Un ejemplo simple lo puede proporcionar una idea de la diversidad de posibilidades de optimizarse un sistema en funcin de algn inters especfico.

Podemos estar interesados en la sntesis de determinada sustancia. En estas circunstancias la eleccin de una propiedad a ser optimizada o funcin objetivo recaer naturalmente sobre la cantidad de sustancia a ser produzida. Se puede especificar la masa o la concentracin de material producido. Sin embargo, la produccin de este material depender de diferentes factores o propiedades, tales como: concentracin de los reactivos que participan en la sntesis, temperatura, presin, pH, etc. Para obtenerse un rendimiento mximo, deveriamos escoger todas las propiedades necesrias para describir el sistema y buscar ajustarlas hasta obtener la mayor masa o concentracin de la sustncia de inters. Sin embargo, podemos considerar que algunas de esas propiedades no deben interferir significativamente en el resultado final y en consecuencia, con la finalidad de obtener resultados significativos ms rapidamente (lo tambin podria ser considerado como un proceso a ser optimizado), seleccionariamos apenas un conjunto restringido de propiedades que creeriamos ser las responsables por la mayor o menor obtencin del producto deseado. Este ejemplo, puede ser considerado tpico para una optimizacin en un trabajo de investigacin. La funcin objetivo fue definida rapidamente y el aspecto de inters en este proceso corresponde a obtener un resultado final nico, en el caso, la mayor cantidad posible del producto deseado. Pero, la eleccin de esta funcin puede tambin volverse un factor extremamente complejo.En la eleccin de la funcin objetivo se debe tener en cuenta, no solamente la obtencin del producto deseado, sino tambin debe minimizar los costos de producin. Estos costos dependen del precio de los reactivos a ser utilizados en la sntesis, el costo de la energia elctrica utilizada, el transporte de la materia prima desde la fuente hasta la indstria, el tiempo de preparacin del producto, etc. La correlacin de todos estos factores a travs de una expresin matemtica puede constituir una funcin objetivo y se puede notar que no debe ser fcil unir todos estos parmetros en una sla expresin. De esta forma, en diferentes circunstancias se acostumbra decir, que "teoricamente" podemos solamente indicar la regin donde se encuentra la situacin deseada en la "prctica". El trmino teoricamente refleja nica y exclusivamente nuestra incapacidad de representar inequivocamente todos los factores que controlan los intereses involucrados en un proceso de optimizacin. Dentro de las actividades habituales con las que los qumicos se enfrentan, podemos considerar los siguientes casos relacionados con la optimizacin de parmetros experimentales[3]: 1)Desarrollo de los Mtodos En el desarrollo de nuevos mtodos analticos y en el mejoramiento o adaptacin de los mtodos ya establecidos, se estudian los factores que demuestran efecto significativo sobre la respuesta del sistema y que pueden ser ajustados para mejorar los resultados del mtodo (por ejemplo, aumentar a sensibilidad, disminuir reacciones paralelas y mejorar separaciones entre seales analticas). 2)Instrumentacin Para que sea obtenido el mejor resultado, instrumentos analticos complejos deben estar perfectamente calibrados a travs de un procedimiento que involucre el ajuste de vrios parmetros instrumentales hasta que la mejor resposta sea obtenida. 3)Tratamiento de Datos Cuando se ajustan datos experimentales a un determinado modelo matemtico conocido, las variables de la ecuacin terica son ajustadas hasta que los valores calculados, segn el modelo, se aproximen lo mximo posible de los valores experimentales.

4) Desarrollo de productos El ejemplo discutido en el texto introductorio demuestra esta posibilidad de optimizacin. El mtodo Simplex es un mtodo secuencial de optimizacin y puede ser empleado, as como el mtodo univariado, tanto para maximizar como para minimizar una respuesta. Un simplex es una figura geomtrica de n dimensiones, constituido de n+1 puntos. Cada dimensin corresponde a una variable a ser optimizada. Un simplex en dos dimensiones es un tringulo, en tres dimensiones es un tetraedro y as sucesivamente. El mtodo puede ser extendido para mayores dimensiones, pero la visualizacin del simplex no ser fcil. A pesar de esto, el mtodo Simplex puede ser aplicado, teoricamente, para la optimizacin de cualquier nmero de variables.

La optimizacin puede ser dividida en etapas que se caracterizan por: a) la definicin de la funcin objetivo (respuesta). Pueden haber uno o ms critrios a ser observados; b) la determinacin de los factores (variables) que presentan influencias significativas sobre la respuesta que se desea optimizar, y c) la optimizacin propiamente dicha, esto quiere decir, buscar la combinacin de los valores de los factores seleccionados que resulten en la mejor respuesta (maximizacin o minimizacin). Un procedimento adecuado para la optimizacin de un sistema qumico debe contener las siguientes etapas: a)Realizacin de experimentos de barredura para caracterizar las variables del sistema, usando un planeamiento factorial [4]; b) Localizacin de la regin ptima o ideal usando el mtodo simplex; c) Confirmacin y/o ajuste fino de la regin ptima, usando planeamiento factorial y/o superficie de respuestas, dependiendo de como se desean obtener los resultados[5

Este mtodo de optimizacin, es clasificado como un mtodo secuencial, y es tambin conocido como mtodo clsico de investigacin, mtodo del factor nico o de estrategia de unfactor-por-vez. En este mtodo, se fijan a un cierto nivel, todos los factores que estn siendo investigados, menos uno de ellos. Entonces, este ltimo es variado hasta que se encuentre la mejor respuesta, despus de esto, este factor es fijado y un nuevo factor sufre variacin. El proceso se repite hasta que todos los factores hallan sido adecuados para dar la mejor resposta. Considere, para un sistema hipottico,la Figura 1 como representacin de las lineas de contorno de la superficie de respuestas obtenida como funcin de las variables X 1 e X2. La superficie ilustrada (superficie de respuestas) puede representar, por ejemplo, la resolucin en el tiempo (respuesta) para una mezcla analizada en cromatografia gaseosa, en funcin del flujo del gas de arrastre (factor X1) y temperatura de la columna (factor X2). La temperatura de la columna (X2) es fijada inicialmente, y el flujo del gas de arraste (X 1) es variado a lo largo del segmento AB y sus extensiones, una respuesta ptima es obtenida en el punto B. El factor

