5.2.

3 Comparacin de los resultados obtenidos en la aplicacin de las metodologas

en estudio en la optimizacin de procesos.
El potencial y las limitaciones tanto de la Metodologa Superficie de Respuesta
(MSR) como de los Algoritmos Evolutivos (AE) fueron presentados en esta investigacin a
travs de un anlisis terico, lo cual permiti establecer las condiciones experimentales
para utilizar los AE en la MSR en la optimizacin de procesos a datos simulados, creando
un algoritmo hibrido que combin las potencialidades de ambas metodologas y que ofrece
una alternativa de solucin a problemas cuyas condiciones de operacin se encuentran fuera
de parmetros estndares, se requiere mejor precisin y menor tiempo de ejecucin.
En tal sentido, a continuacin se presenta el proceso de evaluacin y anlisis
utilizado, tomando en cuenta la naturaleza estocstica de las metodologas estudiadas y
estableciendo como medidas de comparacin terica las semejanzas y diferencias entre la
MSR y el AE, y de comparacin experimental, los criterios de validacin idnea de
precisin y exactitud; y de validacin prctica, el tiempo de ejecucin, que se describen a
continuacin.
En primer lugar, segn Escobar (2011), es importante destacar que las metodologas
en estudio presentan una secuencia de pasos que permiten ir en la bsqueda de las
condiciones de operacin de un proceso para mejorar su funcionamiento y que constituyen
una herramienta importante para la toma de decisiones porque involucra medidas
cuantitativas de desempeo del sistema bajo estudio y criterios de optimalidad (minimizar o
maximizar un proceso).
Al comparar tericamente la MSR con AE, se pudo constatar que existen diferencias
y semejanzas, las cuales se describen a continuacin:
Con respecto a las semejanzas, se tiene que:
1. Ambas metodologas requieren del establecimiento de la regin de experimentacin,
para definir el espacio de bsqueda.
2. Son iterativas, ya que realizan una bsqueda en la regin experimental hasta que se
establezca una condicin de parada o se encuentre el valor ptimo.
3. Trabajan con los valores de las variables codificados, segn el modelo establecido.
4. Tienen un amplio rango de aplicacin en diversas reas cientficas.
Con relacin a las diferencias, se tiene que:
1. La MSR requiere conocer la naturaleza de los factores en estudio, para seleccionar
el tipo de diseo, modelo y tcnica de optimizacin, mientras que el AE no necesitan
conocimiento especfico sobre el problema que intentan resolver.
2. La MSR estima un modelo polinomial a travs de la regresin, que debe cumplir
con los supuestos estadsticos para poder utilizar las tcnicas de optimizacin de acuerdo a
las condiciones del problema en estudio, mientras que el AE parte de una funcin objetivo
(Fitness) que establece las condiciones de funcionamiento del mismo.
3. La MSR es conceptualmente ms complicada y condicionada, mientras que el AE
presenta mayor simplicidad conceptual con capacidad de auto-adaptarse a los parmetros
en estudio.
Con base en lo anterior, a nivel experimental se utiliz el software R, para comparar
la MSR aplicada en su forma tradicional, empleando como tcnica de optimizacin el
Anlisis Ridge con el AE. Destacando que para utilizar el AE, se tom como funcin
objetivo (Fitness) el modelo de 2do. orden estimado en la MSR, incorporndose como una
tcnica de optimizacin, generndose los siguientes resultados:
1. Al aplicar la MSR a los datos en estudio para optimizar el porcentaje rendimiento de
biodiesel (y%) a partir de grasa refinada de pollo, se gener un modelo polinomial de 2do.
orden que describi su comportamiento. Se encontraron condiciones que estadsticamente
salen del marco conceptual, tal es el caso del resultado del coeficiente de determinacin
ajustado, que fue de solo un 0.5625, el cual se interpreta como el aporte que en conjunto de
las variables en estudio que solo explican el 56,25% de la variabilidad de la respuesta, que
en teora, segn Chacn (1998), no es un valor suficientemente confiable para tomar
decisiones sobre la explicacin del modelo, puesto que se recomiendan valores sobre el
70%.
2. En la MSR, al realizar el proceso de optimizacin para caracterizar la superficie de
respuesta, se determin que el punto estacionario no es un punto ptimo, es decir, su
naturaleza fue de punto de silla, por lo que se aplic el Anlisis Ridge para determinar el
mejor punto posible que predice el ptimo desempeo de la variable de respuesta (Ver
tabla X).
3. Al utilizar el AE como tcnica de optimizacin, se parte del modelo de 2do. orden,
el cual se utiliz como la funcin objetivo o Fitness, se establecieron los parmetros de
entradas (poblacin, seleccin, mutacin, cruce, nmero de iteraciones, regin
experimental) obtenindose un punto ptimo de mxima respuesta del porcentaje
rendimiento de biodiesel (y%) a partir de grasa refinada de pollo. (Ver tabla X).
A continuacin se presentan los resultados experimentales y anlisis de cada
proceso evaluado:
1. Precisin determinada a travs del coeficiente de variacin (CV) de cada mtodo al
realizar las corridas experimentales. Los valores del porcentaje rendimiento de biodiesel (y
%) a partir de grasa refinada de pollo obtenida al aplicar cada metodologa son:

