[Música] Olá pessoal tudo bem Neste vídeo nós vamos falar sobre análise rígida para superfície de resposta vou fazer uma breve explicação aqui da teoria e logo depois nós vamos fazer uma implementação no R Tá ok então é o seguinte pessoal quando nós queremos otimizar um modelo de segunda ordem completo uma superfície de resposta uma opção mais simples seria a obtenção do ponto estacionário ou ponto de inflexão então se eu coloco o modelo nessa forma matricial aqui onde X é um vetor de variáveis de controle ou de fatores de controle B minúsculo é um vetor de
coeficientes de primeira ordem e b maiúsculo é uma matriz de coeficientes de segunda ordem os coeficientes de segunda ordem puros ou coeficientes quadráticos e os coeficientes de interação de segunda ordem tranquilo e beta 0 é uma constante a partir desse modelo aqui se eu derivo igual a zero eu posso obter o ponto estacionário o ponto de inflexão como sendo - me2 da inversa da matriz b vezes o vetor B minúsculo esse ponto estacionário garante que nós estamos otimizando a superfície de resposta aquela função modelada nem sempre por quê isso aqui é o que a gente
chama de condições de otimalidade de primeira ordem conforme eu já expliquei para vocês mas nós temos que verificar também as condições de otimalidade segunda ordem ou análise canônica que é onde nós vemos os sinais dos autovalores caracterizamos a superfície de resposta e vemos se ela tem de fato ponto de inflexão no mesmo sentido da otimização então se eu quero maximizar essa função e eu vejo lá que os autovalores a partir da diagonalização os autovalores obtidos são menores que zero são negativos eu sei que a minha matriz b é negativa definida a minha superfície de resposta
tem convexidade para baixo e portanto o ponto estacionário é um ponto de máximo Então na hora que eu aplico o ponto estacionário aqui na minha função né o valor obtido aqui previsto ele maximiza a resposta o problema é o seguinte quando eu tenho por exemplo uma função que eu desejo Minimizar e obtenho um ponto estacionário de máximo ou então um ponto estacionário de Sela ou seja sempre que o tipo de ponto estacionário Diverge do meu objetivo na otimização encontrar o ponto estacionário não resolve o problema não otimiza o problema para isso nós aplicamos A análise
rígida Tranquilo então vamos entender o que seria a análise rígida nós podemos dizer que a análise rígida é também a otimização não linear restrita quando que eu vou aplicar otimização não linear restrita ou análise rígida quando eu tenho uma modelo por exemplo similar a esse daqui Ó esse modelo se eu fizer a diagonalização diagonalização da matriz b ou da Matriz H que é esse an derivada de segunda ordem do nosso modelo aqui nós vamos obter os alov valores por exemplo eu vou considerar aqui k = 2 então amb 1 e amb 2 mistos então Possivelmente
aqui Possivelmente não certamente pela ilustração aqui da superfície de resposta eu vou ter um alto valor positivo e um negativo Então minha Matriz lambda pode ser mais ou menos assim ó vou chutar aqui ó amb 1 é negativo e esse lambda 2 é positivo tá então isso implica que o meu ponto estacionário aqui é um ponto de cela né Mesmo depois eu tirando aqui o efeito da interação n Eu dei um giro na minha superfície de resposta e fiquei com ela diagonal aqui diagonalize a matriz B eu ainda vou ter aqui sentidos de V Cidade
opostos para as duas variáveis então o ponto estacionário ele não maximiza e também não minimiza a função é simplesmente um ponto ali de inflexão mas que em termos de otimização não tem muita importância pra gente Então nesse caso aqui o ponto estacionado não resolve o problema então nós vamos ter que fazer a otimização não linear restrita que é chamada de análise rígida aqui no contexto da metodologia de superfície de resposta basicamente A análise rígida eu posso representar ela aqui como um problema de otimização onde eu quero otimizar a nossa função colocar ela aqui novamente beta0
