Metodología robusta para superficies de respuestas

Autores/as

  • Manuel R. Piña Instituto Tecnológico de Ciudad Juárez http://orcid.org/0000-0002-2243-3400
  • Manuel A. Rodríguez Instituto Tecnológico de Ciudad Juárez
  • Elsa M. Benavides Instituto Tecnológico de Ciudad Juárez

Resumen

RESUMEN

Esta investigación enfatiza el uso del diseño central compuesto y la regresión ridge para ajustar un modelo polinomial de segundo orden para representar la superficie de respuesta. Esto corresponde a la necesidad de una metodología estandarizada para mejorar la Metodología de Superficies de Respuesta (RSM). La RSM es útil en la determinación del mejor nivel de factores para determinar la salida de la variable de respuesta. Nosotros describimos un conjunto de doce pasos básicos para la aplicación efectiva de la metodología de superficies de respuesta. Una discusión de cada uno es incluido y su alcance también.

Palabras Clave: Metodología de Superficies de Respuestas, Regresión Ridge, Mínimos Cuadrados, Multicolinealidad, Diseño Central Compuesto.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Manuel R. Piña, Instituto Tecnológico de Ciudad Juárez

Cursa el grado de Doctor en Ciencias con Especialización en Ingeniería Industrial. Este articulo se basa en su disertación doctoral “Metodología Robusta para Superficies de Respuestas”. Programa Doctoral

Manuel A. Rodríguez, Instituto Tecnológico de Ciudad Juárez

División de Estudios de Posgrado e Investigación

Elsa M. Benavides, Instituto Tecnológico de Ciudad Juárez

División de Estudios de Posgrado e Investigación

Citas

Box G. E. P. and Draper N. R. 1987. Empirical Model-Building and Response-surfaces, New York: John Wiley & Sons.

Box G. E. P. and Wilson K. B. 1951. On the Experimental Attainment of optimum Conditions: Journal of the Royal Statistical Society, Series B 13(1): 1 – 38.

Box G. E. P., Hunter W. G. and Hunter J. S. 1978. Statistics for Experimenters: An introduction to design, data analysis, and model building, New York: John Wiley & Sons.

Fu M. C. 1994. Optimization via Simulation: a review. Annals of Operations Research 53: 199 – 247.

Ganzach Y. 1998. Non-linearity, Multicolineality and the Probability of the Type II Error in Detecting Interaction. Journal of Management. Vol. 24, No 5, 615-622.

Golam-Kibria B. M. 2003. Performance of Some New Ridge Regression Estimators. Communication in statistics: Vol. 32, No 2, pp 419 – 435.

Hemmerle W. J. 1975. An Explicit Solution for Generalized Ridge Regression. Technometrics, Vol. 17, No 3 pp 309–314.

Hemmerle W. J. and Brantle. 1978. Explicit an Constrained Generalized

Ridge Estimation. Technometrics, Vol. 20, No 2 pp 109 – 120.

Hoerl, A. E. and R. W. Kennard. 1970a. Ridge Regression: Biased estimation for non-orthogonal problems. Technometrics, Vol. 12, No , 55-67.

Hoerl, A. E. and R. W. Kennard. 1970b. Ridge Regression: Applications to non- orthogonal problems, Technometrics, Vol. 12, No 1, 69-82.

Hoerl, A. E., R. W. Kennard and K. F. Baldwin. 1975. Ridge Regression: Some Simulations. Communication in statistics, 4(2), 105-123.

Hoerl, A. E. and R. W. Kennard. 1976. Ridge Regression Iterative Estimation of the Biased Parameter. Communication in statistics, A5(1), 77-88.

Khuri A. I. and Cornell A. 1987. Response-surfaces: Design Analyses”.

Communication in statistics New York: Marcel Dekker, Inc.pp.

Lawless J. F. and P. Wang. 1976. A simulation Study of Ridge and other Regression Estimators. Communication in Statistics – Theory and Method, A5 (4), 307 – 326.

Neddermeijer H. G., Oortmarssen G. J., Piersma N and Dekker R.

A Framework for Response-surface Methodology for Simulation

Optimization. Proceedings of the 2000 Winter Simulations Conference

J. A. Joines, R. R. Barton. K. Kang, and P. A. Fishwick, Eds.

Marquardt D. W. 1970. Generalized Inverses, Ridge Regression, Biased Linear Estimations and non Linear Estimation. Technometrics, Vol. 12, No 3, pp 591–612.

Montgomery D. C., Peck E. A. y Vining G. G. 2002. Introducción al Análisis de Regresión Lineal, México: Editorial Continental. Tercera edición.

Myers R. H. and Montgomery D. C. 1995. Response-surface Methodology: process and product optimization using designed experiments, New York: John Wiley & Sons.

Obenchain R. L. 1975. Ridge Analysis Following a Preliminary Test of the Shrunken Hypothesis. Technometrics. EUA. Vol. 17, No.4, 431-441.

Piña, Rodríguez y Díaz. 2005. Superioridad de la Regresión General Ridge sobre Mínimos Cuadrados. CULCYT//Enero-Febrero, 2005, México. Año 2, No 6. 21-26

Rubio H. and L. Firinguetti. 2002. The Distribution of Stochastic Shrinkage Parameters in Ridge Regression. Communication in Statistics – Theory and Method: Vol. 39, No 9, pp 1531– 1547.

Publicado

2015-06-16

Cómo citar

Piña, M. R., Rodríguez, M. A., & Benavides, E. M. (2015). Metodología robusta para superficies de respuestas. Cultura Científica Y Tecnológica, (12). Recuperado a partir de http://erevistas.uacj.mx/ojs/index.php/culcyt/article/view/530