiello (1993). En este ejemplo hay un par de caractersticas de calidad requeridas para cumplir ciertos valores objetivos, y los costos estn bien definidos cuando estos objetivos no son cumplidos. El experimento consiste de 3 factores controlables, cada uno observado a 2 niveles. Para cada combinacin de factores controlables , 4 rplicas de las 2 variables de respuesta son tomadas.

 Los datos del experimento estn dados en la tabla 1. Los valores objetivo para el vector respuesta Yf estn dados mediante Y*={103 73}t, y la matriz de costos es dada como:

Tabla 1

 El objetivo del estudio original es determinar las condiciones ptimas de operacin para el proceso dentro de la regin de operacin de los factores controlables. Para este ejemplo de el valor objetivo lo mejor donde los costos pueden ser definidos, una funcin prdida de calidad apropiada para adoptar es la funcin prdida cuadrtica. Considerando todos los efectos estimados como en el enfoque directo de Pignatiello (1993) y usando la configuracin de parmetros apriori dbil (=3;c=10; m=16) los modelos de regresin obtenidos desde el enfoque Bayesiano (con B de la ec. 4) para las 2 respuestas son:

Aqu, c es seleccionado usando el mtodo sugerido en Meyer y Box (1992), variando desde 10 hasta 100, y m es establecido como el promedio de varianzas en la matriz de covarianza de Y. Sustituyendo los parmetros en la ec. A3 y usando la funcin fmincon de MATLAB, la configuracin de factores ptima se muestra en la Tabla 2. Esto difiere de la solucin de Pignatiello (1993), como es permitida la bsqueda sobre el total del espacio continuo de factores en lugar de solo en los puntos de diseo final; haciendo ello posible obtener la menor prdida.

Tomando en cuenta la incertidumbre del modelo

El procedimiento anterior asume un subconjunto fijo de predictores para describir los resultados Y, y seleccionar una condicin de operacin ptima basada en esta asuncin. A menudo los predictores tiles de Y no son conocidos con certeza y puede estar varias configuraciones de predictores compitiendo que pueden explicar Y. Los ajustes ptimos de d*xf pueden ser sensibles al asumido modelo de configuracin.

 La Tabla 3 muestra los ajustes ptimos cuando 9 diferentes subconjuntos de predictores son asumidos. Basar las inferencias y decisiones en un modelo de configuracin el mejor nico como si fuera verdad, ignora incertidumbre de modelos , los cuales pueden resultar en subestimar incertidumbre cuando se tomen inferencias sobre cantidades de inters. Y por lo tanto afecten a las decisiones basadas en estas cantidades.

Tabla 3

 El enfoque de Modelo Bayesiano Promedio BMA ha sido desarrollado para superar esta preocupacin. Promedios sobre los posibles configuraciones tambin proveen mejor habilidad de predecir como medicin mediante una regla de puntaje logartmico que usando cualquier modelo simple. Se amplia nuestro enfoque adoptando el BMA para considerar todas las incertidumbres en el proceso de toma de decisin para optimizar y mejorar la calidad.

BMA Promedio de Modelos Bayesianos.

Se considera el caso donde hay un conjunto de p variables explicativas potenciales x1 a xp para predecir las k respuestas. En la seccin previa se asume que el modelo de regresin es conocido con una configuracin fija de predictores X. Sin embargo, en muchos casos, el modelo de regresin exacto es desconocido, y el subconjunto de predictores tiles es incierto. En el modelo de regresin lineal mltiple descrito en la ecuacin 2 , hay 2p posibles configuraciones de X para explicar el output Y. Donde cada configuracin es definida mediante si la influencia de cada coeficiente predictor es pequeo o grande, respectivamente.

 Se denota cada uno de los 2p posibles configuraciones mediante el vector =(1, 2, p ) t. Este enfoque de modelos definidos se basa en la idea incluir y excluir cada predictor i en un modelo basado en un umbral de significacin prctica. (George y McCulloch- 1997). Este vectorp binario latente est incrustado en la distribucin de B para cada modelo, con el jth elemento de establecido en 0 si la influencia de j es suficientemente pequea que el predictor xj no es necesario en el modelo, y establecido en 1 si la influencia es grande.