+ x transposta b minúsculo mais x transposta b maiúsculo x sujeito a uma restrição relacionada ao seu planejamento você pode dizer aí que é uma restrição de espaço a mostral ou de região experimental tranquilo como que eu vou representar essa restrição no caso do CCD Olha só eu coloquei aqui os pontos de um planejamento CCD que é o planejamento com Posto Central você sab que tem 2 elevado a k pontos fatoriais e tem 2 x k pontos axiais que estão aqui nos extremos dessa Cruz que eu estou fazendo tá e tem algumas replicações aqui no
Ponto Central Então quando você tá trabalhando com planejamento CCD mas quando você quer fazer a análise rígida o seu ótimo tem que estar restrito nessa região aqui então se eu considero um CCD o que que seria essa região aqui seria uma equação no caso bidimensional da circunferência no caso tridimensional lógico de uma esfera A partir de k = 4 você não consegue visualizar mais aí é comum dizer hiperesfera a parte de k = 4 mas essa região aqui vai ser descrita de forma matricial por x transposta x tá menor ou igual ao raio que é
Alfa elevado quadado eu vou colocar isso aqui para um caso específico pra gente conseguir enxergar isso de forma mais fácil vou só destacar isso aqui antes V fazer para k = 2 Então vamos lá V minimizar o modelo que vai ser da seguinte forma Y = Beta 0 + beta1 X1 + beta2 X2 + beta1 X1 qu + Bet 22 X2 qu + Beta 1 2 X1 X2 essa restrição aqui vou colocar aqui ó sujeito a dessa forma aqui matricial x transposta x recordando aqui ó x seria o quê nosso vetor de variáveis de controle
X1 X2 até xk então na hora que eu multiplico esse vetor pela transposta dele O resultado vai dar isso aqui ó X1 qu + X2 qu para cá igual a 2 eu vou ficar aqui né Se tivesse um k maior que 2 eu continuaria né somando os quadrados isso aqui menor ou igual a Alfa quadrado só que o alfa para o CCD rotacioná-lo então se eu minimizo dá uma olhada aqui o mínimo tá indo pra região em azul se eu derivo igualo a zero enquanto o ponto estacionário o ponto estacionário seria por aqui assim ó
né que seria esse ponto de cela que não é um ponto nem de mínimo e nem de máximo Mas a partir do momento que eu começo a trabalhar minimização aqui restrita eu vou obter esse ponto ótimo restrito aqui ó eu posso colocar aqui ó Isso aqui é o nosso ótimo restrito que obtenho a partir da aplicação de um algoritmo de programação não linear então se eu fosse falar de programação não linear nós iríamos perder muito tempo né mas eu poderia apresentar para vocês diversos métodos aí de otimização não linear restrita né só que aí já
tá um pouco fora do escopo da disciplina né são métodos aí de otimização clássica nós poderíamos aplicar esses métodos aqui sem problemas Tá ok por exemplo o matlab tem vários métodos desse que nós poderíamos aplicar né é o r também tem pacotes para programação não linear restrita tranquilo mas eu vou resolver isso facilmente com vocês aqui utilizando o pacote da metodologia dos perfis de resposta mesmo que é o pacote rsm do professor lenf que nós temos utilizado Tranquilo então depois dessa breve explicação vamos lá pro R para entender a partir de um exemplo então é
o seguinte pessoal peguei aqui um artigo onde deseja se otimizar o conteúdo dos componentes de um catalisador as variáveis ou fatores de controle são a as massas de Cobalto tungstênio e sério e deseja-se otimizar o rendimento de monóxido de carbono então é o seguinte para criar esse planejamento eu vou utilizar aqui para criar e analisar Na verdade o pacote rsm Tá ok então se você quiser ver a documentação desse pacote tá aqui beleza na verdade aqui a documentação do comando rsm que é um dos Comandos aí do pacote tranquilo planejamento composto Central no pacote rsm
