Teora Difusa una Alternativa en la Optimizacin para

la Mejora Continua
Jorge Domnguez Domnguez1 , 2004

Resumen

Mejorar es un objetivo que se desea alcanzar en las distintas actividades y proyectos que
se realizan todos los das. En la actualidad es una necesidad cuando se trata de procesos
industriales. Los mtodos de optimizacin desempean un papel importante para alcanzar
ese objetivo; ya que permite evaluar la existencia y signicancia de una mejora. Tambin son
relevantes en la planeacin de la estrategia que se debe seguir para mejorar las caractersticas
de un proceso. En este trabajo se propone un mtodo de optimizacin utilizando la teora
de conjuntos difusos, se justica con una estrategia grca de optimizacin para la mejora,
y se contrasta sus ptimos con otros mtodos de optimizacin estadsticos.

Palabras clave: Mejora continua, Optimizacin, Modelos de regresin, Plan Experimental,

Curvas de nivel.

Introduccin

Mejorar es una palabra que subyace en casi todas las actividades que se desarrollan cada
da, a la vez, es un parmetro que sirve de referencia para evaluar los avances y logros que
se van consiguiendo en el trabajo. En particular esta presentacin se enfoca a la mejora que
se lleva a cabo dentro de un proceso industrial, se hace esta acotacin debido a la dinmica
que ha adquirido la competencia del mercado en bienes y servicios, No slo la mejora sino
la mejora continua cumplen con un papel importante en los medios de produccin.

Los estudiosos de la evolucin del conocimiento muestran en forma de espiral la adquisicin

del nuevo conocimiento y sin decirlo explicitamente lo que esta atrs de ello es la mejora
continua. Los exponentes en temas de calidad total toman ese concepto y lo describen para
ilustrar como se van alcanzando nuevos conocimientos en el proceso y por ende mejorando
la calidad de los productos.

Juran (1992) ilustra mediante una espiral los avances que se obtenienen al estudiar de manera
secuencial los procesos. Deming propone un crculo que marca el punto de partida para
evaluar los logros que se alcanzan en un proceso, en el crculo se resaltan cuatro puntos
que son planear, hacer, vericar y actuar, una aplicacin de este crculo en la mejora de
1
Centro de Investigacin en Matemticas, A.C., Apdo. Postal 402. Guanajuato, Gto. CP 36867. Mxico.
e-mail jorge@cimat.mx.
un proceso se describe en Reid - Koljonen (1999). Sin embargo este crculo es dinmico,
porque al actuar se genera nuevo conocimiento y existe una mejora en el proceso, se vuelve
al inicio del crculo y con ello va la mejora continua. Box (1999) es otros exponente del
ciclo de mejora y en el describe que el aprendizaje es un proceso iterativo. En resumen se
puede decir que la mejora continua es el nuevo conocimiento que se genera con el proceso de
aprendizaje iterativo. En cada paso se genera nueva informacin esto coincide en el proceso
de construccin del modelo matemtico.

Se parte del hecho de reconocer que la variacin est alrededor de cada actividad que se lleva
a cabo y presente en todo proceso. Todo trabajo es una serie de procesos interconectados y
la identicacin, la caracterizacin, la cuanticacin, el control y la reduccin de la varianza,
ofrece la oportunidad de mejorar.

Exiten diferentes situaciones en las que se desea optimizar o mejorar en forma continua
un proceso, por ejemplo: Aumentar la produccin en un proceso industrial. Disminuir
los costos de produccin y/o de administracin. Minimizar el nmero de impurezas en un
proceso qumico. Reducir los ndices/niveles de contaminacin en procesos industriales.
Ampliar la vida de anaquel de un producto. Mejorar la conabilidad de los equipos.
Desarrollar nuevos productos para incrementar sus propiedades nutritivas y rendimiento.
Obtener una mayor calidad en los productos.

La mejora en un proceso industrial est altamente relacionada con la distancia entre el valor
promedio de la respuesta y un valor de referencia, y con la variacin del proceso. Dentro de
este contexto los mtodos de optimizacin matemtica son relevantes, en ese sentido se han
desarrollado varios mtodos para optimizar conjuntamente la media y la varianza.

En el tema de optimizacin, la planeacin experimental desempea un papel relevante con el

propsito de establecer las condiciones ptimas de operacin de un proceso. En este estudio,
el experimento se restringue a un esquema con rplicas, de tal manera que se genere la media
y la varianza en cada condicin experimental. En ese sentido existen dos respuestas, las que
se pueden modelar en funcin de los factores del proceso. El obtetivo en este trabajo es
proponer una procedimiento de optimizacin conjunto para la media y la desviacin estndar.
En la literatura que trata sobre la optimizacin estadstica se han propuesto varios mtodos
para modelar de manera conjunta la media y la varianza. Un ejemplo industrial ha servido
como referencia para comparar la eciencia de cada nueva propuesta. Aqu se usar el mismo
ejemplo para ilustar el mtodo que se propone, y a continuacin se comparan los resultados
ptimos que generan cada mtodo. Finalmente se har una discusin entorno a la diferencia
de resultados.

