Upload
juan-cevallos
View
73
Download
0
Embed Size (px)
Citation preview
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 1/81
Un Enfoque de Modelado de
promedios bayesiano para
optimización multirespuesta
Resumen de artículo de SZU HUI NG.
Dr Juan Cevallos
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 2/81
Introducción
• Tradicionalmente los métodos de superposiciónde respuestas de medias y funciones dedeseabilidad son usados para encontrar valorescon los que los resultados de procesos serán
optimizados.• El método de superposición de medias se basa en
graficar contornos de superficies de respuestas.Los valores de los factores son seleccionados en
la región donde las respuestas de mediassatisfacen los requerimientos de calidad delexperimentador.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 3/81
• Las funciones de deseabilidad convierten las
respuestas múltiples en respuestas simples. El
inconveniente es que ignoran las posiblescorrelaciones entre las respuestas y la variación
en la estimación de los modelos de respuesta.
• Otra falla de este enfoque es la dificultad en la
interpretación de los criterios de calidad.
• Hamada y Chiao (2001) propuso un criterio de
calidad para respuestas múltiples que es la
probabilidad que todas las respuestassimultáneamente cumplan sus especificaciones
respectivas.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 4/81
• Toman en cuenta las correlaciones entre las
respuesta múltiples y enfocan el problema de
optimización primero modelando los
parámetros de las distribución de respuestas y
luego encontrando la configuración 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 múltiples yla incertidumbre en las respuestas de los
parámetros de los modelos.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 5/81
• Su enfoque utiliza la distribución posterior predictivade las respuestas para estudiar y mejorar los criteriosde calidad como la probabilidad de conformidad,deseabilidad y funciones de pérdida cuadráticas.
• Miroquesada et al (2004) aplica este enfoque enpresencia de variables ruido.
• El problema de los enfoques anteriores está en queignoran la incertidumbre.
• Los ejemplos 1 y 2 en el estudio ilustran como lasdecisiones sobre diseño de experimentos y sobre laconfiguración de variables de control óptimas puedendiferir cuando son asumidos modelos de repuestacompetitiva diferentes en problemas de respuestamúltiple.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 6/81
• Del Castillo y Rajagopal (2005) consideran laincertidumbre de modelos para procesos de respuestasimple e incorporan Promedios de Modelos Bayesianos
BMA en el enfoque predictivo a posteriori de Peterson(2004) para obtener configuración de control robustosde modelos.
• Como su enfoque fue formulado para problemas de
respuesta simple, un enfoque separado se requiere para para problemas de respuesta múltiple paraadecuarlo tomando en cuenta respuestas concorrelaciones y objetivos múltiples.
• En este trabajo se amplia esta consideración arespuestas múltiples y se amplían los trabajosanteriores tomando en cuenta las incertidumbres paraoptimizar respuestas múltiples.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 7/81
• Se adopta el enfoque bayesiano para modelary optimizar las respuestas múltiples que
toman en cuenta la correlación entre lasrespuestas, la variabilidad de lascorrelaciones, la incertidumbre de losmodelos de respuesta y la incertidumbre de
los parámetros de los modelos.• Nuestro enfoque utiliza la función pérdida que
puede ser directamente relacionada con la
definición de Taguchi de Calidad y utiliza elenfoque de BMA para tomar en cuenta laincertidumbre en los modelos.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 8/81
• Se consideran todas la incertidumbres del
problema, tomadas en cuenta para las
respuestas correlacionadas y permite la
consideración de muchos tipos de criterios de
características de calidad.
• Se va más allá de seleccionar inputs para
optimizar procesos sugiriendo como mejorar
la calidad del sistema.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 9/81
Contenido
1. Revisión de la configuración multivariada para laformulación de decisiones bayesianas; seadoptan y describen varias funciones pérdida de
calidad.2. Búsqueda de configuración operativas óptimas y
discusión de configuraciones generales y lasolución de estos problemas de optimización
para funciones pérdida específicas. Ampliacionesha otras funciones de utilidad o pérdida sondirectas.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 10/81
3. Descripción de como calcular con modelos deincertidumbre con BMA.
4. Respuesta a la pregunta donde hacer el sgte.
experimento si recursos adicionales estándisponibles.