optimizado es ahora tomado como constante y la temperatura de la columna (X 2) es variada a lo largo del segmento BC y sus extensiones, hasta que una nueva respuesta ptima sea obtenida en el punto C. En el desarrollo del proceso de optimizacin ejemplificado, un ciclo de variaciones no es suficiente para definir el ptimo com precisin. Un segundo ciclo debe ser realizado iniciando la variacin del flujo del gas de arraste (X1), a lo largo del segmento CD y sus extensiones con la temperatura de la columna (X2) constante. Varindose la temperatura (X2) y manteniendo el flujo del gas de arraste (X1) constante se debe llegar al punto D que es ms cercano al ptimo real que el ponto C obtenido en el ciclo anterior. As, con el mtodo univariado de optimizacin, se debe efectuar tantos ciclos cuantos sean necesarios hasta observar que no ocurre mejora en el resultado de la optimizacin. Este tipo de procedimento es probablemente el mtodo de optimizacin ms comn en qumica, sin embargo, este mtodo no asegura que la regin ptima sea localizada. El ptimo no ser alcanzado s la superficie de respuesta contiene crestas, tales como las presentadas en la superficie de la Figura 2. Box [6] fue uno de los primeros a notar que en esta situacin el mtodo univariado falla, y un falso ptimo es encontrado. Este error es comn en los sistemas qumicos, donde adems de la interdependencia de factores, la localizacin del ptimo real por el mtodo univariado depende de los valores iniciales escojidos para las variables a ser optimizadas. En la Figura 3, ilustramos el problema de la existencia de la cresta, donde tomando X 2 constante y variando X1 a lo largo del segmento AB y sus extensiones se encuentra un ptimo en B. La presencia de la cresta que crece hacia el noreste no ser detectada y B ser equivocadamente aceptado como el ptimo real. Debemos aclarar que cuanto mayor la interaccin entre las variables, mayor ser la probabilidad de localizacin de un falso ptimo, yea la Figura 4. Por lo tanto, el mtodo univariado es muy bueno para sistemas donde las variables optimizadas son independientes, lo que de hecho es relativamente raro para sistemas qumicos.

Figura 1 - Mtodo univariado.

Figura 2 - Superficie conteniendo vrios mximos y mnimos.

1. Crestas son curvas de nivel elpticas que pueden ocurrir en la topografia de la superficie de respuesta.

Figura 3 - Falla del mtodo univariado en la presencia de una cresta.

Figura 4- Efecto del grado de interaccin entre los factores en la eficiencia del mtodo univariado . a)ninguna interaccin - investigacin eficiente. b)interaccin moderada - investigacin poco eficiente. c)interaccin fuerte - investigacin ineficiente.

El mtodo Simplex es un mtodo secuencial de optimizacin y puede ser empleado, as como el mtodo univariado, tanto para maximizar como para minimizar una respuesta. Un simplex es una figura geomtrica de n dimensiones, constituido de n+1 puntos. Cada dimensin corresponde a una variable a ser optimizada. Un simplex en dos dimensiones es un tringulo, en tres dimensiones es un tetraedro y as sucesivamente. El mtodo puede ser extendido para mayores dimensiones, pero la visualizacin del simplex no ser fcil. A pesar de esto, el mtodo Simplex puede ser aplicado, teoricamente, para la optimizacin de cualquier nmero de variables.

1. El mtodo simplex bsico

El mtodo Simplex, introducido en su forma original por Spendley; Hext y Himsworth [6] , en 1962, no se basa en planeamientos factoriales y por eso requiere pocos experimentos para moverse, desplazndose en la direccin del ptimo. La aplicacin del mtodo Simplex en Qumica Analtica fue efectuada por la primera vez en 1969. El mtodo Simplex original, a lo largo de estos aos, h sufrido modificaciones que obligaron a la distincin del mismo dentro de las estratgias de optimizacin, as el mtodo Simplex original pas a ser llamado de Mtodo Simplex Bsico (MSB). El procedimiento de optimizacin, en el mtodo Simplex, comienza por la eleccin de los n+1 puntos donde ser hecha la evaluacin de la respuesta. En la Figura 5 tenemos un ejemplo del proceso, para el cual la optimizacin empieza con los puntos A, B y C. Evidentemente, por tratarse de un sistema (qumico), la superficie de respuesta mostrada en la figura a continuacin no es conocida, pero es adecuada para ilustrar lo que pasa durante el proceso. No hay necesidad de conocerla previamente, ya que nos interesa la respuesta que ser obtenida en cada experimento previsto por el simplex. Este resultado ser evaluado contra las dems respuestas para que el proceso pueda continuar, siendo que este tipo de desarrollo convierte al simplex en un mtodo del tipo secuencial.

Figura 5 - Progreso de un simplex bi-dimensional en la direccin del ptimo.

Los puntos A, B y C forman un triangulo y a travs del anlisis de la figura anterior, el punto A demuestra tener la peor respuesta de los tres. Una conclusin lgica es que la mejor respuesta est en la direccin opuesta a este punto. Por lo tanto, el simplex es reflejado de forma que el punto D, opuesto al punto A, sea obtenido. Entonces, un nuevo experimento es efectuado en las condiciones experimentales del punto D. Los puntos B, C y D, juntos forman un nuevo simplex. El procedimento es repetido sucesivamente, descartndose la peor respuesta. Por lo tanto, como vemos, el objetivo del mtodo Simplex secuencial es forzar al simplex a moverse para la regin de respuesta ptima. Las decisiones requeridas para que eso sea posible constituyen las llamadas "reglas" del procedimiento simplex.