El mtodo propuesto se ha desarrollado en el marco de la teora de conjuntos difusos (fuzzy) y

este tiene la ventaja de que considera a ambas respuestas como funcin objetivo. As que no
se optimiza un respuesta con restriccin de la otra, esto da mayor exibilidad para tomar una
decisin en la seleccin de soluciones alternativas. El resto del artculo es como sigue, primero
se describen los parmetros que miden la mejora de un proceso, enseguida la modelacin.
En la siguiente seccin se exponen el mtodo propuesto y los otros mtodos optimizacin.
Finalmente, mediante un ejemplo se hace una breve comparacin de los mtodos propuestos
y se dan las conclusiones de los resultados obtenidos auxiliados por el mtodo grco.

Parmetros que miden la mejora

En los procesos industriales se observan los cambios y las mejoras mediante las cartas de
control. stas constituyen una estrategia operacional para identicar la variacin en la
calidad de los procesos. Las carta de control X y R son tpicas para variables cuantitativas,
distribuciones entorno al valor objetivo y la varianza. La elaboracin e interpretacin de las
cartas se pueden consultar en Breyfole (1999).

Sin embargo un parmetro que es relevante para evaluar la eciencia de un proceso y las
mejoras que sobre ste se hagan, es el conocido como ndice de capacidad Cp. ste se dene
como Cp = LIELSE
6b
; donde en el numerador aparecen los denominados lmites de especi-
cacin inferior (LIE) y superior (LSE) del proceso, stos se establecen con ciertos criterios
a partir de las necesidades de calidad. b toma en cuenta variacin estimada. Un ndice C p
con un valor menor que 1 es inaceptable, valores entre 1 y 1.33 los hacen marginalmente
aceptable, y valores mayores a 1.33 son desables. La estrategia para alcanzar un ndice
deseado es mnimzando b2: Puesto que este ndice no toma en cuenta la media, se propone
uno ms realista denotado por Cpk, ste explica las desviaciones entre la media estimada (b)
y un valor objetivo M que dene una caracterstica de calidad ptima. El ndice se expresa
por:
Cpk = minfC P I; CP Sg:
donde
LIE
b LSE b
CP I = ; y CP S = :
3b
3b

2 jM bj
Cpk = C p(1 k); donde k = :
LSE LIE
Como se observa un proceso mejora cuando est centrado (k = 0) o si la variaza disminuye
2 . En funcin de este planteamiento un objetivo de la mejora continua es centrar el proceso
b
con la menor varianza.

En cada proceso existen una serie de factores que afectan la(s) respuesta(s) -caracterstica(s)
de calidad de un proceso-. Con el prposito de identicar esos factores se propone un plan
experimental. A partir de los resultados experimentales se modelan las respuestas, en este
caso la media y la desviacin estndar.

El esquema experimental se muestra en la Tabla 1, ste tiene la estructura de un doble arreglo

ver Wu y Hamada (2000). Donde X1 ; :::; Xk representan k factores de control los cuales estan
relacionados al proceso y Z1; :::; Zq son q factores de ruido, stos ajenos al proceso. Cada
rengln (xi1; :::; xik , i = 1; :::; n ) corresponde a una combinacin de los valores de los k
factores X, de manera anloga cada columna (zj1 ; :::; zjr ; j = 1; :::; q) son las combinaciones
de los q factores Z: Sin embargo la combinacion referente a los factores de ruido, aqu se
maneja como rplica.

Z1 z11 ::: zr1

: : ::: :
Zq z1q ::: zrq
X1 ::: Xk b
b
x11 ::: x1k y11 ::: yr1 y1 S1
: ::: : : ::: :
xn1 ::: xnk yn1 ::: ynr yn Sn

Tabla 1. Estructura experimental en un doble diseo.

Modelos

Con la estructura experimental propuesta, se calcula la media yi y la desviacin estndar Si

para cada uno de los tratamientos. A estos resultados se les ajusta un modelo mediante el
procedimiento de mnimos cuadrados. El modelo que se propone es de segundo orden y se
expresa por: p
y = 0 + X + xp x + ";
donde 0 es una constante p = ( 1; :::; k ) es un vector de parmetros, X es una matriz
nxk donde n son los tratamientos y k son los factores del proceso, entonces xi = (xi1; :::; xik )
es un vector que corresponde al i esimo tratamiento. es una matriz simtrica de orden
k; en la diagonal aparecen los parmetros que corresponde al efecto cuadrtico, y fuera
de la diagonal estn los parmetros que muestran el efecto de interaccin, es decir =
( 11 ; :::; 1k ; :::; k1; :::; kk ). y es el vector (nx1) de observaciones y " un vector aleatorio, el
cual tiene una distribucin de probabilidad normal.