é criado com esse com do CCD então chamei de plan o nosso planejamento e aqui eu vou entrar com bases os meus fatores como se fosse um modelo aqui né mas eu entro com X1 X2 X3 porque eu tenho que igual a três fatores tá n0 o número de pontos centrais então coloquei todos os pontos centrais aqui no fim do planejamento tá randomize igual falso Então vou gerar o planejamento na ordem padrão para facilitar a inserção dos dados que é a resposta que tá na ordem padrão o alfa ou o raio do planejamento eu coloquei
aqui o alfa rotacional que é o planejamento CCD que tem as melhores propriedades tá de previsão e também de variância e Aqui é onde eu codifico nesse argumento aqui coding eu coloco os fatores aqui X1 X2 X3 que seriam os nomes ou símbolos dos fatores codificados eu coloco o símbolo deles decodificados aqui subtraio do Ponto Central e divido pela distância entre os pontos centrais e os pontos fatoriais e aí a partir do Alfa que nesse caso aqui rotacionar ra4 2 elevado a k ou seja 2 elevado a 3 que eu tenho k = 3 ele
vai calcular os níveis axiais pra gente decodificar Tranquilo então vamos ver esse planejamento eu posso ver ele aqui aqui eu vejo ele codificado ó e aqui eu já vejo que o alfa é 1,68 tá √4 2 elevado 3 tranquilo tá aqui é seis pontos axiais que são os experimentos 9 ao 14 oito pontos fatoriais e três pontos centrais que são os últimos experimentos mas se eu quiser ver o planejamento nas unidades originais é só ver ele aqui no console Tranquilo então ó 8 12 82 82 assim sucessivamente os fatoriais pro Cobalto aqui aqui os níveis
axiais que pro CCD rotacioná-lo aqui os axiais tranquilo e os níveis centrais aqui 10 1,5 e qu conforme nós colocamos aqui agora eu vou rodar aqui esse vetor que é o vetor de respostas eu coloquei aqui na primeira linha os pontos fatoriais depois os axiais depois os centrais só um pequeno comentário pessoal no artigo tinha dois pontos fatoriais lá que o autor repetiu ele aleatorizar o planejamento colocou em ordem aleatória lá e duas linhas estavam repetidas por exemplo aqui 8 2 e c e talvez aqui 8 do E 5 E aí eu tive que chutar
qual que era qual considerando a linha que tava faltando Então eu não sei mas pode ter dado uma pequena diferença aí infelizmente eu não tinha tempo hábil para contatar o autor e perguntar qual o experimento que era qual ali mas enfim só se você quiser depois pegar e reproduzir artigos tá é muito possível que na maioria das vezes você encontre uma diferença da sua análise para análise do artigo por quê Porque às vezes aqui eu peguei o que o cara colocou lá no artigo mas às vezes quando ele foi analisar no software ele tinha mais
casas decimais aqui ele tinha uma precisão maior Então pode dar um pequeno uma pequena variabilidade aí nos nossos resultados pros resultados do artigo tranquilo mas enfim só esses comentários agora eu vou adicionar aqui a resposta ao planejamento tá então já tenho aqui a coluna de resposta certo pessoal então depois que nós fizemos aqui o planejamento e já adicionamos a resposta eu vou fazer a análise A análise é com o comando aqui rsm do pacote RS E eu simplesmente vou fazer aqui um modelo que é o modelo de segunda ordem so e coloco aqui as três
variáveis tranquilo e data igual a plan é o nome que nós demos ao planejamento então control enter eu armazenei o resultado da análise nessa variável rest de resultado. rsm e agora eu dou um summary e aqui eu vou ver a nossa análise da superfície de resposta então é o seguinte se a gente observar aqui o nosso modelo que tá aqui ó modelo modelo de superfície de resposta aqui são os coeficientes todos foram significativos a 5% beleza de significância alguns foram até um nível de significância mais baixo e o ajuste foi altíssimo Então esse modelo aqui