. juega un rol de identificador del modelo M descrito en Rajagopal y Del Castillo (2005). El th modelo se distingue por la influencia pequea/ grande de los s en dicho modelo. Con la configuracin a priori para el modelo completo en la ecuacin (3) y la configuracin a priori dbil, Brown et al demuestran que la distribucin posterior de est dada como: .p(|Y,X) g() = (|H ||K |)-k/2|G |-(o+n+k-1)/2. p() (7) .donde: H =c(Xt X)-1 K = (Xt X+ H-1 ) G = Q + YtY-YtX K -1 Xt Y X es la matriz cuyas columnas corresponden al subconjunto th de x1,,xp y

 p() es la probabilidad a priori de los th subconjuntos. .p(|Y,X) puede ser entonces ser obtenida por la divisin de cada g() por la constante de normalizacin, la cual es obtenida sumando g() para cada valor . Esta distribucin aposteriori provee una representacin del modelo incierto despus de haber observado los datos Y.

Seleccin de aprioris
La formulacin de arriba se basa en aprioris conjugadas adecuadas para los parmetros en la ecuacin (3), con ajustes apriori dbiles. Aprioris alternativas incluyen las aprioris no informativas en Press (2003). Aunque las aprioris no informativas son deseables, por que evita el problema de seleccin de hiperparmetros, para BMA, esto lleva a constantes normalizadas arbitrarias que complican la especificacin e interpretacin de las probabilidades del modelo apriori. Tambin resulta en favorecer el modelo nulo en el clculo aposteriori.

 Para la especificacin del modelo de espacio a priori, la mayora de las implementaciones de modelos de seleccin Bayesianos, usan la independencia apriori de la forma .p() = wii(1-wi)1- i; donde wi es la probabilidad que el predictor i sea significativo.

Distribucin Predictiva BMA de Yf

En lugar de asumir un modelo subconjunto simple en el anlisis, BMA es un enfoque para incorporar incertidumbre en el modelo. Para tomar en cuenta esta incertidumbre en la prediccin de Yf, la distribucin predictiva BMA de Yf para un nuevo conjunto de regresores xf est dada por:

 Lo cual es una mezcla combinacin ponderada a posteriori de la distribucin predictiva condicional de cada modelo subconjunto potencial f(Yf|Y,xf,) Promediando todos los modelos de subconjuntos potenciales, f(Yf|Y,xf) incorpora formalmente la incertidumbre del modelo en la distribucin predictiva de Yf. La distribucin combinada tambin es conocida como MAP en Rajagopal y Del castillo (2005)

 Formalmente incorporando la incertidumbre del modelo en la ecuacin (6), la prdida mnima esperada es dada como:

Enfoque de BMA para seleccionar la configuracin ptima

La ecuacin 9 se conoce como la prdida BMA promedio de modelos bayesianos. Describe la incertidumbre en L debido a incertidumbre del modelo, incertidumbre de parmetros y variabilidad natural. .d*xf es seleccionada para minimizar la prdida esperada total.

Aspectos prcticos de calculo 1

Un tema prctico importante para implementar el enfoque BMA para determinar la configuracin ptima es que el nmero de posibles subconjuntos crece exponencialmente en el nmero de predictores, haciendo los sumandos en la ec. 9 prohibitiva. Para superar este tema , los sumandos para LBMA (d*xf )en (9) pueden ser calculados usando solo los modelos de subconjuntos ms probables despus del experimento inicial. Hay tpicamente mucho menos de 2p subconjuntos diferentes cuya probabilidad p(|Y) tendr una influencia significativa en la ec. 9.

Ej 1 continua
En el ejemplo 1 hay 7 predictores posibles (3 efectos principales,3 interacciones de 2 factores y 1 interaccin de 3 factores). Con estos predictores, hay potencialmente 27 subconjuntos de predictores. La tabla 2 muestra slo 1 de los modelos de subconjuntos posibles, uno con todos los posibles predictores. Considerando todos los 27 subconjuntos como modelos explicativos potenciales para describir los datos y usando wi=w=0.05, calculamos la probabilidad a posteriori de cada subconjunto con la ec. 7. Las probabilidades de los 4 modelos de subconjuntos ms importantes estn dados en la tabla 4.

 Los predictores en los subconjuntos top son los mismos predictores significativos identificados mediante la estrategia de modelo de respuesta de Pignatiello (1993). Las ltimas filas de la tabla 3 presentan la configuracin ptima y prdida esperada cuando estos subconjuntos son asumidos.