Cuando en un experimento se realizan rplicas, se pueden ajustar dos modelos, uno para la
media y otro para la desviacin estadndar, los modelos estimados son :
p
(x) = b0 + x b + xp Bx;
b

b p + xp Ax;
b0 + xb
(x) =
respectivamente para la media y la desviacin estndar.
Optimizacin

El planteamiento general de optimizacin para la desviacin estndar como funcin objetivo

es :
optimizar : b(x);
(1) sujeto a : b
(x) = M; M un valor objetivo,
x 2 R(x); la regin experimental. (1)
(2) o (x) > M maximizar:
b
(3) (x) < M minimizar:
b
En la funcin objetivo se puede plantear la optimizacin de la media, es decir :
optimizar : b(x);

(1) sujeto a : b
(x) = L; L un valor objetivo, (2)
x 2 R(x):

El criterio que se considera para proponer la evaluacin global de la optimizacin, consiste

en minimizar el error cuadrtico medio (ECM ). ste considera tanto la distancia entre la
media y el valor objetivo como la varianza. Este se escribe por:
2(x) + (b
ECM = b (x) M )2: (3)

Propuesta de optimizacin (TF)

En el tema de toma de decisiones, la aplicacin de la teora difusa (fuzzy) desempea un

papel relevante en el proceso de optimizacin. Los conceptos y el desarrollo de sta se puede
consultar en Wolkenhauer (2001) y Klir-Yuan (1995). El procedimiento que se formula
para la estrategia de optimizacin, surge de lo que se conoce como la tcnica de orden de
preferencia por similaridad a la solucin ideal, con siglas en ingls (TOPSIS). En este marco
la idea es proponer una tcnica para optimizar conjuntamente la media y la desviacin
estndar. sta consiste en construir un ndice, el ndice toma en cuenta dos soluciones, la
ideal que se desea y una negativa ideal. A continuacin se modela el ndice para obtener
un ptimo, y con ayuda de las curvas de nivel de este modelo se estima el ECM; lo que
permite evaluar la eciencia del resultado y comparlo con otros procedimientos.

Considere la matriz bsica D de la forma:

2 3
y11 y12 ::: y1n
6 y21 y22 ::: y2n 7
D=6 4
7;
::: 5
ym1 ym2 ::: ymn
donde se tienen yj (j = 1; :::; n) atributos o caractersticas y m observaciones que equivalen
a los resultados experimentales en cada tratamiento. En el caso que se examina en este
trabajo hay dos (n = 2) atributos uno para la media y otro para la desviacin estndar.
Procedimiento:

A continuacin se describe en forma algoritmica el procedimiento que se propone en este

estudio.

1. Se identica a las yij por:

yi1 = yi ; (4)
yi2 = Si; (5)
despus se construye variable dij mediante el proceso de normalizacin de la variables
de respuesta yij :
yij
d ij = qP :
y2ij

2. La variable dij se pondera mediante pesos w j y se construyen la variable:

vij = wj dij; (6)
en el marco de la teora difusa existen diferentes criterios para asignar lo wj : Aqu se
proponen los pesos de acuerdo a la Tabla A del apndice.
3. En esta etapa se propone una solucin ptima ideal y se calcula la distancia Di+.
A+ = f(max vij = jjJ ) o (min vij = jjJ) para i = 1; :::; mg
i i
= fA1 ; A+
+ +
2 ; :::; An g,
s
P
n
D+
i = (vij A+ 2
j) : (7)
j=1

Observe que alguna de las respuestas no se restringe a la otra. En este sentido am-
bas respuestas la primaria y la secundaria estn en el mismo nivel y no como en el
contexto del crterio multiobjetivo. Esto da una mayor exibilidad para tomar una
decisin y explorar soluciones alternativas; ver Kksoy y Doganaksoy (2003). Para
el planteamiento de optimizacin establecido en (1), se requiere minimzar b(x) y la
optimizacin de b(x) presenta tres casos: se puede minimizar, maximizar o alcanzar
un valor objetivo M . En esta ltima situacin la respuesta yi1 sep
puede
P 2rescribir como
zi1 = jyi mj entonces minimizar zi1. En ese sentido di1 = zi1 zi1.
4. Tambin se plantea una solucin ideal negativa -que se puede establecer como la peor
de la soluciones- y de manera anloga se obtiene la distancia Di.
A = f(min vij = jjJ) o (max vij = jjJ) para i = 1; :::; mg
i i
= fA
1 ; A2 ; :::; An g,
s
P
n
D
i = (vij A 2
j) : (8)
j=1
 5. Finalmente se obtiene el ndice:
D
Ci = + i ; (9)
Di + Di
tal que si se alcanza la solucin ptima ideal Ci = 1, se logra la solucin ptima para
el proceso. Lo que signica que la solucin ideal positiva tiende a cero. Tambin se
pueden conseguir soluciones alternativas adecuadas, si el ndice tiene valores entre 0.7
y 1. En el caso de que el proceso apoye a la solucin ideal negativa el ndice tiende a
cero.