5. Se incorpora el diseño óptimo para el
seguimiento del experimento en el problemade decisión con el objetivo de minimizar lapérdida esperada de respuestas futuras.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 11/81
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 regresiónmultivariado clásico relaciona k variables dependientescorrelacionadas para p variables independientesusando relaciones lineales:
yi = αi + Xβi +ei, i=1,…,k (1)
donde:
y1,…,yk son (nx1) vectores representando n
observaciones independientes sobre cada una de las krespuestas dependientes correlacionadas y X es lamatriz predictora (nxp), la cual es la misma para cadatipo de respuesta.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 12/81
• La ecuación 1 puede ser reescrita como:
Y = 1nαt +XB + E, (2)
Donde:Y(nxk) = (y1 y2 … yk)
X(nxp) = (x1 x2 … xp),
α (kx1) = (α1 α2 … αk),
B (pxk) = (β1 β2 … βp)t
E (nxk) = (e1,…,ek)
1n = vector (nx1) de 1’s
Se asume que cada fila i de E es normal multivariada con
media 0 y matriz de covarianza ∑ y cada columna j de Enormal multivariada con media 0 y matriz decovarianza σ j
2In; implicando que los n conjuntos deobservaciones son independientes
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 13/81
Incertidumbre de Parámetros de
Modelado
• Para el modelo de regresión (2), para tomar en
cuenta la incertidumbre en los parámetros del
modelo (α,B,∑), un enfoque Bayesiano para
identificar esta incertidumbre es asignar unadistribución a priori ƒ(α,B,∑) para el vector de
parámetros.
• Se adopta la notación de matriz de Dawid(1981) y las a priori conjugadas jerárquicas:
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 14/81
donde:
α0 y B0 son las matrices medias apriori. La notación Z ~ N(P,R)
Significa que la matriz aleatoria Z tiene una matriz de distribución
normal, donde cada elemento de Z tiene una media 0 y piiR y r jjP son las matrices de la covariancia de las ith fila y jth columna de Z
respectivamente.
Cuando Z es un vector, la distribución se reduce a unamultivariada normal con media 0 y covarianza pR.
∑ ~ IW(δ0,Q 0) significa que ∑ tiene una distribución Wishart
inversa con parámetro de la forma δ0 , donde E(∑) = Q 0/(δ0 -2).
Ver Brown et al (1988) y el Apéndice A de Brown (1993)
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 15/81
• La distribución predictiva posterior para una
observación futura posterior Yf de k respuestas
para un nuevo conjunto de regresores xf (1 x p) esuna distribución de t multivariada con densidad:
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 16/81
K=XtX + H0-1, G=Q 0+YtY – YtXK-1XtY, B ̂̂ =K-1H0
-1
(XX)-1XtY. Ver brown et al (1998).
Para reflejar la información apriori débil de ∑, δ0 es deseable que sea pequeña. Esto es por lo
tanto δ0 =3, que es el menor valor entero que
existe para:
Similarmente establecemos, Q 0=mIk, donde m es
seleccionada para ser un pequeño valor
comparable en tamaño con el error probable de Y.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 17/81
Selección de Configuración Optima
• El enfoque de la teoría de decisión Bayesiana se basaen maximizar la utilidad esperada o, equivalentemente,minimizar la pérdida esperada.
• En este enfoque la función pérdida L es especificadacomo una medida de calidad de un producto oproceso, y el nivel operativo de los factorescontrolables dxf es seleccionado para minimizar lapérdida esperada L ,̄
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 18/81
• Aquí dxf denota los niveles de factorescontrolables sobre los cuales dependen los
regresores xf .• Porque el objetivo es encontrar el mejor nivel
operativo para operaciones futuras, lasexpectativas 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 cualquierfunción de pérdida de calidad L(d
xf
, Yf
), y sediscuten 2 funciones de pérdida de calidadcomunes en la siguiente sección.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 19/81
• Con el objeto de encontrar los conjuntos
óptimos para futuras operaciones, un
conjunto dxf * debe ser seleccionado de unconjunto de posibles factores controlables D
que minimizan la ec. 5. La pérdida mínima
esperada está dada por:
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 20/81
Funciones de Pérdida de Calidad
• Taguchi (1986) define la calidad como lapérdida a la sociedad causada por ladesviaciones del producto de los objetivos
buscados del producto, e introduce funcionespérdida para calcular estas desviaciones.