Reglas para el movimiento del simplex bsico

Regla n 1: Despus de determinar las respuestas de los n+1 experimentos necesarios para iniciar el proceso, com base en el conocimiento ya adquirido sobre el sistema, se debe clasificarlas en mejor [B (the Best)], peor [W (the Worst)] y resultados intermediarios [N (Next to worst)], segn el objetivo de la optimizacin. Regla n 2: El simplex es movido para un simplex adyacente, el cul es determinado descartando la respuesta menos deseada. El vrtice correspondiente a esta respuesta es sustituido por un nuevo vrtice, generado por su reflexin a travs del centroide de la hiperfase de los vrtices restantes. Matematicamente, s los vrtices de un simplex k-dimensional son representados por coordenadas vectoriales P1, P2, ...., Pj, ....Pk, .... Pk+1, la eliminacin de la respuesta no deseada Pj resulta en la hiperfase formada por P1, P2, ...., Pj-1, Pj+1, ....Pk, .... Pk+1 con el centroide definido por: Pc = 1/k (P1 + P2 + .... + Pj-1 + Pj+1 + .... + Pk + Pk+1) Pc = centroide de la hiperfase K = nmero de dimensiones del simplex Pj = vrtice correspondiente a la peor respuesta. El nuevo simplex es definido por esta fase y un nuevo vrtice, P, que corresponde a la reflexin del vrtice rechazado Pj, a travs de la fase por el centroide Pc. P = Pc + (Pc - Pj) Regla n 3: S el punto reflejado, P, tuviera la peor respuesta en el nuevo simplex, probablemente el desplazamiento no est sucediendo en direccin al ptimo. En este caso, se debe rechazar la 2 peor respuesta de este simplex y continuar con la optimizacin. Esta regla es necesaria, pus el simplex puede estar encima de una cresta y la aplicacin directa de la Regla no 2 puede hacer con que el punto P sea reflejado de vuelta al punto anterior como ocurre en la Figura 6a. En este caso el simplex oscila y se vuelve sin recurso (decimos, que se mantiene parado).

Figura 6 - El simplex sobre una cresta: a)falla del simplex; b)progreso del simplex.

La Figura 6b muestra el movimiento de un simplex sobre una cresta donde la Regla no 3 fue empleada entre los simplex DFG y FGH y entre los simplex FIJ y IJK. Esta situacin sucede com frecuencia en la regin del ptimo. S un punto es obtenido cercano a l, todos los otros nuevos puntos tienden a pasar ms all del tope de la curva de respuesta. Entonces, un cambio en la direccin es indicado. En la regin del ptimo, normalmente ocurre el simplex circular en vuelta de un ptimo temporario. Como se puede tratar de un resultado falso, el cual hace, con que el simplex se prenda a l, es necesario la siguiente excepcin adicional a la Regla no 1. Regla n 4: S un vrtice fuera mantenido en k+1 simplex, antes de aplicar la Regla no 2, haga una nueva observacin del vrtice persistente. S el vrtice est realmente cercano al ptimo, es probable que la evaluacin repetida de la respuesta sea consistente y de esta forma el punto ser mantenido. S la respuesta en el vrtice fuera alta por causa de un error de observacin, es improbable que con la nueva evaluacin eso ocurra y por lo tanto, el vrtice ser consecuentemente eliminado. Regla n 5: S el nuevo vrtice encontrrase fuera de los limites aceptables de las variables optimizadas, no se deben realizar observaciones experimentales con estos valores, al contrario se debe atribuir a este la respuesta ms indeseable. La aplicacin posterior de las Reglas nos 2 e 3 obligar al simplex a regresar dentro de los lmites permitidos y este continuar buscando por la respuesta ptima. Cuando un ptimo es localizado, las reglas del simplex lo fuerzan a circular. En la Figura 7 es ilustrado este tipo de efecto observado durante el proceso de optimizacin, en este caso el simplex se presenta "estancado" en un ptimo falso.

Figura 7 - Segundo tipo de falla del simplex sobre una cresta.

Localizacin y tamao del simplex inicial

En la etapa inicial de los experimentos, es recomendable construir un simplex grande para que por s mismo se mueva rapidamente sobre la superficie de respuestas y pueda localizar la regin del ptimo. Para definir ms precisamente el ptimo, se construye un simplex menor y se continua la optimizacin. En el caso que sea necesario, es posible repetir el proceso, dejando el simplex cada vez mas pequeo. Est claro que existe una limitacin para el tamao

del simplex, pus, s este fuera muy pequeo, los errores experimentales pueden enmascarar los verdaderos efectos sobre la respuesta y hacer con que el simplex se traslade irregularmente dentro de un rea cercana al ptimo. Para definicin del primer simplex se debe establecer las variables que estarn sujetas a la optimizacin. Despus, se define el tamao del paso (step size) de cada variable del simplex. Con el auxilio de la Tabla 1, se puede construir el simplex inicial hasta con 7 (siete) factores.

1.Step size: Valor mximo permitido para variar un factor durante la construccin del primero simplex. Tabla 1: Valores para el tamao del paso hasta para 10 factores Vrtice no 01 02 03 04 05 06 07 08 Fatores (variables) C D E 0 0 0 0 0 0 0 0 0 0,817 0 0 0,204 0,791 0 0,204 0,158 0,775 0,204 0,158 0,129 0,204 0,158 0,129

A 0 1,000 0,500 0,500 0,500 0,500 0,500 0,500

B 0 0 0,866 0,289 0,289 0,289 0,289 0,289

F G 0 0 0 0 0 0 0 0 0 0 0 0 0,764 0 0,109 0,756

Ejemplo: Optimizacin de las condiciones de funcionamiento de un cromatgrafo para un determinado anlisis. Variables: 1- Temperatura, C. 2- Velocidad de flujo del gas de arraste, mL/min. 3- Longitud de la columna, cm. Valores iniciales : Temperatura, T = 20 C. Velocidad de flujo del gas de arraste, V = 40 mL/min. Longitud de la columna, C = 200 cm. Pasos de las Variables (Step size, SS): Temperatura => SSt = 10 C. Velocidad del flujo del gas de arraste => SSv = 5 mL/min. Longitud de la columna => SSc = 20 cm. Los vrtices nuevos son obtenidos sumndose al punto inicial el paso de cada variable multiplicado por el factor correspondiente de la Tabla 1. Los experimentos previstos para este ejemplo estn relacionados en la Tabla 2. Tabla 2: Determinacin de los vrtices del simplex inicial Vrtice Inicial Temperatura C Flujo mL/min Longitud de la columna cm