Las expresiones (4), (5) y nalmente el ndice (9) se obtienen usando los datos generados por
el experimento. Sin embargo, en lugar de esos datos se pueden emplear los valores predichos
por el modelo de regresin cuadrtico o el mejor modelo. En ese sentido la estimacin del
ndice (9) esta en funcin de los modelos, y segn el peso wi para cada una de las variables,
esta relacin se vera reejada en estimacin del modelo de regresin considerando ahora
el ndice Ci como respuesta. El mtodo TF permite la posibilidad de seleccionar rangos
cercanos al ptimo con el n de generar soluciones factibles aproximada a la ideal.

Revisin de los procedimientos de optimizacin

En este apartado se hace una descripcin de los procedimientos cuyo objetivo es encontrar
una mejor respuesta comn para la media y y la desviacin estndar S. Por general se plantea
optimizar una de ellas sujeta a ciertas caractersticas con restricciones de la otra respuesta
y de la regin experimental. En la secuencia del tiempo cada uno de los autores indican
que su mtodo es ms preciso en el proceso de optimizacin, es decir mejora al anterior.
En ese sentido han tomado un ejemplo de referencia para evaluar la precisin del mtodo
propuesto. Vining-Myers (1990) usararon la tcnica de la respuesta dual para optimar de
manera conjunta la y y S. La clave de su propuesta esta en que los modelos deben ser
de segundo orden, conviene sealar que en ocasiones estos modelos no son estadsticamente
signicativos. As el proceso de optimizacin resulta menos preciso si se trabaja con modelos
que no son signicativos, sin embargo varios autores usaron estos modelos para ilustrar sus
mtodos y as evaluar la eciencia de su propuesta, esto lo hicieron as para tener un punto
de referencia. El mtodo propuesto en este trabajo no requiere de esos modelos, sin embargo
se puede hacer una modicacin a las expresiones 4 y 5 sustituyendo los valores predichos
por los modelos en lugar de los observados y construir el ndice Ci. A continuacin se hace
una lista de los procedimientos considerados.

Vining - Myers (VM - 1990): Usan el operador de Lagrange para optimizar conjunta-
mente las respuestas y se conoce en la literatura como respuesta dual:

L(x) = b (x) M):

(x) + (b

La base de este planteamiento esta en funcin de modelos cuadrticos y no del mejor modelo.
Del Castillo - Montgomery (DM - 1993): Usan tcnicas estndar de programacin
no-lneal, su procedimiento es alternativo a la respuesta dual y consiste en el algoritmo
Gradiente Generalizado Reducido. El planteamiento general consiste en:

minimizar: cp x + 0:5xp Qx;

(1) sujeto a: Ax + y = b;
x 0:

donde y es un vector de variables inactivas que describen las restricciones (desigualdades).

Lin - Tu (LT - 1995): Ellos sealan que el esquema de optimizacin propuesta por VM
puede ser engaoso debido a la restriccin que se le imponga a una de las respuestas. El
planteamiento que proponen consiste en optimizar ECM; el cual se escribio en la ecuacin
(3).

Copeland - Nelson (CN - 1996): Reformulan el problema de optimizacin del ECM

poniendo una cota a la distancia entre la media y el valor objetivo, la propuesta es como
sigue:
minimizar : b
(x);
(1) sujeto a : (b
(x) M )2 2 :
Resuelven el problema utilizando el mtodo simplex de Nelder Mead, para ello se optimiza
la funcin
b(x) + :
donde
(x) T )2
(b si (b
(x) T )2 > 2;
=
0 si (b
(x) T )2 2:

Kim - Lin (KL - 1998): Una aproximacin a la modelacin difusa. El problema de

optimizacin se plantea por:

maximizar : :
(1) sujeto a : m(b (x)) > ;
m(b (x)) > ;
x 2 R(x):

Varias funciones m se pueden construir para la solucin de este problema, ejemplo de casos
lineales para la media y la desviacin estndar son:
8
>
> 0 si b
(x) min o si
b(x) max;
>
>
< T b (x)
1 si min b(x) T ;
m(b (x)) = T min
>
> b(x) T

>
>
: 1 max T b(x) max:
T
 8
> 1 si b
(x) min
< max
b(x)
m(b
(x)) = si min < b
(x) < max
>
: max min
0 si b
(x) max
estas funciones pueden escribirse en las restricciones, o como una funcin objetivo.