• Funciones pérdida ha sido usadas paradescribir las características de calidad típicas
en problemas sobre “mejor lo mayor” LTB ,”mejor lo más pequeño” STB y “lo nominalmejor” NTB.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 21/81
• La pérdida entre 0-1 ha sido usada como unamedida de la calidad cuando una región
específica S es dada para la respuesta desalida Yf . Cuando la región específica es dada ,una medida de calidad puede ser definida conla función pérdida entre 0- 1 como:
La pérdida esperada L (̄dxf ) = E{L(dxf ,Yf )} es la probabilidad queobservaciones futuras de Yf caigan fuera de S; ejemplo, la
probabilidad de no conformidad de observaciones futuras.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 22/81
• La función pérdida cuadrática es comúnmente usada
cuando la pérdida puede ser definida como
desviaciones desde los requisitos (valores objetivoY*) en términos de unidades monetarias, Esta
función pérdida es definida como:
donde C es una matriz definida positiva determinada
por las consideraciones tales como costos o pérdidas
financieras. La función pérdida cuadrática puede ser justificada como una aproximación a la función
pérdida verdadera usando la expansión de las series
de Taylor (Vining, 1998).
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 23/81
Ejemplo 1: Requisito de calidad el
valor objetivo lo mejor
• Para ilustrar el enfoque teórico de decisión paraseleccionar configuraciones óptimas de respuestamúltiple, se usa el ejemplo de Pignatiello (1993).
• En este ejemplo hay un par de características decalidad requeridas para cumplir ciertos valoresobjetivos, y los costos están bien definidos cuandoestos objetivos no son cumplidos.
• El experimento consiste de 3 factores controlables,
cada uno observado a 2 niveles.
• Para cada combinación de factores controlables , 4réplicas de las 2 variables de respuesta son tomadas.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 24/81
• Los datos del experimento están dados en la
tabla 1. Los valores objetivo para el vector
respuesta Yf están dados mediante Y*={103
73}t, y la matriz de costos es dada como:
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 25/81
Tabla 1
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 26/81
• El objetivo del estudio original es determinar lascondiciones óptimas de operación para elproceso dentro de la región de operación de losfactores controlables.
• Para este ejemplo de “el valor objetivo lo mejor”donde los costos pueden ser definidos, unafunción pérdida de calidad apropiada para
adoptar es la “función pérdida cuadrática”. • Considerando todos los efectos estimados como
en el enfoque directo de Pignatiello (1993) yusando la configuración de parámetros apriori
débil (δ=3;c=10; m=16) los modelos de regresiónobtenidos desde el enfoque Bayesiano (con B ˆdela ec. 4) para las 2 respuestas son:
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 27/81
Aquí, c es seleccionado usando el método 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 parámetros en la ec. A3 y usando la función
fmincon de MATLAB, la configuración de factores óptima se
muestra en la Tabla 2. Esto difiere de la solución de Pignatiello(1993), como es permitida la búsqueda sobre el total del espacio
continuo de factores en lugar de solo en los puntos de diseño
final; haciendo ello posible obtener la menor pérdida.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 28/81
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 29/81
Tomando en cuenta la incertidumbre
del modelo
• El procedimiento anterior asume un subconjuntofijo de predictores para describir los resultados Y,y seleccionar una condición de operación óptimabasada en esta asunción.
• A menudo los predictores útiles de Y no sonconocidos con certeza y puede estar variasconfiguraciones de predictores compitiendo que
pueden explicar Y.• Los ajustes óptimos de d*xf pueden ser sensibles
al asumido modelo de configuración.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 30/81
• La Tabla 3 muestra los ajustes óptimos cuando
9 diferentes subconjuntos de predictores son
asumidos.
• Basar las inferencias y decisiones en un
modelo de configuración “el mejor” único
como si fuera verdad, ignora incertidumbre demodelos , los cuales pueden resultar en
subestimar incertidumbre cuando se tomen
inferencias sobre cantidades de interés. Y porlo tanto afecten a las decisiones basadas en
estas cantidades.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 31/81
Tabla 3
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 32/81
• El enfoque de Modelo Bayesiano PromedioBMA ha sido desarrollado para superar estapreocupación.