não adianta tentar melhorar porque não tem como melhorar esse ajuste aqui o r quadrado ajustado quase 99% e aqui nós não tivemos falta de ajuste também na análise de variância ele divide os resíduos aqui para calcular foto de Ajuste o erro puro então é um modelo que tem tem uma capacidade alta aí de explicação da variabilidade dos dados certo e se ajusta bem aos dados aqui é uma nova simplificada tá se eu quiser fazer a nova completa tem que fazer o LM com a mesma sintaxe aqui ó faço só que ao invés de usar rsm
eu faço LM depois eu posso fazer a nova modelo linear Beleza agora depois que eu faço a análise aqui do modelo eu vou ver o ponto estacionário e o tipo de ponto estacionário então aqui tá as coordenadas do ponto estacionário codificadas e aqui né os níveis decodificados tá de co tungstênio e sério em massa em gramas aqui tranquilo só que na hora que eu olho aqui pr pra autoanálise eu vejo que eu tenho um autovalor positivo e dois autovalores negativos então isso significa que a matriz B é indefinida a superfície de resposta ela é uma
cela tem formato de cela e o ponto estacionário não é nem de mínimo nem de máximo Então encontrar o ponto estacionário ou seja esses valores aqui não otimizam a minha função o meu modelo de superfície resposta tá que nesse caso eu quero maximizar Tá então vamos tentar entender um pouco mais para ver aí como que seria o nosso modelo eu vou fazer alguns gráficos mas antes disso eu vou só testar a normalidade aqui dos resíduos r. rsm Vou extrair aqui os resíduos Olha só como eu tive P valor maior que o nível de significância não
rejeita a hipótese de normalidade dos residos tá dessa vez eu não fiz aqui o teste de heterocedasticidade Mas vocês podem fazer utilizando o teste de birch Pagan só pra gente não perder tempo porque eu já fiz muitas vezes vamos direto ao foco da aula então é o seguinte eu vou fazer aqui os gráficos de contorno primeiro eu tô usando esse comando Pair aqui que vai fazer nesse caso aqui duas linhas e três colunas de gráficos tá vou colocar os gráficos aí em painéis em um único gráfico aí eu faço três gráficos de contorno Tá plotando
aos pares X1 X2 X1 X3 e X2 e X3 e e depois três de perspectiva três de superfície Tranquilo então vamos lá então tá aqui os gráficos se a situação fosse só essa aqui ó X1 e X2 Cobalto e tungstenio possivelmente eu teria um ponto estacionário de máximo né uma superfície com convexidade para baixo os al valores negativos Mas como eu tenho uma variável a mais na hora que eu ploto aqui X1 e X3 X2 X3 a gente vê que a superfície Parece mesmo uma cela de cavalo Tranquilo então ponto estacionário que está por aqui
por aqui na verdade aqui são cortes da superfície de resposta né eu não consigo enxergar no R4 Mas enfim se aqui fosse bidimensional né é esse ponto ele não maximiza a função a gente vê que o máximo tá indo pra região branca aqui né nos gráficos de contorno então estaria por aqui assim aqui enfim né o ponto estacionário é simplesmente um ponto onde você tem um ponto de mudança de convexidade aqui tá mas ele não tem significado em termos de otimização ele não serve pra gente Tranquilo então o que fazer nós vamos fazer a otimização
não linear restrita ou análise rígida então o pacote rsm tem esse comando aqui ó steepest que é do método de escalada acentuada que que esse comando faz providenciar o passo de escalada acentuada ou de descida acentuada para um modelo de superfície resposta Esse comando pode ser utilizado para modelos de primeira ou segunda ordem Porque se você tiver com modelo fatorial você testou curvat não tem curvatura na hora que você usa esse comando aqui ele vai te ajudar a deslocar o seu planejamento para você fazer experimentos e encontrar uma região de curvatura Então você tem que