En el caso no-lineal, una funcin adecuada entre otras, puede ser la exponencial con la
siguiente forma: 8 d
< e edjzj
m(z) = d
si d 6= 0
: 1 e 1
jzj si d = 0
para la media z se dene como:

b(x) T
T b(x)
z = max
= para min b
(x) max
T T min
la desviacin estndar es:
b(x) min

z = para min < b(x) < max
max min
el parmetro caracteriza la forma de la funcin

Vining - Bohn (VB - 1998): Una aproximacin no paramtrica y semiparamtrica para

la estimacin conjunta. La idea es optimizar la funcin propuesta por Lin - Tu ecuacin (3);
usan el kernel de regresin no paramtrico para estimar la varianza y un kernel de regresin
no paramtrico separado del anterior para estimar la respuesta b(x): Finalmente minimizan
EC M (y) mediante el mtodo simplex:

Domnguez - Rocha (DR - 2004) Optimizacin usando curvas de nivel:

1. Se establecen en el plano el conjunto de restricciones. En el caso de la respuesta dual,

la regin queda determinada por un modelo ajustado de segundo orden y la regin
experimental.

2. Se sobrepone la funcin objetivo en la regin de restricciones. Donde la funcin objetivo

es el modelo de segundo orden el cual se quiere optimizar.

Optimizacin mediante el modelo ponderado (MP)

Una de las ideas planteadas desde algn tiempo atrs, es la regresin en dos etapas. El
propsito de esta estrategia es disminuir el impacto de la variabilidad en la estimacin de
un modelo de regresin, ver Harvey (1974) y Atkin (1987). Se utiliza esta idea al caso de
optimizacin conjunta:
 Etapa 1.- Ajustar el modelo (x);
Etapa 2.- Ajustar el modelo y(x) = log(y b
(x))2 :

En este proceso se descompone el espacio de factores en

x = (X1; X2)

donde X1 describir los factores que son signicativos en la Etapa 2, es decir, afectan la
variabilidad; X2 se reere a los factores que son importantes en la Etapa 1. Un procedimento
similar lo propone Chan-Mak (1995). El procedimiento algortmico es:

1. Partir de los supuestos clsicos

2. Identicar los X1 que afectan y(x) (y(x) modelo de segundo orden)

3. Optimizar b
y(X1)

4. Considerar los pesos wi = exp(b

y (X1))

5. Reajustar el modelo (x) = p x + ";

b = (xp wx)1xp wy

6. Se Ajusta el modelo bw (X2) tal que b

w (X2) se aproxime a M . Se obtienen los valores
ptimos de b
w (X2 ):

Ejemplo

Box-Draper (1987) presentan un ejemplo sobre la capacidad de una imprenta para imprimir
tinta de color en unas etiquetas. Se considera que tres factores en tres niveles tienen efecto
en la impresin de la tinta, estos son:

factores niveles 1(-1) 2(0) 3(1)

x1 : velocidad 30 45 60
x2 : presin 90 110 130
x3 : distancia 12 20 28

Este diseo ha servido como referencia a diferentes autores para ilustrar los resultados que
se obtienen al aplicar el mtodo que proponen en la optimizacin de la media y la desviacin
estndar; y los compararan con los resutados obtenidos por otros autores. Aqu se usar
el mismo ejemplo para hacer una comparacin global de todos los resultados. El diseo es
un factorial completo 33: Los datos se muestran en la Tabla 2, en las columnas 8 y 9 se
han calculado para cada tratamiento la media yi1 = yi; y la desviacin estndar yi2 = Si
respectivamente.
Modelos para b(x) y b
(x)

Los modelos que se obtienen al ajustar la media (y) y la desviacin estndar (S) son :

(x) = 327:6 + 177x1+109:4x2 +131:5x3 +32x21 22:4x2229:1x23+66x1x2+75:5x1x3 +43:6x2 x3

b
(10)
Este modelo de segundo orden es el que se ha empleado en la literatura para ilustrar
los diferentes mtodos de optimzacin. El modelo es estadsticamente signicativo con
F (9; 17; 0:05) = 23:94, los efectos cuadrticos no lo son. Tiene un coeciente de deter-
minacin R2 = 91:6 y el CMerror = 5634:77

(x) = 34:9 + 11:5x1+15:3x2+29:2x3+4:2x211:3x22 + 16:8x23+7:7x1x2 +5:1x1x3+14:1x2x3

b
(11)
Este modelo no es estadsticamente signicativo y tiene un R muy bajo, es decir los datos
2

no son explicados por el modelo. Con estos modelos han trabajado los diferentes autores en
su mtodo propuesto. Sin embargo, stos no son los mejores modelos estadsticos con lo que
la precisin de los procedimientos de optimizacin citados en el apartado anterior pierden
precisin.

En referencia al planteamiento indicado en (3), el objetivo es minimizar la desviacin estn-

dar, restringida a la media y a la regin experimental.