 Comparando los resultados de la tabla 3, vemos que la configuracin ptima cuando diferentes subconjuntos de predictores son usados puede diferir. La prdida esperada puede ser sub o sobre estimada cuando diferentes conjuntos de predictores son asumidos. En la situacin donde el modelo respuesta subyacente es incierto, el enfoque BMA puede ser aplicado. Considerando todos los posibles subconjuntos 27 de predictores, el promedio de modelos es obtenido sumando los L (dxf) calculados con la ec. A3 para todos los subconjuntos, cada peso por su respectiva probabilidad a posteriori.

 La funcin fmincon de MATLAB es usada para determinar d*xf para LBMA(d*xf ) y la configuracin ptima est dada en la tabla 5.

Comparando con la tabla 3 la perdida esperada del modelo promedio es ligeramente mayor que el subconjunto mejor slo. Pero la prdida promedio de los modelos es menor que el modelo global o modelo de solo los efectos principales (modelo top).

Obtencin de datos adicionales. Seleccionar corridas adicionales

Con el objeto de mejorar la prdida de calidad esperada el experimentador puede: a. Observar ms corridas en la regin experimental actual, o b. Explorar fuera de la regin experimental actual. En la presente investigacin se seguir con a. Si se sigue con b, se puede seguir el mtodo de gradiente descendente. Para el caso a, que trataremos a continuacin, la idea es mejorar la perdida esperada mediante la mejora de la estimacin del modelo y disminucin de la incertidumbre en Yf.

 Los datos iniciales se denotan son y1 puntos(matriz nxk), Los nuevos resultados son Y2 (n2 corridas adicionales). Se requiere seleccionar un nuevo diseo e antes de obtener datos. Resolver esto es un anlisis preposteriori en la estructura Bayesiana. Para un dado, como Y2 no ha sido observado, la perdida esperada es luego tomada sobre Y2:

 Donde e y Y2 estn incluidos para indicar que datos adicionales sern tomados con el diseo e. El diseo ptimo e* es el diseo que minimiza al ec. 10.En el problema del diseo del modelo lineal, la seleccin de e es equivalente a seleccionar la matriz para las corridas adicionales X2. Con las configuraciones a priori en la ec. 3 los predictivos Y2 de X2 tiene una matriz T con distribucin con densidad:

donde:

Como caca corrida en Y2 se asume independiente de las otras corridas, , cada corrida Y2 tiene una distribucin t multivariada que tiene la misma forma que la ec. 4, con xf remplazada con la respectiva corrida en X2. Condicionado sobre Y2, f(Yf|Y2,y1) tambin tendrn la misma forma que la ec. 4, con X ahora consistiendo de Xt aumentado con X2, Y consistiendo de y1 aumentado en Y2, y

 = 0 + n+ n2. El d*xf es determinado basado en la prediccin a posteriori f(Yf|Y2,y1). Cuando el modelo fundamental es incierto, en lugar de asumir un modelo subconjunto nico, el enfoque BMA puede ser aplicado teniendo en cuenta la incertidumbre. Considerando la distribucin predictiva BMA de Yf e Y2:

Donde: la distribucin predictiva BMA para Y2 e Yf son:

Para evaluar la ec. 12 para cualquier diseo e, la distribucin f(Y2|y1,e) y f(Yf|Y2,y1,e) son requeridas. Para cada , f(Y2|y1,e, ) tiene la forma de la ec. 11 y f(Yf|Y2,y1,e) tiene la misma forma de la ec. 4. La seleccin de e es equivalente a seleccionar X2.

 Para funciones prdida especficas como la prdida cuadrtica, para cada en la sumatoria, la funcin entre llaves de la ec. 12 puede ser obtenida de los resultados del apndice A, con j remplazado con 2j , el estimado posterior del coeficiente j despus del segundo de experimentos. Por lo tanto, para evaluar la ec. 12 para cualquier diseo e, muestras de Monte Carlo son primero extradas de f(Y2|y1,e). El Anexo B describe un algoritmo para muestras de la forma f(Y2|y1,e).