• Promedios sobre los posibles configuracionestambién proveen mejor habilidad de predecircomo medición mediante una regla de puntaje
logarítmico que usando cualquier modelosimple.
• Se amplia nuestro enfoque adoptando el BMA
para considerar todas las incertidumbres en elproceso de toma de decisión para optimizar ymejorar la calidad.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 33/81
BMA Promedio de Modelos Bayesianos.
• Se considera el caso donde hay un conjunto de p variables
explicativas potenciales x1 a xp para predecir las krespuestas.
• En la sección previa se asume que el modelo de regresiónes conocido con una configuración fija de predictores X.
• Sin embargo, en muchos casos, el modelo de regresión
exacto es desconocido, y el subconjunto de predictoresútiles es incierto.
• En el modelo de regresión lineal múltiple descrito en laecuación 2 , hay 2p posibles configuraciones de X paraexplicar el output Y.
• Donde cada configuración es definida mediante si lainfluencia de cada coeficiente predictor β es pequeño ogrande, respectivamente.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 34/81
• Se denota cada uno de los 2p posiblesconfiguraciones mediante el vector γ =(γ1, γ2,… γ
p)t.
• Este enfoque de modelos definidos se basa en laidea incluir y excluir cada predictor i en unmodelo basado en un “umbral de significación
práctica”. (George y McCulloch- 1997).• Este vectorp γ binario latente está incrustado en
la distribución de B para cada modelo, con el jth elemento de γ establecido en 0 si la influencia de
β j es suficientemente pequeña que el predictor x j no es necesario en el modelo, y establecido en 1si la influencia es grande.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 35/81
.γ juega un rol de identificador del modelo M descrito enRajagopal y Del Castillo (2005).
• El γth modelo se distingue por la influencia pequeña/
grande de los β ‘s en dicho modelo. • Con la configuración a priori para el modelo completo en laecuación (3) y la configuración a priori débil, Brown et aldemuestran que la distribución posterior de γ está dadacomo:
.p(γ|Y,X) α g(γ) =(|H γ||K γ |)-k/2|G γ|
-(δo+n+k-1)/2. p(γ) (7)
.donde:
H γ=c(Xt γ Xγ)-1
K γ = (Xt
γ Xγ+ H-1
γ)G γ= Q + YtY-YtX γ K γ
-1 X
t γY
X γes la matriz cuyas columnas corresponden al subconjuntoγth de x1,…,xp y …
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 36/81
• … p(γ) es la probabilidad a priori de los γth
subconjuntos. .p(γ|Y,X) puede ser entonces
ser obtenida por la división de cada g(γ) por la
constante de normalización, la cual es
obtenida sumando g(γ) para cada valor γ.
• Esta distribución aposteriori provee una
representación del modelo incierto después
de haber observado los datos Y.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 37/81
Selección de aprioris
• La formulación de arriba se basa en aprioris conjugadasadecuadas para los parámetros en la ecuación (3), conajustes apriori débiles.
• Aprioris alternativas incluyen las aprioris no informativas enPress (2003).
• Aunque las aprioris no informativas son deseables, por queevita el problema de selección de hiperparámetros, paraBMA, esto lleva a constantes normalizadas arbitrarias quecomplican la especificación e interpretación de lasprobabilidades del modelo apriori.
• También resulta en favorecer el modelo nulo en el cálculoaposteriori.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 38/81
• Para la especificación del modelo de espacio a
priori, la mayoría de las implementaciones de
modelos de selección Bayesianos, usan la
independencia apriori de la forma
.p(γ) = ∏wiγi(1-wi)
1- γi; donde wi es la
probabilidad que el predictor i sea
significativo.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 39/81
Distribución Predictiva BMA de Y f
• En lugar de asumir un modelo subconjunto
simple en el análisis, BMA es un enfoque para
incorporar incertidumbre en el modelo.