Clculo del ndice C{

En este apartado se presentan los resultados que se obtienen con el procedimiento opti-
mizacin propuesto, el cual se resume en la ecuacin (9). El ndice Ci se estima para cada
tratamiento a partir de y y S; su valor se muestra en la penltima columna de la Tabla 2.
Los pesos wi empleados en la expresin (6) se seleccionaron de la Escala 1 en la Tabla A
(apndice). As w1 = 0:750=(0:750 + 0:583) ' 0:56 y w2 = 0:582=(0:750 + 0:583) ' 0:44. Se
pueden usar otras escalas segn el peso o la importancia que se quiera dar a una respuesta.
Las A+i en (7) fueron valores mnimos. En la Tabla 2 se observa, por ejemplo, del tratamiento
23 un ndice de 0.875 y ese valor favorece tanto a y como a S; otros valores favorecen a la
media y no a S. Para evaluar el desempeo global del ndice se construye el modelo de
regresin con esos valores.

El mejor modelo de regresin para el ndice Ci es:

C(x) = 7:8 + 1:6x1+2:6x2+1:5x3x21:8x22 1:2x23:9x1x2:6x1x3

8:9x2 x32:2x21x2 1:5x21x3x3x221:3x2 x23 x1x2 x3

Los coecientes del modelo estn multiplicados por 101 y el modelo tiene las siguientes
caractersticas: es signicativo con F (14; 12; 0:05) = 7:78 (p = 0:005); R2 = 0:9; CMerror =
0:010. El ptimo que se tiene de la ecuacin anterior es para x1 = 0:080, x2 = 1 y x3 = 0:18
y el valor del ndice en este punto es C i = 0:965. Esta es una solucin ptima global para el
proceso, y no se sabe directamente cuales son los valores ptimos para la media y desviacin
estndar, as con ste valor del ndice es difcil obtener una valor para ECM . Para tener una
idea de este ltimo valor y poder comparar los resultados con los otros mtodo se emplear
una estrategia grca.

T rat x1 x2 x3 r1 r2 r3 yi1 = yi yi2 = Si CM CML

1 -1 -1 -1 34 10 28 24.0 12.5 0.315 0.29
2 0 -1 -1 115 116 130 120.3 8.4 0.414 0.302
3 1 -1 -1 192 186 263 213.7 42.8 0.536 0.351
4 -1 0 -1 82 88 88 86.0 3.7 0.379 0.313
5 0 0 -1 44 178 188 136.7 80.4 0.371 0.376
6 1 0 -1 322 350 350 340.7 16.2 0.741 0.582
7 -1 1 -1 141 110 86 112.3 27.6 0.386 0.313
8 0 1 -1 259 251 259 256.3 4.6 0.609 0.437
9 1 1 -1 290 280 245 271.7 23.6 0.637 0.797
10 -1 -1 0 81 81 81 81.0 0.0 0.378 0.33
11 0 -1 0 90 122 93 101.7 17.7 0.383 0.421
12 1 -1 0 319 376 376 357.0 32.9 0.783 0.662
13 -1 0 0 180 180 154 171.3 15.0 0.479 0.389
14 0 0 0 372 372 372 372.0 0.0 0.761 0.633
15 1 0 0 541 568 396 501.7 92.5 0.899 0.883
16 -1 1 0 288 192 312 264.0 63.5 0.626 0.41
17 0 1 0 432 336 513 427.0 88.6 0.97 0.797
18 1 1 0 713 725 754 730.7 21.1 0.633 0.556
19 -1 -1 1 364 99 199 220.7 133.8 0.505 0.265
20 0 -1 1 232 221 266 239.7 23.5 0.584 0.476
21 1 -1 1 408 415 443 422.0 18.5 0.831 0.864
22 -1 0 1 182 233 182 199.0 29.4 0.515 0.365
23 0 0 1 507 515 434 485.3 44.6 0.875 0.767
24 1 0 1 846 535 640 673.7 158.2 0.695 0.471
25 -1 1 1 236 126 168 176.7 55.5 0.464 0.463
26 0 1 1 660 440 403 501.0 138.9 0.851 0.718
27 1 1 1 878 991 1161 1010.0 142.5 0.043 0.029

Tabla 2. Diseo experimental, donde rl es el nmero de rplicas l = 1; 2; 3:

Para cada uno de los modelos (10) y (11) se trazan las curvas de nivel (CNi) y luego estas se
sobreponen. Con el n de poder representar stas se ja un valor de alguno de los tres factores
ver Figura 1. En este caso se jo el factor x3 (x3 = 0:16), a travs de este planteamiento se
crean diferentes escenarios para tener una idea aproximada de y y S: Mediante esta estrategia
se logra un mecanismo de comparacin con los otros mtodos. Es posible conseguir otras
soluciones mediante el procedimiento grco en tal caso es necesario variar el factor x3 entre
-1 y 1, esta idea se presenta en Domnguez - Rocha (DR 2004). Dicho se de paso, la regin
ptima determinada por las curvas de nivel en el plano (x1 ; x2) y (1 x3 1) contiene
las soluciones de los mtodos discutidos en este trabajo y stas se muestran en la Tabla 3.