 Entonces cada muestra Y2,i es combinada con el original y1, y para cada , sustituida en los resultados en el Apndice A con el objeto de obtener d*xf, y L(Y2,i,e,d*xf). LBMA(e,d*xf) es entonces aproximada por:

Aspectos prcticos de clculo 2

Cuando el nmero de factores y las n2 corridas adicionales son pequeas, es posible calcular la perdida esperada para todos los posibles diseos y seleccionar el diseo optimo e*.En el caso que sean demasiados los clculos para evaluar la ec. 12 se sugiere realizar simulaciones bajo diferentes pares de diseos y observar la prdida., ver Muller y Parmigiani- 1995.

Ej. 1 continuacin
Suponga, que despus de los experimentos iniciales, adicional presupuesto es disponible para conducir corridas adicionales. Para ello se recomienda, considerar los puntos finales de la regin como puntos experimentales potenciales. Para cada diseo potencial e, X2 es determinado y un enfoque de muestreo MC con N=1000 muestras es usado para calcular
L(e, d *xf )

 La tabla 6 (sgte. Diapositiva) da los diseos experimentales ptimos para n2=2 a 4 corridas adicionales cuando se asumen diferentes modelos. Cuando un es asumido, el muestro es hecho como sigue: Para cada diseo e, obtener el correspondiente X2. Entonces para cada muestra i, = Para cada corrida x* en X2, la muestra Y2,i, que tiene la misma prediccin posterior en la ec. (4) con xf remplazado con x*.

= aumentando el nuevo dato con los datos iniciales y calculando la ecuacin A3 para determinar d*xf y L(d*xf)(denotado aqu como L(Y2,i,e,d*xf) para indicar datos adicionales Y2 tomados y diseo e) Repetir esto para i=1,,1000 y luego calcular

Donde e* es el diseo que minimizaL(e,d*xf)

 Cuando se tiene en cuenta para modelos de incertidumbre usando el enfoque BMA, para cada corrida x*,Y2,i es calculado con la ec. 8. Con los datos combinados en la ec. A3 y calculados para cada para determinar d*xf , y A continuacin usar el enfoque de ajustar la curva de Muller y Parmigiani para determinar una buena corrida n2=2 diseado bajo la incertidumbre del modelo.

 Este enfoque requiere que la prdida sea evaluada para una muestra de diseos del espacio de diseo, una funcin suavizada ajustada a travs de los puntos de muestreo y el estimado diseo ptimo de la funcin. Para muestrear el espacio de diseo, los niveles de factor para x1, x2 y x3 para la primera y segunda corridas fue determinada en una malla de espacios iguales [-1,-.5,0,.51]3. Entonces: Para cada diseo ev sobre la malla, calcular Y2 con ec. (11) como se describe en el Apndice B. Con el valor de Y2, calcular con la ec. (A3) y p( |Y2,y1) para cada y determinar d*xf.

 Ajustar una funcin de interpolacin suavizada spline (por ejemplo, interpn en MATLAB) a travs de los puntos muestreados y encontrar el mnimo de la superficie ajustada. La funcin suavizada ajustada sirve como un estimado de la superficie de prdida ajustada en la ec. (12) y el diseo ptimo puede ser estimado del mnimo de la superficie ajustada. El diseo ptimo estimado de esta superficie ajustada tiene x1 establecido en 0.75 y -1 para la primera y segunda corridas, y x2 establecido en .65 y .75 para la 1 y 2 corridas, x3 establecido en -.6 y 1 para la 1 y 2 corridas, respectivamente. La prdida esperada estimada de esta superficie ajustada fue 2.87

 Una evaluacin de la prdida esperada de una muestra grande MC fue realizada con este diseo estimado , y la prdida esperada obtenida fue 2.97. Como el enfoque de ajuste de curvas permite buscar en el espacio de diseo continuo, el diseo obtenido con este enfoque resulta en una prdida esperada ms pequea que cuando slo los puntos finales fueron buscados en la tabla 6. Ver figura 1, que muestra la superficie ajustada cuando ajustes para la 2 corrida son fijados.

 Este enfoque de ajuste de curva provee un enfoque alternativo para estimar el diseo ptimo cuando el espacio de diseo es grande. En lugar de evaluar todos los diseos y conducir simulaciones MC para cada uno, muestrea un conjunto de diseos y observaciones y fija una superficie sobre ellos para estimar el mejor diseo.

Ej 2 probabilidad de criterio de calidad de conformidad

Este ejemplo es un ejemplo de proceso qumico donde una regin de aceptacin es definida por subproductos del proceso qumico. Wold describe el proceso y da los datos del experimento para reducir la cantidad de subproductos del procesos qumico. Se consideran los datos con 4 factores controlables y 4 respuestas. Esto es dado en la Tabla 7.