• Para tomar en cuenta esta incertidumbre en la
predicción de Y f , la distribución predictiva
BMA de Y f para un nuevo conjunto de
regresores x f está dada por:
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 40/81
• Lo cual es una mezcla ó combinación ponderadaa posteriori de la distribución predictivacondicional de cada modelo subconjuntopotencial f (Y
f |Y,x
f ,γ)
• Promediando todos los modelos de subconjuntospotenciales, f (Y f |Y,xf ) incorpora formalmente laincertidumbre del modelo en la distribución
predictiva de Y f .• La distribución combinada también es conocida
como MAP en Rajagopal y Del castillo (2005)
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 41/81
Enfoque de BMA para seleccionar la
configuración óptima
• Formalmente incorporando la incertidumbre del modelo en laecuación (6), la pérdida mínima esperada es dada como:
La ecuación 9 se conoce como la pérdida BMA
promedio de modelos bayesianos. Describe laincertidumbre en L debido a incertidumbre del modelo,
incertidumbre de parámetros y variabilidad natural.
.d* xf es seleccionada para minimizar la pérdida esperada
total.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 42/81
Aspectos prácticos de calculo 1
• Un tema práctico importante para implementar elenfoque BMA para determinar la configuración óptimaes que el número de posibles subconjuntos creceexponencialmente en el número 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 modelosde subconjuntos más probables después delexperimento inicial.
• Hay típicamente mucho menos de 2p subconjuntosdiferentes cuya probabilidad p(γ|Y) tendrá unainfluencia significativa en la ec. 9.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 43/81
Ej 1 continua
• En el ejemplo 1 hay 7 predictores posibles (3 efectosprincipales,3 interacciones de 2 factores y 1 interacción de3 factores).
• Con estos predictores, hay potencialmente 27 subconjuntosde predictores.
• La tabla 2 muestra sólo 1 de los modelos de subconjuntosposibles, uno con todos los posibles predictores.
• Considerando todos los 27 subconjuntos como modelosexplicativos potenciales para describir los datos y usando
wi=w=0.05, calculamos la probabilidad a posteriori de cadasubconjunto con la ec. 7.
• Las probabilidades de los 4 modelos de subconjuntos másimportantes están dados en la tabla 4.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 44/81
• Los predictores en los subconjuntos top son losmismos predictores significativos identificadosmediante la estrategia de modelo de respuestade Pignatiello (1993).
• Las últimas filas de la tabla 3 presentan laconfiguración óptima y pérdida esperada cuandoestos subconjuntos son asumidos.
C d l lt d d l t bl 3
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 45/81
• Comparando los resultados de la tabla 3, vemosque la configuración óptima cuando diferentessubconjuntos de predictores son usados puede
diferir.• La pérdida esperada puede ser sub o sobreestimada cuando diferentes conjuntos depredictores son asumidos.
• En la situación donde el modelo respuestasubyacente es incierto, el enfoque BMA puedeser aplicado.
• Considerando todos los posibles subconjuntos 27
de predictores, el promedio de modelos esobtenido sumando los ֿ L (d xf ) calculados con laec. A3 para todos los subconjuntos, cada pesopor su respectiva probabilidad a posteriori.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 46/81
• La función fmincon de MATLAB es usada paradeterminar d* xf para ֿ LBMA(d* xf ) y la
configuración óptima está dada en la tabla 5.
Comparando con la tabla 3 la perdida esperada del modelo
promedio es ligeramente mayor que el subconjunto mejorsólo. Pero la pérdida promedio de los modelos es menor que
el modelo global o modelo de solo los efectos principales
(modelo top).
b ó d d d l
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 47/81
Obtención de datos adicionales.
Seleccionar corridas adicionales
• Con el objeto de mejorar la pérdida de calidadesperada el experimentador puede:
a. Observar más corridas en la región experimentalactual, o
b. Explorar fuera de la región experimental actual.En la presente investigación se seguirá con a. Si se sigue
con b, se puede seguir el método de gradientedescendente.
Para el caso a, que trataremos a continuación, la idea esmejorar la perdida esperada mediante la mejora de laestimación del modelo y disminución de laincertidumbre en Y f .
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 48/81
• Los datos iniciales se denotan son y1puntos(matriz nxk),
• Los nuevos resultados son Y2 (n2 corridasadicionales).
