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 estndar, se requiera mayor 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, as
como de validacin prctica, como 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, que al combinarlas permiten al investigador obtener mejores resultados en el
proceso de optimizacin del problema en estudio. 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 de aplicacin cientfica.
Con relacin a las diferencias, se tiene que:
1. La MSR quiere 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 parte de un modelo polinomial, es decir, un modelo de regresin que debe
cumplir con los supuestos y condiciones estadsticas, 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 utilizando el software R, se compara la
MSR aplicada en su forma tradicional, empleando como tcnica de optimizacin el Anlisis
Ridge con el AE que parte del modelo de 2do. Orden generado en la fase experimental de la
MSR incorporndose como una tcnica de optimizacin, encontrndose 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 de 2do. Orden que
describa su comportamiento, a pesar de encontrarse 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 solo explica 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% de explicacin.
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 define como la funcin objetivo o Fitness, se establecen 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. A continuacin se presentan los valores del porcentaje
rendimiento de biodiesel (y%) a partir de grasa refinada de pollo obtenida al aplicar cada
metodologa:

Tabla XX: Porcentaje rendimiento de biodiesel (y%)

a partir de grasa refinada de pollo obtenida al aplicar cada metodologa
Rendimiento (y) %
Simulados MSR (Ridge) AE
86 92,161 93,05004
90 91,505 93,05009
91 90,939 93,05012
86 90,46 93,05013
89 90,069 92,94977
88 89,766 93,02533
91 89,548 93,04408
90 89,400 93,050
89 89,532 93,03818
87 89,741 92,97586
88 90,035 92,90621
89 90,888 92,99123
93 92,092 93,04977

89,0000 90,4720 93,0178
2,0412 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
confiable, haciendo eficiente el modelo en estudio, sin embargo se aprecia que el AE resulta
ser ms eficiente.

Comparacin de las Metodologias de Optimizacin SR y AE

94

92
Respuesta y (%)

90

88

86

84

82
1 2 3 4 5 6 7 8 9 10 11 12 13
Corridas experimentales

Simulados Ridge 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%, sin embargo el AE como tiene mayor capacidad de bsqueda en
la regin experimental, 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:

% = (Nro).

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

aplicar la MSR y AE respectivamente, y , corresponde al promedio de la respuesta
simulada. Los resultados son los siguientes:

Tabla XXXX: Exactitud (%error)

Exactitud= % error
Ridge AE
1,65393258 4,51433708

Los resultados muestran un mayor porcentaje de error en el AE, esto es debido 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:
User time: Tiempo de la CPU dedicado a la ejecucin de las instrucciones del
proceso.
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.).
Elapsed time: Tiempo total transcurrido 'real' del proceso.
 A continuacin se muestran los resultados de la duracin de ejecucin de la
Metodologa Superficie de Respuesta y Algoritmos Evolutivo:

Tabla XXX: Tiempo de ejecucin MSR y AE

Mtodo de Tiempo de ejecucin

Optimizacin user system elapsed
AE 0,89 0,18 1,36
MSR 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.