 La regin de especificacin para las 4 respuestas es {y191.0, y2 11.5, y3 6.5, y4 5.5}. Una funcin prdida razonable refleja la conformidad a estas especificaciones es la funcin prdida 0-1, y la prdida esperada entonces las probabilidades de fuera de especificaciones. Considerando el modelo de primer orden con interacciones de 2 factores y una configuracin a priori dbil de =3, c=20, y m=16, la multivariable entera t de la perdida esperada en (A1) es evaluada usando las funciones de Genz y Bretz y la configuracin ptima es determinada usando la funcin fmincon en MATLAB.

 Las primeras 2 filas en la tabla 8 muestran la configuracin ptima de este enfoque multirespuesta bayesiano cuando todos los efectos principales y las interacciones de 2 factores son consideradas, y cuando slo los efectos principales son considerados. Las configuraciones ptimas pueden diferir bastante (especialmente para x2 y x4) cuando diferentes predictores se asumen.

 Considerando todos los 10 predictores posibles de efectos principales e interaccin de 2 factores. La tabla 9 muestra las probabilidades a posteriori de los 5 subconjuntos ms grandes.

 En este ejemplo, el mejor modelo subconjunto para usar no est claro, debido a que las probabilidades a posteriori de los pocos subconjuntos de modelos no son altas. Sin embargo, estos 5 toman en cuenta ms del 80% de las probabilidades a posteriori. El subconjunto completo con todos los efectos e interacciones de 2 factores es clasificado de 1024 th. Las ltimas 2 filas de la tabla 8 muestran las configuraciones ptimas para el mejor subconjunto y cuando el promedio de modelos se aplica con los 5 mejores subconjuntos predictores en la tabla 9.

 En esta tabla se ve claro que las configuraciones ptimas difieren cuando diferentes modelos de subconjuntos son asumidos. Para ilustracin, considerando cada respuesta separadamente y aplicando el enfoque univariado propuesto por Rajagopal y Del Castillo (2005) sobre cada uno. Los resultados son los de la tabla 10. Aqu los top models cubren el 80% de la posteriori.

Los top models difieren para respuestas diferentes. Si la prdida esperada (probabilidad de no conformidad) es considerada demasiado alta y los datos actuales son limitados, uno puede considerar experimentos d corridas adicionales para mejorar.

Un promedio de ms de 5 modelos, tabla 11 muestra la parte superior del seguimiento de los diseos experimentales obtenidos de la enumeracin total de todos los posibles diseos de corridas n2=2,3, y los diseos obtenidos con el enfoque de ajuste de curva.

 En las tablas anteriores se aprecia que tomando corridas adicionales se puede reducir la perdida esperada de 0.675 a cerca de 0,635. La tabla 12 muestra la mejora de la prdida esperada cuando las especificaciones para cada respuestas son relajadas. Las columnas 2 y 3 muestran las perdidas esperadas cuando las especificaciones son relajadas en 1 y 2% de lo original, respectivamente.

Otros enfoques para modelos promedio

A diferencia de lo hecho en el presente estudio, se pueden aplicar otros enfoques de promedios bayesianos. Tambin hay varios enfoque s de promedios no bayesianos.

Discusin y conclusiones
La mayora de productos y procesos tiene mltiples caractersticas. En este trabajo, se presenta una estructura unficada mejora y control de calidad de estos productos y procesos. Se cuantifica la medicin de la calidad con funciones perdida y se adopta un enfoque terico para determinar las condiciones ptimas de operacin y los planes de experimentacin futuros. En este trabajo supera los enfoques actuales de optimizacin de respuesta mltiple tomando en cuenta la incertidumbre del modelo de respuesta. Se presentan 2 ejemplos.

 En este trabajo se consideran experimentos adicionales a ser realizados dentro de la regin experimental actual y provee varias tcnicas de bsqueda del diseo ptimo, con corridas adicionales. Los cdigos MATLAB para determinar la configuracin ptima para prdida entre 0-1 y cuadrtica va BMA ver en: URL http://www.ise.nus.edu.sg/staff/ngsh/ download/matlabdocs/index.php.

Apndices.
Apndice A. Seleccin de la Configuracin ptima. Apndice B. Simulacin de distribuciones predictivas de BMA