01 02 03 04

20 20 + (SSt . 1) = 30 20 + (SSt . 0,5) = 25 20 + (SSt . 0,5) = 25

40 40 + (SSv . 0) = 40 40 + (SSv . 0,866) = 44,3 40 + (SSv . 0,289) = 41,4

200 200 + (SSc . 0) = 200 200 + (SSc . 0) = 200 200 + (SSc . 0,817) = 216,3

Consideraciones Generales
El mtodo Simplex no requiere el uso de tests estadsticos de significancia por dos razones: a) s las diferencias en las respuestas son grandes al ser comparadas con el error experimental, el simplex se mueve en la direccin correcta. b) s las diferencias son bastante pequeas para ser afectadas por el error experimental, el simplex se mueve en la direccin equivocada. Incluso, un movimiento en la direccin equivocada provocaria una respuesta indeseable, que rapidamente produciria una correccin en la direccin tomada, a travs de las Reglas nos 2 e 3, y el simplex aunque momentneamente fuera de curso, volveria nuevamente en direccin al ptimo. Se debe llevar en cuenta que el mtodo Simplex no puede ser utilizado en la determinacin de variables cualitativas, del tipo presencia o no de un determinado factor. La aplicacin de este mtodo tambin no es aconsejable caso las condiciones experimentales sean de dificil control u obtencin, adems que slo es posible optimizar un factor por vez. En particular, en el uso del mtodo simplex bsico, tres limitaciones son evidentes: Primero: El ptimo solamente es localizado con precisin por casualidad. Segundo: Un ptimo falso puede ser localizado, tal como se puede observar en la Figura 7. Tercero: El progreso del simplex en direcin al ptimo solamente puede ser efectuado en una proporcin constante. Estos inconvenientes motivaron la modificacin del mtodo simplex bsico, convirtindolo ms eficiente en la bsqueda del ptimo, originando el mtodo simplex modificado(MSM).

2. Mtodo simplex modificado

En 1965, Nelder y Mead [7], propusieron modificaciones en el procedimiento original de movimentacin del simplex bsico, que permiti obtener un punto ptimo estacionrio con suficiente precisin y claridad, adems de permitir un desarrollo mas rpido del simplex en direccin al ptimo, originando el denominado Mtodo Simplex Modificado (MSM), donde pueden ser alterados el tamao y la forma del simplex. Las reglas de movimiento del mtodo Simplex bsico son vlidas y a estas fueron aumentadas, por Nelder y Mead, otras que caracterizan el MSM, volvindolo provablemente el ms aplicado en qumica.

Reglas para el movimiento del simplex modificado

Las reglas adicionales de movimentacin del Mtodo Simplex Modificado [1,7], pueden ser mejor entendidas con el auxilio de la Figura 8.

Figura 8 - Andamiento del Mtodo Simplex Modificado.

Figura 8: Andamiento del Mtodo Simplex Modificado Considere el simplex inicial representado por B, N y W en la figura 8. Suponga que W es el vrtice que d la peor respuesta, B la mejor respuesta y N la segunda peor respuesta. As, como en el mtodo simplex bsico, el primer movimiento del simplex modificado es la reflexin y los vrtices para la movimentacin del simplex pueden ser resumidos por la ecuacin: P = Pc + b (Pc - W) P = vrtice para el movimiento del simplex. Pc= centroide. W= vrtice correspondiente a la peor respuesta. b = coeficiente de movimiento del simplex. En el mtodo simplex bsico, el nico valor permitido para el andamiento del simplex es b = 1, correspondiente a la reflexin, generando el vrtice R. Sin embargo, para el Mtodo Simplex Modificado otros valores son permitidos y definidos despus de cada observacin de la respuesta en comparacin con las respuestas obtenidas en los vrtices originales representados por B, N y W. Existen cuatro posibilidades con relacin a la respuesta obtenida en R para ser consideradas, las cules generan las siguientes reglas de movimiento del simplex modificado (observe la Figura 8): Regla n 1: S la respuesta en R fuera mejor que la respuesta en B, indica que el simplex est caminando en la direccin correcta. Se debe realizar una expansin del simplex inicial. Haciendo b = 2 se duplica el tamao del simplex en la direccin deseada y se realiza el experimento en S. S la respuesta en S fuera mejor que las anteriores, el nuevo simplex ser SBN. Regla n 2: S la respuesta en R fuera peor que en W, significa que el simplex adems de no estar caminando en la direccin correcta, est con tamao inadecuado. Se debe realizar una contraccin con cambio en la direccin del simplex RNB, generando el vrtice T, para el cual b = - . S la respuesta en T fuera mejor que en W, el nuevo simplex ser BNT. Regla n 3: S la respuesta en R fuera peor que en N, pero mejor que en W, significa que el simplex est muy grande, pero en la direccin correcta. Se hace una observacin en U (b = ). S la respuesta en U fuera intermediaria entre B y N, el nuevo simplex ser BUN, osea, se hace una contraccin.

Regla n 4: S la respuesta en R fuera intermediaria entre B y N, estas operaciones no son recomendables y el nuevo simplex ser BRN, procedindose como en el caso del simplex bsico. Los movimientos del simplex modificado estn resumidos en la Tabla 3. Los valores de b, correspondientes a la expansin y contraccin del simplex pueden asumir valores diferentes de los relacionados en la tabla 3, pero en general estos son los ms usados. Tabla 3: Movimientos del simplex modificado Coeficiente, b Vrtice Movimiento 2 S Expansin - T CMD* U Contraccin 1 R Reflexin * CMD, contraccin con cambio de direccin

Cuando los recursos adicionales de movimiento del simplex (MSM) se muestren equvocos (principalmente la contraccin), es decir, el simplex no se mueve, se recomienda una reduccin del simplex, tambin llamada de Contraccin Brusca. Es decir, se conserva el vrtice B del simplex y se hacen nuevas observaciones para determinar los otros vrtices nuevos N' y W', representados en la Figura 9 y determinados de la siguiente forma: N' = (B + N) / 2 y W' = (B + W) / 2

Figura 9 - Contraccin Brusca un simplex

La idea, aunque efectiva, sufre dos desventajas. La primera, que requiere de la evaluacin de los nuevos k vrtices del simplex reduzido para que el proceso de optimizacin pueda continuar (donde k es el nmero de factores del procedimento en optimizacin). La segunda, es que el tamao del simplex, cada vez que ocurre una contraccin brusca, es reducido y esto puede

resultar en la convergencia prematura del simplex en la presencia del error experimental.