definir um raio e um incremento partindo do zero e até esse raio a partir desse incremento ele vai te dando aqui Quais são os níveis nesse caso de X1 X2 e X3 que vão maximizar ou minimizar a sua resposta aí como que você define aqui nessa função se você tá Maxim iando ou minimizando eu vou colocar aqui nesse caso como eu quero maximizar esse argumento aqui decent igual a false eu vou maximizar minha resposta então isso aqui é basicamente um procedimento de otimização não linear restrita Beleza então é o seguinte antes de rodar aqui olha
só aqui eu coloquei o raio Mas eu ainda não defini o que que é esse raio o raio tá aqui ó o raio seria o raio do CCD que eu já expliquei para vocês quando eu tenho o CCD rotacioná-lo qu de 2 elevado a k √4 é a mesma coisa que elevar a 0,25 então 2 elevado a k nesse caso é 2 elevado a 3 Beleza então vou definir aqui o raio e agora sim eu posso fazer a otimização rígida pronto tá aqui o resultado ó e aqui ele já me dá os níveis codificados tá
da minha resposta naquele raio igual a ra4 2 elevado a k tranquilo e os níveis decodificados e o ótimo restrito 95 V 92 seria o nosso ótimo restrito aí então quando eu tenho Cobalto igual a 10,91 t sten igual a 1,48 e sério ig a 2,47 tudo isso aqui em gramas eu vou ter o rendimento de monóxido de carbono igual a 95,9 2% previsto aproximadamente Tranquilo então é isso aí a otimização restrita eu fiz aqui alguns gráficos também de contorno mostrando para vocês aqui os pontos do planejamento então aqui eu tô plotando ó o gráfico
de contorno mesmo porém eu coloquei ele aqui sem cor tá e aqui eu tô plotando o planejamento ó menos mais menos mais menos raio mais o raio que é os alfa e mais Alfa os pontos centrais tá E para outra variável menos menos mais mais zero e zero menos o raio mais o raio e zero tá aqui eu tô plotando na verdade é é um planejamento simplificado porque a gente tem gráfico de contorno bidimensional então eu tô plotando para cá iG A2 selecionei X1 X2 e depois eu fiz pras outras duas combinações ali e coloquei
aqui os pontos também ó pegando aqui dos dados da otimização os valores de X2 plotados em relação a X1 aqui no gráfico de contorno pra gente ver onde que os pontos ótimos restritos caíram aí em cada combinação aqui de X1 X2 e X3 Tá certo então vamos tentar enxergar isso aí vou rodar aqui agora eu coloquei três gráficos na mesma linha tá então tá aqui pro primeiro gráfico deix deixa eu rodar pros outros dois e depois a gente maximiza aqui para ver Então olha só que interessante aqui ó ponto ótimo restrito tá por aqui já
que nesses outros aqui foi PR foi pra região restrita aqui extrema digamos assim nesse plano então eu vejo como que eu caminhei do Ponto Central que é onde começou digamos assim a caminhada né ou a otimização até o ótimo restrito Então é isso basicamente aqui eu fiz o corte da superfície de resposta no Ponto Central mesmo mas tem como eu desenhar a superfície de resposta no ponto ótimo também aí eu posso fazer isso em um vídeo futuro Tá mas é isso pessoal otimização restrita é muito importante vocês vão ver que em diversos trabalhos onde você
tem k a partir de três fatores principalmente quatro fatores você vai começar sempre a ter os alvores mistos Então você vai ter superfícies de respostas no formato de Sela e portanto você tem que utilizar a otimização restrita tranquilo ou a análise rígida Beleza então isso aqui é muito útil e é muito importante nós poderíamos fazer isso aqui também por exemplo no octave ou no matlab utilizando o algoritmo de programação não linear de programação sequencial quadrática tranquilo mas o r já tem aqui a função já faz isso pra gente de forma bem simples então não tem
por utilizar de recursos adicionais nesse caso Então pessoal por hoje é só se você gostou desse vídeo deixe seu like se inscreva no nosso canal e ative as notificações Muito obrigado