• Se requiere seleccionar un nuevo diseño eantes de obtener datos.
• Resolver esto es un análisis preposteriori en laestructura Bayesiana.
• Para un γdado, como Y2 no ha sido observado,
la perdida esperada es luego tomada sobreY2:
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 49/81
• Donde e y Y2 están incluidos para indicar quedatos adicionales serán tomados con el diseño e.
• El diseño óptimo e* es el diseño que minimiza al
ec. 10.En el problema del diseño del modelolineal, la selección de e es equivalente aseleccionar la matriz para las corridas adicionalesX2.
• Con las configuraciones a priori en la ec. 3 lospredictivos Y2 de X2 tiene una matriz T condistribución con densidad:
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 50/81
donde:
Como caca corrida en Y2 se asume independiente de las otras
corridas, , cada corrida Y2 tiene una distribución t multivariada
que tiene la misma forma que la ec. 4, con x f remplazada con la
respectiva corrida en X2.
Condicionado sobre Y2, f(Yf|Y2,y1) también tendrán la misma
forma que la ec. 4, con Xγ ahora consistiendo de Xt aumentado
con X2, Y consistiendo de y1 aumentado en Y2, y …
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 51/81
… δ= δ0 + n+ n2. El d*xf es determinado basado en lapredicción a posteriori f(Yf|Y2,y1).
Cuando el modelo fundamental es incierto, en lugar de
asumir un modelo subconjunto único, el enfoque BMApuede ser aplicado teniendo en cuenta laincertidumbre.
Considerando la distribución predictiva BMA de Yf e Y2:
d l d b ó d
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 52/81
Donde: la distribución predictiva BMA para Y2 e
Yf son:
Para evaluar la ec. 12 para cualquier diseño e, la
distribución f(Y2|y1,e) y f(Yf|Y2,y1,e) son requeridas.
Para cada γ, f(Y2|y1,e, γ) tiene la forma de la ec. 11 y
f(Yf|Y2,y1,e) tiene la misma forma de la ec. 4. La selección
de e es equivalente a seleccionar X2.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 53/81
• Para funciones pérdida específicas como lapérdida cuadrática, para cada γ en lasumatoria, la función entre llaves de la ec. 12puede ser obtenida de los resultados delapéndice A, con ˆβ j remplazado con ˆβ2j , elestimado posterior del coeficiente j después
del segundo de experimentos.• Por lo tanto, para evaluar la ec. 12 para
cualquier diseño e, muestras de Monte Carloson primero extraídas de f(Y2|y1,e).
• El Anexo B describe un algoritmo paramuestras de la forma f(Y2|y1,e).
• Entonces cada muestra Y2 i es combinada con
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 54/81
• Entonces cada muestra Y2,i es combinada con
el original y1, y para cada γ, sustituida en los
resultados en el Apéndice A con el objeto de
obtener d*xf, y ֿ L(Y2,i,e,d*xf).
• ˝LBMA(e,d*xf ) es entonces aproximada por:
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 55/81
Aspectos prácticos de cálculo 2
• Cuando el número de factores y las n2
corridas adicionales son pequeñas, es posible
calcular la perdida esperada para todos los
posibles diseños y seleccionar el diseñooptimo e*.En el caso que sean demasiados los
cálculos para evaluar la ec. 12 se sugiere
realizar simulaciones bajo diferentes pares dediseños y observar la pérdida., ver Muller y
Parmigiani- 1995.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 56/81
Ej. 1 continuación
• Suponga, que después de los experimentosiniciales, adicional presupuesto es disponiblepara conducir corridas adicionales.
• Para ello se recomienda, considerar los puntosfinales de la región como puntosexperimentales potenciales.
• Para cada diseño potencial e, X2 esdeterminado y un enfoque de muestreo MCcon N=1000 muestras es usado para calcular
)*,( xf d e L
• La tabla 6 (sgte Diapositiva) da los diseños
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 57/81
• La tabla 6 (sgte. Diapositiva) da los diseños
experimentales óptimos para n2=2 a 4
corridas adicionales cuando se asumen
diferentes modelos. Cuando un γ es asumido,
el muestro es hecho como sigue:
• Para cada diseño e, obtener el
correspondiente X2.