Con el n de tener una comparacin ms aproximada con los mtodos de optimizacin

propuestos por los diferentes autores, se calcul el ndice C (9), mediante los valores predichos
de los modelos cuadrticos (10) y (11). Los valores para Ci se anotan en la ltima columna
de la Tabla 2, y se denota por CML. En un anlisis comparativo se observ que existe una
estrecha relacin entre ambos ndices Ci, en ese sentido se obtuvieron los mismo resultados
que con el ndice CM. As al aplicar el mtodo propuesto no es necesario ajustar ningn
modelo de regresin previo.

Comparacin de los mtodos

Se aplica cada uno de los mtodos a los datos experimentales descritos en la Tabla 2. Los
valores ptimos exhibidos se muestran en la Tabla 3. Se puede ver que de alguna manera la
mayora de resultados de optimizacin coinciden. Destaca la solucin propuesta por VB, esta
produce un resultado realmente sorprendente mediante mtodos de regresin no paramtrica.

Los resultados del mtodo propuesto en este trabajo coinciden con los resultados propuestos
por el mtodo CN. El mtodo TF resulta competitivo en referencia a los otros, y como
se ha descrito se observa que resulta fcil de obtener. Vale la pena apuntar que los datos
experimentales reportados en el ejemplo expuesto son complicados, puesto que en cada
tratamiento el valor objetivo est lejos de 500 y los que se observan medianamente prximos
la desviacin estndar es grande. Esta situacin provoca un varianza grande para el proceso,
en la prctica hay que profundizar en el estudio de esa varianza para tratar de identicar
algn otro factor que pueda estar afectandola.

Procedimientos x1 x2 x3 media DS var EC M

VM (1990) 0.62 0.23 0.10 500.0 51.8 2679.7 2679.7
DM (1993) 0.98 0.03 -0.18 498.3 45.4 2037.6 2040.4
LT (1995) 1.00 0.07 -0.25 494.0 44.4 1974.0 2005.1
CN (1996) 0.98 0.03 -0.18 498.2 45.3 2035.7 2039.1
KL (1998) 1.00 0.06 -0.25 492.3 44.7 1951.8 2011.1
VB (1998) 1.00 1.00 -0.07 500 7.0 49.10 49.1
MP (1999)# 1.00 -0.07 -0.12 499.1 45.2 2045.6 2046
TF (2001)$ 1.00 0.03 -0.16 494.0 44.4 1972.0 2008.0
DR (2004) 1.00 0.03 -0.16 500 45.4 2025.9 2026.4

Tabla 3. Resultados ptimos de cada uno de los procedimientos de optimizacin

* No se puede comparar con los modelos establecidos de segundo orden porque en el proceso
que ellos realizan, generan nuevos modelos ponderados. Esta es una solucin particular para
un acho de banda en el procedimiento de estimacin. Esta solucin en el sentido prctico es
ventajosa porque los valores de los factores estn en niveles tratados por el proceso.

# Este procedimiento permite reajustar el modelo inicial, el nuevo modelo es similar al

obtenido por el procedimiento de Vining - Bohn, las curvas de nivel desempearan el papel
que las bandas tienen en el procedimiento no paramtrico.

$. Solucin auxiliada por las curvas de nivel de los modelos (10) y (11) y el ndice Ci = 0:85.

Conclusiones

El mtodo de optimizacin TF es prctico, el ndice Ci se calcula de manera directa de los

datos, no requiere de los modelos de regresin y proporciona una solucin global. Si se decide
usar los predichos de los mejores modelos de regresin no mejora su precisin. Puede crear
soluciones alternas dando diferentes pesos, tiene la desventaja de no recuperar la informacin
de la media y desviacin estndar de manera directa para estimar el ECM . Sin embargo el
modelo de regresin del ndice Ci con ayuda de las curvas de nivel ofrece buenas posibilidades
para plantear diferentes alternativas de soluciones ptimas y de esa forma estimar el ECM .

Emplear el mejor modelo regresin o los modelos cuadrticos no mejoran el clculo de los
Ci . De esa manera los Ci calculados directamente de los datos experimentales ofrecen un
ventaja de procedimiento.

Una alternativa al ndice Ci es trabajar con el ndice D+

i ; en este caso el procedimiento
+
conciste en minimizar el valor Di : De ser as, se ahorran clculos y ese ndice tambin
optimiza el proceso.

Es conveninte mencionar que con la tcnica grca es posible obtener puntos ptimos para
mejorar un proceso los cuales no se alcanzan con los otros mtodos, adems, sta permite
crear diferentes escenarios para obtener mejores soluciones en un proceso.

A partir de estos resultados es conveniente seguir trabajando para establecer un criterio

que unique la solucin proporcionada por los diferentes mtodos. Una idea en esa direc-
cin puede ser bosquejar una regin de factible de resultados ptimos y luego mediante un
mecanismo de simulacin encontrar una solucin factible.