Tabla XX: Porcentaje rendimiento de biodiesel (y%)

a partir de grasa refinada de pollo obtenida al aplicar cada metodologa

MSR (Ridge) AE
92,161 93,05004
91,505 93,05009
90,939 93,05012
90,46 93,05013
90,069 92,94977
89,766 93,02533
89,548 93,04408
89,400 93,050
89,532 93,03818
89,741 92,97586
90,035 92,90621
90,888 92,99123
92,092 93,04977
X 90,4720 93,0178
0,9664 0,0474

Con base en los resultados anteriores se procedi a calcular el Coeficiente de

Variacin (CV) de cada metodologa:

Precisin= CV (%)
Simulados Ridge AE
2,29352972 1,06822757 0,05094117
 Observndose que ambas metodologas presentan una variacin porcentual muy
baja, lo cual indica que hubo un control adecuado de los factores bajo estudio, haciendo
muy confiable y eficiente el modelo en estudio, al aplicar ambas metodologas, destacando
que el AE resulta ser ms eficiente.
En la grfica XX se puede observar el comportamiento de la respuesta del
porcentaje rendimiento de biodiesel (y%) a partir de grasa refinada de pollo, luego de 13
corridas experimentales con ambas metodologas. Se aprecia mayor estabilidad y
maximizacin de la respuesta con el AE en relacin a la MSR.

Comparacin de las Metodologias de Optimizacin SR y AE

94
93
92
Respuesta y (%)

91
90
89
88
87
1 2 3 4 5 6 7 8 9 10 11 12 13

Corridas experimentales

Ri dge AE

Grfica XX: Comparacin de las Metodologas SR y AE

2. Comparacin de los puntos estacionarios o mejor punto posible para optimizar el

porcentaje rendimiento de biodiesel (y%) a partir de grasa refinada de pollo.

Tabla XXX: Punto estacionario

Mtodo de Variables Codificadas Variables Respuesta

Optimizacin Punto estacionario Reales (%)
x1 x2 xr1 Xr2 Y
AE -1,199465 1,414 80,64 150,51 93,05015
MSR(Ridge) 0 0 90,00 145,00 89,40012
 Se puede observar, que la MSR genera un mejor punto posible en el origen, para
un rendimiento de 89,4%. Mientras que el AE para el punto ptimo encontrado el
rendimiento se maximiza a un valor de 93,05%.

3. Exactitud de las Metodologas en estudio

Para determinar la exactitud de las metodologas Superficie de Respuesta y
Algoritmos Evolutivos, se calcul en base al porcentaje de error en la respuesta (% error)
generada por cada una, tomando como base de comparacin las respuestas simuladas,
aplicando la siguiente ecuacin:

X exp X simul
error = (Nro).
X simul

Donde: X exp , corresponde al promedio de la respuesta experimental, resultado

de aplicar la MSR y AE respectivamente, y X simul , corresponde al promedio de la

respuesta simulada. Los resultados son los siguientes:

Tabla XXXX: Exactitud (%error)

Exactitud= % error
Ridge AE
1,65393258 4,51433
708

Los resultados muestran un mayor porcentaje de error en el AE, esto puede deberse
a que se mueve ms a los lmites en la regin experimental que la MSR, la cual muestra
datos ms cercanos a los datos simulados.

4. Tiempo de ejecucin de los algoritmos:

Para medir el tiempo de ejecucin de las metodologas en estudio, se utiliz una
rutina en cdigo en R que permite determinar el tiempo real y de la CPU (en segundos)
desde que el proceso se inici hasta su culminacin, generando tres salidas:
 Tiempo de Uso CPU (User time): Tiempo de la CPU dedicado a la ejecucin de las
instrucciones del proceso.
Tiempo del Sistema (System time): Tiempo de la CPU empleado por el sistema
operativo (el ncleo o kernel) siguiendo las instrucciones del proceso (abrir ficheros, iniciar
otros procesos o mirar al reloj del sistema, etc.).
Tiempo Total (Elapsed time): Tiempo total transcurrido 'real' de ejecucin del
proceso.
A continuacin se muestran los resultados de la duracin de ejecucin de la
Metodologa Superficie de Respuesta (optimizacin Anlisis Ridge) y Algoritmos
Evolutivo:

Tabla XXX: Tiempo de ejecucin MSR (Ridge) y AE

Mtodo de Tiempo de ejecucin

Optimizacin Uso Sistem Total
a
AE 0,89 0,18 1,36
MSR (Ridge) 0,33 0,21 0,79

Se puede observar que la MSR se ejecuta en menor tiempo que el AE, sin embargo
ste ltimo consume menor tiempo del sistema, destacando que el proceso de bsqueda del
punto ptimo es exhaustivo en el AE, ya que recorre en su totalidad la regin experimental.
Realmente estas comparando los dos mtodos de optimizacin y no la MSR.
En los resultados de aplicar los diferentes algoritmos debes indicar los niveles de los
factores donde se obtuvieron los porcentajes, como lo muestra no esta bien estructurada.
Saludos