• Entonces para cada muestra i,
= Para cada corrida x* en X2
, la muestra Y2,i
, que
tiene la misma predicción posterior en la ec.
(4) con xf remplazado con x*.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 58/81
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 59/81
= aumentando el nuevo dato con los datos
iniciales y calculando la ecuación A3 para
determinar d*xf y ֿ L(d*xf )(denotado aquí como ֿ L(Y2,i,e,d*xf ) para indicar datos
adicionales Y2 tomados y diseño e)
• Repetir esto para i=1,…,1000 y luego calcular
Donde e* es el diseño que minimiza˝ L(e,d*xf )
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 60/81
• 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 cadaγ para
determinar d*xf , y
• A continuación usar el enfoque de ajustar la
curva de Muller y Parmigiani para determinar
una buena corrida n2=2 diseñado bajo laincertidumbre del modelo.
E t f i l é did
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 61/81
• Este enfoque requiere que la pérdida seaevaluada para una muestra de diseños delespacio de diseño, una función suavizada
ajustada a través de los puntos de muestreo y elestimado diseño óptimo de la función.
• Para muestrear el espacio de diseño, los nivelesde factor para x1, x2 y x3 para la primera ysegunda corridas fue determinada en una mallade espacios iguales [-1,-.5,0,.51]3. Entonces:
• Para cada diseño ev sobre la malla, calcular Y2 con
ec. (11) como se describe en el Apéndice B. Conel valor de Y2, calcular con la ec. (A3) yp( γ|Y2,y1) para cada γ y determinar d*xf .
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 62/81
• Ajustar una función de interpolación suavizada spline(por ejemplo, interpn en MATLAB) a través de lospuntos muestreados y encontrar el mínimo de
la superficie ajustada.• La función suavizada ajustada sirve como un estimado
de la superficie de pérdida ajustada en la ec. (12) y eldiseño óptimo puede ser estimado del mínimo de la
superficie ajustada.• El diseño óptimo estimado de esta superficie ajustadatiene x1 establecido en 0.75 y -1 para la primera ysegunda corridas, y x2 establecido en .65 y .75 para la1ª y 2ª corridas, x3 establecido en -.6 y 1 para la 1ª y 2ª
corridas, respectivamente.• La pérdida esperada estimada de esta superficie
ajustada fue 2.87
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 63/81
• Una evaluación de la pérdida esperada de una
muestra grande MC fue realizada con este diseño
estimado , y la pérdida esperada obtenida fue2.97.
• Como el enfoque de ajuste de curvas permite
buscar en el espacio de diseño continuo, el
diseño obtenido con este enfoque resulta en una
pérdida esperada más pequeña que cuando sólo
los puntos finales fueron buscados en la tabla 6.
• Ver figura 1, que muestra la superficie ajustadacuando ajustes para la 2ª corrida son fijados.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 64/81
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 65/81
• Este enfoque de ajuste de curva provee unenfoque alternativo para estimar el diseñoóptimo cuando el espacio de diseño es
grande.• En lugar de evaluar todos los diseños y
conducir simulaciones MC para cada uno,muestrea un conjunto de diseños y
observaciones y fija una superficie sobre ellospara estimar el mejor diseño.
Ej 2 probabilidad de criterio de calidad
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 66/81
Ej 2 probabilidad de criterio de calidad
de conformidad
• Este ejemplo es un ejemplo de proceso químico
donde una región de aceptación es definida por
subproductos del proceso químico.
• Wold describe el proceso y da los datos delexperimento para reducir la cantidad de
subproductos del procesos químico.
• Se consideran los datos con 4 factorescontrolables y 4 respuestas. Esto es dado en la
Tabla 7.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 67/81
• La región de especificación para las 4 respuestas
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 68/81
• La región de especificación para las 4 respuestases {y1≥91.0, y2 ≤11.5, y3 ≤6.5, y4 ≤ 5.5}.
• Una función pérdida razonable refleja la
conformidad a estas especificaciones es lafunción pérdida 0-1, y la pérdida esperadaentonces las probabilidades de fuera deespecificaciones.