Mtodo simplex super modificado

Existe an un algoritmo ms sofisticado para la optimizacin utilizando el mtodo simplex, el simplex super modificado [8]. En este mtodo la forma y el tamao del simplex pueden ser ajustados de acuerdo con las caractersticas de la superficie analisada, haciendo la bsqueda por el ptimo an ms eficiente. Sin embargo, el tratamiento matemtico necesrio para su desarrollo se vuelve ms complejo, involucrando el ajuste de equaciones polinomiales, adems, siendo necesario realizar un experimento ms a cada movimiento del simplex.

El planeamiento factorial ha sido muy aplicado en investigaciones bsicas y tecnolgicas y est clasificado como un mtodo del tipo simultaneo, donde las variables de inters que realmente presentan influencias significativas en la respuesta son evaluadas al mismo tiempo [9,10]. Para realizar un planeamiento factorial, se escojen las variables a ser estudyadas y se efetuan experimentos con diferentes valores de estes fatores . A continuacin son realizados experimentos para todas las combinaciones posibles de los niveles seleccionados [4,10]. La Tabla 4 ejemplifica un planeamiento factorial donde son llevadas en cuenta 3 variables: temperatura y concentracin, que son cuantitativas, y la especie de catalisador, que es una variable cualitativa [11].

Tabla 4: Planeamiento factorial de tres variables e dos niveles. Variables Temperatura (T), C Concentracin (C), % Catalisador, (K) Niveles seleccionados 160 20 A Combinaciones exp., y 1 2 3 4 5 T 160 180 160 180 160 C 20 20 40 40 20 K A A A A B 180 40 B

6 7 8

180 160 180

20 40 40

B B B

De una manera general, el planeamiento factorial puede ser representado por , donde "a" es el nmero de factores "b" es el nmero de niveles escojidos. En el ejemplo mostrado en la Tabla 4, se verifica que fueron escojidos dos diferentes niveles para los 3 factores; temperatura, concentracin y catalisador. En funcin de este nmero de factores y de niveles, este planeamiento factorial puede ser indicado como siendo 2, lo que ya sugiere que el nmero de experimentos diferentes a ser realizados es 8. En general, los planeamientos factoriales del tipo son los ms comunes. Uno de los aspectos favorables a este tipo de planeamiento es la realizacin de pocos experimentos. Es bvio que con un nmero reducido de niveles no es posible explorar de manera completa una regin grande en el espacio de las variables. Por lo tanto podemos observar tendencias importantes para la realizacin de investigaciones posteriores. Si bin en el ejemplo de la Tabla 4, las 3 variables hayan sido estudiadas con el mismo nmero de niveles, se puede tener planeamientos factoriales en que sea interesante explotar una o ms variables con un nmero de niveles diferente que las dems. De esta forma la representacin del factorial pasa a ser, por ejemplo, 2 x 3 x 5, esto es, 2, 3 y 5 son niveles para las variables b1, b2 y b3, respectivamente.

Realizacin de experimentos y clculo del error experimental

Algunos cuidados deben ser observados para que se pueda obtener la mxima informacin en la realizacin del planeamiento factorial. Entre estos se encuentran la necesidad de realizar repeticiones de algunos ensayos para que se pueda estimar el error experimental. Los replicas deben ser repeticiones autnticas, debiendo representar adecuadamente el espacio experimental en el cual el planeamiento factorial fue desarrollado. Otro cuidado a ser observado se refiere a la realizacin de los experimentos. Es importante que todos los ensayos y replicas previstos en el desarrollo del factorial sean realizados de forma aleatoria. Estos cuidados tienen por objetivo evitar distorsiones estadsticas que puedan comprometer la calidad de los resultados obtenidos y de los efectos calculados para las variables estudiadas. En los planeamientos experimentales donde las variables son exploradas en 2 niveles es comn codificarlos usando los signos (+) y (-). El atributo de estos signos a los niveles superiores o inferiores es hecho de forma arbitraria y no interfiere en la realizacin de los experimentos o interpretacin de los resultados, adems de permitir esquematisar el planeamiento en la forma de matrices de planeamiento. A partir de estas consideraciones, el ejemplo anterior puede ser representado por la Tabla 5, donde los resultados de las medidas en duplicado y sus medias son mostradas. La respuesta sera, por ejemplo, el rendimiento de una planta piloto industrial. Tabla 5: Matriz de Planeamiento Variables Temperatura (T), C Concentracin (C), % Nivel bajo 160 (-) 20 (-) Nivel alto 180 (+) 40 (+)

Catalisador, (K)

A (-) Replicas

B (+)

exp., y 1 2 3 4 5 6 7 8

T + + + +

C + + + +

K + + + +

Primero 59 74 50 69 50 81 46 79

Segundo 61 70 58 67 54 85 44 81

Media 60 72 54 68 52 83 45 80

Esta codificacin de variables, aunque paresca desnecesaria, es de gran ayuda cuando se realizan los clculos para determinar cual es la influencia de las variables estudiadas y de sus interacciones en el sistema en estudio.