Es importante resaltar que no siempre los modelos cuadrticos explican mejor el compor-
tamiento de los datos. Entonces con esa percepcin la sugerencia es proponer modelos que
mejor se ajuste a los datos. Esta es otra lnea de bsqueda para ecientar los procesos de
optimizacin en la mejora continua.
Figura 1. Curvas de nivel para los modelos de regresin Y1: media, Y2: DE, Y3: ndice C.
Una solucin ptimza se muestra en el recuadro.

Agradecimientos

Al Consejo de Ciencia y Tecnologa de Guanajuato por su apoyo al proyecto GTO-2002-

C01-6137.

Referencias

Aitkin, M. (1987). Modelling Variance Heterogeneity in Normal Regression Using GLIM.

Appl. Statist. 36, No. 3, pp. 332-339.

Breyfogle III F.W. (1999). Implementing Six Sigma. John Wiley & Sons, New York, NY.
Box, G. E. P. and Draper, N. R. (1987). Empirical Model Building and Response Surfaces.
John Wiley & Sons, New York, NY.

Box, G. E. P(1999). Statistics as a Catalyst to Learning by Scientic Method Part II - A

discussion. Journal of Quality Technology 31, No. 1, pp. 16-29.

Chan, L.K. and Mak, T.K.(1995). A Regression Approach for Discovering Small Variation
around a Target. Appl. Statist. 44, No. 3, pp. 369-377.

Copeland, K. and Nelson, P. (1996). Dual Response Optimization via Direct Function
Minimization. Journal of Quality Technology 28, No. 3, pp. 331-336.

Del Castillo, E. and Montgomery, D. (1993). A Nonlinear Programming Solution to the

Dual Response Problem. Journal of Quality Technology 25, No. 2, pp. 199-204.

Domnguez, D.J y Rocha, M.R. (2004). Optimzacin Multirrespuesta en Procesos Industri-

ales: Una propuesta grca. Memorias de 18 Foro Nacional de Estadstica.

Harvey, A.C. (1976). Estimating Regression Models with Multiplicative Heteroscedasticity.

Econometrica, Vol. 44, No, 3, pp. 461-465.

Juran, J.M. (1992). Juran on Quality by Design: The new steps for planning quality into
goods and services. The Free Press. United States of America.

Kim, K.J. and Lin, D.K.J. (1998). Dual Response Surface Optimization: A Fuzzy Modeling
Approach. Journal of Quality Technology 30, No. 1, pp. 1-10.

Klir, G.J. and Yuan B. (1995). Fuzzy Sets and Fuzzy Logic: Theory and Aplications.
Prentice Hall. New Jersey.

Kksoy, O. and Doganaksoy, N. (2003). Joint Optimization of Mean and Standard Deviation
Using Response Surface Methods. Journal of Quality Technology. Vol. 35, No. 3, pp. 239-
252.

Lin, D. and Tu, W. (1995). Dual Response Surface Optimization. Journal of Quality
Technology 27, pp. 34-39.

Reid, R.A. and Koljonen, E.J. (1999). The Deming Cicle Provides a Framework for Managing
Environmentally Responsible Process Improvements. Quality Engineering, 12(2), 199-209.

Vining, G.G. and Myers, R. H. (1990). Combining Taguchi and Response Surface Philoso-
phies: A Dual Response Approach. Journal of Quality Technology 22, No. 1, pp. 38-45.

Vining, G.G. and Bohn, R. H. (1998). Response Surfaces for the Mean and Variance Using
a Nonparametric Approach. Journal of Quality Technology 30, No. 3, pp. 282-291.
Wolkenhauer, O. (2001). Data Engineering: Fuzzy Mathematics in Systems Theory and
Data Analysis. John Wiley & Sons, Inc. New York

Wu, C. F. J. and Hamada, M (2000). Experiments: planning, analysis, and parameter design
optimization. John Wiley & Sons, Inc. New York.

Apndice

Escala ! 1 2 3 4 5 6 7 8
Trminos usados#
1.- extre. alto 0.954
2.- muy alto 0.909 0.917 0.909 0.917 0.864
3.- alto-muy alto 0.875 0.701
4.- alto 0.750 0.833 0.717 0.885 0.750 0.773 0.750 0.667
5.- casi alto 0.700 0.584 0.630
6.- poco alto 0.637 0.590
7.- medio 0.583 0.500 0.500 0.500 0.500 0.500 0.500
8.- poco bajo 0.363 0.410
9.- casi bajo 0.300 0.416 0.370
10.- bajo 0.166 0.283 0.115 0.250 0.227 0.250 0.333
11.- bajo-muy bajo 0.125 0.299
12.- muy bajo 0.091 0.083 0.091 0.083 0.136
13.- nada 0.046
Tabla A. Escalas y trminos para calcular los pesos de las variables en la expresin (6).