• Considerando el modelo de primer orden coninteracciones de 2 factores y una configuración apriori débil de δ=3, c=20, y m=16, la multivariableentera t de la perdida esperada en (A1) es
evaluada usando las funciones de Genz y Bretz yla configuración óptima es determinada usandola función fmincon en MATLAB.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 69/81
• Las primeras 2 filas en la tabla 8 muestran laconfiguración óptima de este enfoquemultirespuesta bayesiano cuando todos los
efectos principales y las interacciones de 2factores son consideradas, y cuando sólo losefectos principales son considerados.
• Las configuraciones óptimas pueden diferir
bastante (especialmente para x2 y x4) cuandodiferentes predictores se asumen.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 70/81
• Considerando todos los 10 predictores
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 71/81
• Considerando todos los 10 predictores
posibles de efectos principales e interacción
de 2 factores.• La tabla 9 muestra las probabilidades a
posteriori de los 5 subconjuntos más grandes.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 72/81
• En este ejemplo, el mejor modelo subconjuntopara usar no está claro, debido a que lasprobabilidades a posteriori de los pocossubconjuntos de modelos no son altas.
• Sin embargo, estos 5 toman en cuenta más del80% de las probabilidades a posteriori.
• El subconjunto completo con todos los efectos einteracciones de 2 factores es clasificado de 1024th.
• Las últimas 2 filas de la tabla 8 muestran lasconfiguraciones óptimas para el mejorsubconjunto y cuando el promedio de modelos seaplica con los 5 mejores subconjuntos predictoresen la tabla 9.
• En esta tabla se ve claro que las
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 73/81
• En esta tabla se ve claro que lasconfiguraciones óptimas difieren cuandodiferentes modelos de subconjuntos sonasumidos.
• Para ilustración, considerando cada respuestaseparadamente y aplicando el enfoque
univariado propuesto por Rajagopal y DelCastillo (2005) sobre cada uno.
• Los resultados son los de la tabla 10.
• Aquí los top models cubren el 80% de laposteriori.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 74/81
Los top models difieren para respuestas diferentes.
Si la pérdida esperada (probabilidad de no conformidad) es
considerada demasiado alta y los datos actuales son limitados,
uno puede considerar experimentos d corridas adicionalespara mejorar.
Un promedio de más de
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 75/81
5 modelos, tabla 11
muestra la parte
superior del seguimiento
de los diseños
experimentales
obtenidos de la
enumeración total de
todos los posiblesdiseños de corridas
n2=2,3, y los diseños
obtenidos con el
enfoque de ajuste de
curva.
E l t bl t i i
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 76/81
• En las tablas anteriores se aprecia quetomando corridas adicionales se puede
reducir la perdida esperada de 0.675 a cercade 0,635.
• La tabla 12 muestra la mejora de la pérdidaesperada 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.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 77/81
Otros enfoques para modelos
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 78/81
Otros enfoques para modelos
promedio
• A diferencia de lo hecho en el presente
estudio, se pueden aplicar otros enfoques de
promedios bayesianos.
• También hay varios enfoque s de promediosno bayesianos.
ó l
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 79/81
Discusión y conclusiones
• La mayoría de productos y procesos tiene múltiplescaracterísticas.
• En este trabajo, se presenta una estructura unficada mejoray control de calidad de estos productos y procesos.
• Se cuantifica la medición de la calidad con funcionesperdida y se adopta un enfoque teórico para determinar lascondiciones óptimas de operación y los planes deexperimentación futuros.
• En este trabajo supera los enfoques actuales deoptimización de respuesta múltiple tomando en cuenta laincertidumbre del modelo de respuesta.
• Se presentan 2 ejemplos.
5/12/2018 Un Enfoque de Modelado de Promedios Bayesiano Para - slidepdf.com
http://slidepdf.com/reader/full/un-enfoque-de-modelado-de-promedios-bayesiano-para 80/81
• En este trabajo se consideran experimentosadicionales a ser realizados dentro de la regiónexperimental actual y provee varias técnicas debúsqueda del diseño óptimo, con corridas
adicionales.
• Los códigos MATLAB para determinar laconfiguración óptima para pérdida entre 0-1 y
cuadrática vía BMA ver en:• URL http://www.ise.nus.edu.sg/staff/ngsh/
download/matlabdocs/index.php.
é di