Clculo de los efectos principales y de interaccin

Los efectos son definidos como "la variacin ocurrida en la respuesta, cuando esta se mueve del nivel bajo (-) hacia el nivel alto (+)" y pueden ser clasificados en dos categorias: efectos principales y efectos de interaccin. Para el clculo de los efectos, adems de la codificacin de las variables utilizando los signos (+) y (-), es necesario incluir 4 columnas ms en la matriz de planeamiento del ejemplo citado (Tabla 6). El contenido de estas cuatro columnas representan el efecto de la interaccin entre las variables y es obtenido llevando en cuenta los signos ya atribuidos a las variables involucradas, como s fuese una operacin matemtica de multiplicacin. Para el caso del experimento en la Tabla 6, la interaccin entre la temperatura (-) y la concentracin (-), genera un signo (+), caracterstico de la interaccin entre T y C, representado como (TC). Todas las otras interacciones pueden ser tratadas de la misma forma. Tabla 6: Matriz de planeamiento conteniendo los efectos de interaccin Variables Temperatura (T), C Concentracin (C), % Catalisador, (K) Interacciones Nivel bajo 160 (-) 20 (-) A (-) Replicas Nivel alto 180 (+) 40 (+) B (+)

exp., y 1 2 3 4 5 6 7 8

T + + + +

C + + + +

K + + + +

TC + + + +

TK + + + +

CK + + + +

TCK + + + +

Primera 59 74 50 69 50 81 46 79

Segunda 61 70 58 67 54 85 44 81

Media 60 72 54 68 52 83 45 80

Clculo de los efectos principais

El efecto principal es calculado como la media de los efectos individuales y permite definir cual es el efecto medio de la variable examinada sobre las condiciones de las dems variables, usando la Tabla de Coeficientes en Contraste (signos (+) y (-) en la Tabla 6). Matematicamente el efecto principal puede ser representado por: Efecto Principal = Donde: y corresponde a la media de los efectos individuales de la medida; ( + ) y (-) corresponde al nivel alto y nivel bajo, respectivamente; y corresponde al nmero total de experimentos del planeamiento. Ejemplo: Efecto de la Temperatura, (T): Para el ejemplo de la Tabla 6, tenemos:

Sustituyendo en la equacin:

Una otra manera de llegar al mismo resultado sera usar el esquema del clculo mostrado a continuacin:

Observe que en este procedimiento, el efecto principal fue calculado a travs de la diferencia entre los ensayos para los 2 niveles de temperatura, fijando la concentracin y el catalisador. Esta forma de calcular, si bin no es la ms prctica, conforme descrito por la frmula, permite verificar exatamente lo que ocurre en la mudanza de niveles de la variable estudiada. La sumatoria de los efectos individuales calculados es entonces dividida por 4, obtenindose la media de los efectos, correspondiente al efecto principal de la temperatura.

Efectos secundarios de Interaccin (o de 2 orden):

Considerando, por ejemplo, las variables Temperatura y Concentracin, podemos escribir, de modo anlogo, que el efecto de interaccin entre estas dos variables, ( TC), ser dado por:

Numericamente, para el ejemplo dado en la Tabla 6, tenemos que:

De esta forma: . Esto significa que el efecto de interaccin est dado por la media de la diferencia entre las medias del efecto de la temperatura en relacin al nivel alto (+) y nvel baixo (-) de la concentracin. Un esquema de clculo alternativo para los experimentos descritos en la Tabla 6 sera:

Efecto Trifactorial ( o de 2 orden), (TCK):

En este caso, la interaccin trifactorial Temperatura x Concentracin x Catalisador, ( TCK), puede ser definida como:

Numericamente tendriamos para el ejemplo de la Tabla 6:

Note que la primera sumatoria entre parntesis corresponde a la suma de los valores medios cuyos productos de los signos indicadores de los niveles individuales resultan en un valor positivo para (TCK) y la segunda sumatoria de los trminos entre parntesis corresponden a los valores cuyos productos de los signos indicadores de los niveles individuales resultan en valores negativos para (TCK). Analogamente a los casos anteriores, una otra manera de llegarse al mismo resultado, es considerando la mitad de la diferencia entre las interacciones de TK para los dos niveles de concentracin, C.

Clculo de la desviacin estandar para los efectos

Se puede demostrar que para un factorial del tipo puede ser dada por: , la estimativa de la varianza de los efectos

donde: n corresponde al nmero de replicas de cada conjunto, a es el nmero de factores y S es la estimativa muestral de la varianza de la poblacin. Asumiendo que existen n replicas para cada uno de los experimentos del planeamiento (en el caso, 2), y s yi1, yi2, yi3, ..., yin son observaciones del i-simo experimento, se puede decir que:

es una estimativa de la varianza para el i-simo experimento, donde i=1,2,3,..., es la media respectiva. Combinando las estimativas de los experimentos, se tiene la estimativa de la varianza total:

Considerando entonces que S es una buena estimativa de la varianza poblacional 2, puede escribirse como:

Para el ejemplo mostrado en la Tabla 6, tenemos n=2 (dos replicas); a=3 (tres factores), y el valor de 2 estar dado por:

Efectuando la sumatoria,

, de tal forma que:

As, los efectos y la desviacin estandar del efecto del factorial del ejemplo sern: Temperatura Efecto Principal Concentracin Catalisador TC Efecto Secundario TK CK Efecto Terciario TCK = = = = = = = 23,0 - 5,0 1,5 1,5 10,0 0,0 0,5 1,4 1,4 1,4 1,4 1,4 1,4 1,4

Interpretacin de los efectos del factorial

La interpretacin del resultado puede ser facilitada con el auxlio de la figura 10, en la cual estn representadas graficamente las respuestas obtenidas para los experimentos realizados en funcin de las variables estudiadas. Este tipo de representacin es bastante utilizada y tiene como objetivo dar una visin global de como las variables optimizadas actuan sobre la respuesta del sistema qumico en estudio. Analizando los valores de los efectos (principal y de interaccin) y considerndose la desviacin estandar de estos efectos, se puede concluir basicamente que: 1. Las informaciones obtenidas por el clculo de los efectos principais indican que la temperatura tiene un efecto positivo marcante (+23) y que la concentracin tiene efecto sensible, pero opuesto (-5). 2. Por los clculos de los efectos secundarios se nota que los efectos de la temperatura y del catalisador no pueden ser interpretados separadamente, en razn del gran valor de interaccin entre ellos (+10). Los otros efectos de interaccin son despreciables. As, este anlisis sugiere que el mejor rendimiento deberia ser obtenido con el catalisador B, temperatura ms elevada y concentracin ms baja. A partir de este ejemplo se nota que el planeamiento factorial no determina valores ptimos en una nica etapa, mas este procedimiento indica satisfactoriamente el caminho a ser tomado para que se pueda alcanzar el objetivo propuesto.

Planeamiento factorial fraccionado Es evidente que en el mtodo del planeamiento factorial, el nmero de experimentos puede ser muy elevado, mismo tratndose de un factorial de dos niveles, pus esto depende del nmero de variables que sern evaluadas. Sin embargo, de manera general, las interacciones de orden alto (tercero, cuarto o superiores) son pequeas y pueden ser confundidas con la desviacin estandar de los efectos. De esta forma, es posible efectuar un planeamiento factorial parcial sin que sea necesaria la determinacin de todos los parmetros de interaccin. En este caso, se puede disminuir el nmero de experimentos y an determinar los efectos ms importantes (principales y de interacciones de segundo orden). Este tipo de planeamiento factorial es llamado de Planeamiento Factorial Fraccionado [10,12]. Los factoriales fraccionados ms aplicados son los del tipo , y son llamados de "1/2 factorial", donde a = de variables estudiadas. Factoriales con otras fracciones tambin pueden ser aplicados. Un factorial fraccionado (es decir, cuatro variables a dos niveles cada una) es ejemplificado en la tabla 7. Tabla 7: Ejemplo de factorial fraccionado Variables Experimentos 1 2 A + B C D +

3 4 5 6 7 8

+ + +

+ + + +

+ + + +

+ + +

Construccin del Planeamiento Factorial Fraccionado Como ejemplo, tomemos el Factorial Fraccionado

):

, citado en la Tabla 7.

1. Se hace el planeamiento factorial 2 completo (4 - 1 = 3) en las variables A, B e C. 2. Los signos de las columnas A, B y C son multiplicados y se encuentra el signo para la variable D, para cada uno de los experimentos a ser realizados. Los efectos y la desviacin estandar de los efectos, en este tipo de factorial, son calculados de la misma forma que son calculados en el planeamiento factorial completo. La ventaja que el planeamiento factorial fraccionado presenta sobre el planeamiento factorial completo, es la de permitir evaluar los efectos principales y de interacciones de segundo orden con un nmero menor de experimentos. Por otro lado, la desventaja evidente es que para evaluar los efectos de interaccin de orden superior es necesario completar el factorial con experimentos adicionales. Las aplicaciones ms significativas del planeamiento factorial fraccionado han sido para conocerse el comportamiento de las variables en sistemas complejos y evaluar el comportamiento de interferentes en mtodos analticos [10,12].

Factorial EVOP - Evolutionary Operation

Una otra variacin del planeamiento factorial es el llamado Factorial EVOP (Evolutionary Operation), que no se trata de modificacin del mtodo bsico, sino, de una forma simple de utilizacin de la tcnica para procesos continuos. Sus caractersticas mas importantes son: 1- Es efectuado durante un proceso continuo, que no puede ser parado para efectuar el estudio con el factorial comn. 2- Para evitar grandes mudanzas en el proceso, solo pequeos intervalos en los niveles de las variables son estudiados. 3- Para determinar el efecto de esta mudanza, son hechas diversas medidas en estas condiciones (nmero de veces mayor que lo normalmente utilizado en la escala de laboratrio) y se hace una media de las observaciones. 4- Es realizado por operadores de procesos y en el propio proceso.

5- Es efectuado mientras el proceso se realiza, as no pueden ser estudiadas muchas variables simultneamente, mximo 2 3. 6- El costo de la aplicacin del EVOP es bajo. 7- Se acostumbra adoptar el factorial 2 con un punto central. 8- Despus de analisar los resultados, se ejecutan nuevos factoriales desplazando las variables en el sentido indicado por el factorial anterior. Se repite este proceso hasta encontrar las condiciones ptimas.

Literatura Consultada (3)

1 - Burton, K.W.C.; Nickless, G., "Optimization Via Simplex. Part I. Background, definitions and a simple application". Chemometrics Intell. Lab. Syst., 1987, 1: 135- 149. 2 - Beveridge, G.S.G.; Schechter, R.S. "Optimization: Theory and Practice". McGraw-Hill, New York, 1970. 3 - Deming, S.N.; Morgan, S.L., "Simplex Optimization of Variables in Analytical Chemistry", Anal. Chem., 1973, 45: 278 A-283 A. 4 - Eiras, S.P.; Cuelbas, C. J.; de Andrade, J.C.. "Um Estudo Comparativo sobre a Eficincia de Estratgias Quimiomtricas de Otimizao", Qumica Nova, 1994, 16: 216 - 219. 5 - Fisher, R. A. "The Design of Experiments". Oliver & Boyd, Edinburg, 1935. 6- Splendey, W. ; Hext, G. R.; Himsworth, F. R. "Sequential application of simplex designs in optimization and evolutionary operation" Technometrics, 1962, 4: 441-461. 7 - Nelder, J.A.; Mead,D.R.. "A simplex method for function minimization" Computer J. 1965, 7: 308-12. 8 - Routh,M.W.; Swartz,P.A e Denton,M. B. " Performance of the super modified simplex" Anal. Chem. 1977,49: 1422-1428. 9- Barros Neto, B.; Scarmnio, I.S.; Bruns, R.E. "Planejamento e Otimizao de Experimentos". Editora da Unicamp, Campinas, 1995. 10 - Brereton, R. G. "Chemometrics in Analytical Chemistry - A Review", Analyst, 1987, 112: 1635 - 1657. 11 - Box, G. P. G.; Hunter, W. G.; Hunter, J. S. "Statisics for Experimenter: An Introduction To Design, Data Analysis And Model Building". John Wiley & Sons, New York, 1978. 12 - Legret, M.; Divet, L. "Application of Factorial -designs in Optimization of the Determination of Lead by Electrotermal atomization", Analusis, 1988, 16: 97 - 106.

Literatura Consultada (6)

1 - Burton, K.W.C.; Nickless, G., "Optimization Via Simplex. Part I. Background, definitions and a simple application". Chemometrics Intell. Lab. Syst., 1987, 1: 135- 149. 2 - Beveridge, G.S.G.; Schechter, R.S. "Optimization: Theory and Practice". McGraw-Hill, New York, 1970. 3 - Deming, S.N.; Morgan, S.L., "Simplex Optimization of Variables in Analytical Chemistry", Anal. Chem., 1973, 45: 278 A-283 A. 4 - Eiras, S.P.; Cuelbas, C. J.; de Andrade, J.C.. "Um Estudo Comparativo sobre a Eficincia de Estratgias Quimiomtricas de Otimizao", Qumica Nova, 1994, 16: 216 - 219. 5 - Fisher, R. A. "The Design of Experiments". Oliver & Boyd, Edinburg, 1935. 6- Splendey, W. ; Hext, G. R.; Himsworth, F. R. "Sequential application of simplex designs in optimization and evolutionary operation" Technometrics, 1962, 4: 441-461. 7 - Nelder, J.A.; Mead,D.R.. "A simplex method for function minimization" Computer J. 1965, 7: 308-12. 8 - Routh,M.W.; Swartz,P.A e Denton,M. B. " Performance of the super modified simplex" Anal. Chem. 1977,49: 1422-1428. 9- Barros Neto, B.; Scarmnio, I.S.; Bruns, R.E. "Planejamento e Otimizao de Experimentos". Editora da Unicamp, Campinas, 1995. 10 - Brereton, R. G. "Chemometrics in Analytical Chemistry - A Review", Analyst, 1987, 112: 1635 - 1657. 11 - Box, G. P. G.; Hunter, W. G.; Hunter, J. S. "Statisics for Experimenter: An Introduction To Design, Data Analysis And Model Building". John Wiley & Sons, New York, 1978. 12 - Legret, M.; Divet, L. "Application of Factorial -designs in Optimization of the Determination of Lead by Electrotermal atomization", Analusis, 1988, 16: 97 - 106.

Literatura Consultada (7)

1 - Burton, K.W.C.; Nickless, G., "Optimization Via Simplex. Part I. Background, definitions and a simple application". Chemometrics Intell. Lab. Syst., 1987, 1: 135- 149. 2 - Beveridge, G.S.G.; Schechter, R.S. "Optimization: Theory and Practice". McGraw-Hill, New York, 1970. 3 - Deming, S.N.; Morgan, S.L., "Simplex Optimization of Variables in Analytical Chemistry", Anal. Chem., 1973, 45: 278 A-283 A. 4 - Eiras, S.P.; Cuelbas, C. J.; de Andrade, J.C.. "Um Estudo Comparativo sobre a Eficincia de Estratgias Quimiomtricas de Otimizao", Qumica Nova, 1994, 16: 216 - 219.

5 - Fisher, R. A. "The Design of Experiments". Oliver & Boyd, Edinburg, 1935. 6- Splendey, W. ; Hext, G. R.; Himsworth, F. R. "Sequential application of simplex designs in optimization and evolutionary operation" Technometrics, 1962, 4: 441-461. 7 - Nelder, J.A.; Mead,D.R.. "A simplex method for function minimization" Computer J. 1965, 7: 308-12. 8 - Routh,M.W.; Swartz,P.A e Denton,M. B. " Performance of the super modified simplex" Anal. Chem. 1977,49: 1422-1428. 9- Barros Neto, B.; Scarmnio, I.S.; Bruns, R.E. "Planejamento e Otimizao de Experimentos". Editora da Unicamp, Campinas, 1995. 10 - Brereton, R. G. "Chemometrics in Analytical Chemistry - A Review", Analyst, 1987, 112: 1635 - 1657. 11 - Box, G. P. G.; Hunter, W. G.; Hunter, J. S. "Statisics for Experimenter: An Introduction To Design, Data Analysis And Model Building". John Wiley & Sons, New York, 1978. 12 - Legret, M.; Divet, L. "Application of Factorial -designs in Optimization of the Determination of Lead by Electrotermal atomization", Analusis, 1988, 16: 97 - 106.

Literatura Consultada (8)

1 - Burton, K.W.C.; Nickless, G., "Optimization Via Simplex. Part I. Background, definitions and a simple application". Chemometrics Intell. Lab. Syst., 1987, 1: 135- 149. 2 - Beveridge, G.S.G.; Schechter, R.S. "Optimization: Theory and Practice". McGraw-Hill, New York, 1970. 3 - Deming, S.N.; Morgan, S.L., "Simplex Optimization of Variables in Analytical Chemistry", Anal. Chem., 1973, 45: 278 A-283 A. 4 - Eiras, S.P.; Cuelbas, C. J.; de Andrade, J.C.. "Um Estudo Comparativo sobre a Eficincia de Estratgias Quimiomtricas de Otimizao", Qumica Nova, 1994, 16: 216 - 219. 5 - Fisher, R. A. "The Design of Experiments". Oliver & Boyd, Edinburg, 1935. 6- Splendey, W. ; Hext, G. R.; Himsworth, F. R. "Sequential application of simplex designs in optimization and evolutionary operation" Technometrics, 1962, 4: 441-461. 7 - Nelder, J.A.; Mead,D.R.. "A simplex method for function minimization" Computer J. 1965, 7: 308-12. 8 - Routh,M.W.; Swartz,P.A e Denton,M. B. " Performance of the super modified simplex" Anal. Chem. 1977,49: 1422-1428. 9- Barros Neto, B.; Scarmnio, I.S.; Bruns, R.E. "Planejamento e Otimizao de Experimentos". Editora da Unicamp, Campinas, 1995. 10 - Brereton, R. G. "Chemometrics in Analytical Chemistry - A Review", Analyst, 1987, 112: 1635 - 1657.

11 - Box, G. P. G.; Hunter, W. G.; Hunter, J. S. "Statisics for Experimenter: An Introduction To Design, Data Analysis And Model Building". John Wiley & Sons, New York, 1978. 12 - Legret, M.; Divet, L. "Application of Factorial -designs in Optimization of the Determination of Lead by Electrotermal atomization", Analusis, 1988, 16: 97 - 106.