Redes Neuronales Mejora Calidad Tesis Cevallos

UNIVERSIDAD NACIONAL FEDERICO

VILLARREAL

ESCUELA UNIVERSITARIA DE POSTGRADO

Doctorado en Ingeniera

TTULO:

Redes Neuronales Artificiales aplicadas a la mejora de la calidad

Tesis presentada por el Magster Juan Manuel Cevallos Ampuero para optar el

Grado de Doctor en Ingeniera.

Asesor: Dr. Justo Pastor Solis Fonseca

Lima, 2 de Julio 2008

i

DEDICADO A:

Mis padres

ii

AGRADECIMIENTO

A la Universidad y mis profesores que me brindaron conocimientos para

poder aprender cada vez ms.

iii

NDICE TEMTICO

Resumen ix

Abstract x

Sintesi xi

Introduccin. xii

CAPTULO I.

MARCO DE REFERENCIA

1.1. Antecedentes bibliogrficos del problema. 1

1.2. Marco Terico 15

1.3. Marco Conceptual. 82

1.4. Marco Filosfico 85

1.5. Marco Epistemolgico 100

CAPTULO II.

PLANTEAMIENTO METODOLGICO

2.1. Enunciado del problema 113

2.2. Objetivos 113

2.3. Hiptesis, variables e indicadores 113

2.4. Diseo metodolgico 114

CAPTULO III.

APLICACIN DE LA RED NEURONAL ARTIFICIAL DESARROLLADA Y

RESULTADOS

3.1. Anlisis de las caractersticas de las Arquitecturas de Redes 118

Neuronales y sus posibilidades de aplicar para la Mejora de

la Calidad de procesos.

3.2. Desarrollo de una Arquitectura de Red Neuronal para

Mejora de la Calidad de procesos. 125

3.3. Prueba de comparacin de la Red Neuronal desarrollada

con otras Arquitecturas de Redes Neuronales de Funcin

de Base Radial y con tcnicas tradicionales de mejora de

la calidad de procesos 193

3.4. Aplicacin de la Red Neuronal seleccionada a un caso de

iv

Mejora de la calidad de diseo de procesos 225

3.5. Aplicacin de la Red Neuronal seleccionada a un caso de

mejora de la calidad de un proceso 234

CAPTULO IV

ANLISIS DE RESULTADOS 244

CAPTULO V

DISCUSIN DE RESULTADOS 255

CONCLUSIONES Y RECOMENDACIONES 269

REFERENCIAS BIBLIOGRFICAS 272

ANEXOS

Anexo 1. Informe de Experto consultado sobre el Programa

Cmputo de la Red Desarrollada. 278

Anexo 2. Programa y Listado completo del Programa Desarrollado

de Creacin de Red Neuronal Artificial y de Simulacin para Aplicar

en Mejora de la calidad. 279

Anexo 3. Detalle de clculos en Perceptrn Multicapa con

aprendizaje Backpropagation 286

Anexo 4. Detalle de clculos con Redes Neuronales con

Funciones de Base Radial 293

v

NDICE DE TABLAS

Tabla 1. Aportes de Ishikawa 16

Tabla 2. Etapas de la Calidad 17

Tabla 3. Diseo de Experimentos 19

Tabla 4. ANVA Anlisis de Variancia 20

Tabla 5. Diseo Factorial 21

Tabla 6. Arreglo Ortogonal 23

Tabla 7. Matriz L4 (23-1) 24

Tabla 7a Tabla de Promedios 24

Tabla 8. Sistemas Expertos 33

Tabla 9. Algoritmos de aprendizaje para Perceptrn Multicapa 51

Tabla 10. Anlisis de las caractersticas de las Redes Neuronales

Perceptrn, Adaline y Pereptrn Multicapa 119

Tabla 11. Anlisis de las caractersticas de las Redes Neuronales de

Funcin de Base Radial, Recurrentes y De Aprendizaje no Supervisado 121

Tabla 12. Seleccin de Shell a utilizar 126

Tabla 13. Tabla de arquitectura 128

Tabla 14. Datos del caso de Diseo de Experimentos, Del Castillo, et al. 148

Tabla 15. Comparacin Red Desarrollada Perceptrn Multicapa con

Backpropagation y Anlisis Estadstico Tradicional, para valores

Deseados 149

Tabla 16. Valores deseados y obtenidos con las nuevas entradas. 155

Tabla 17. Valores deseados y obtenidos con las nuevas entradas

PMC-BK 161

Tabla 18. Parmetros de proceso del Caso de Vasconcellos, et al. 161

Tabla 19. Comparacin Red Desarrollada Perceptrn Multicapa con

Backpropagation Algoritmo de Levenmberg_Marquardt y Anlisis

Estadstico Tradicional, para valores deseados 162

Tabla 20. Diseo Experimental del Caso de Vasconcellos, et al. 164

Tabla 21. Respuestas promedio y efecto de cada factor del proceso 164

Tabla 22. Anlisis de Variancia ANVA del caso de Vasconcellos et al. 165

Tabla 23. Residuos/errores del caso de Vasconcellos, et al. 166

Tabla 24. Valores de factores para obtener un valor deseado 173

vi

Tabla 25. Valores de factores para obtener un valor deseado GRNN 186

Tabla 26. Diseo de Experimento y salida del caso de Montgomery 194

Tabla 27. Niveles de los Factores del Caso de Schmidt 195

Tabla 28. Resultados del Experimento del Caso de Schmidt 195

Tabla 29. Niveles de los Factores del Caso de Ross 196

Tabla 30. Resultados de Experimento del Caso de Ross 196

Tabla 31. Comparacin de la Red Desarrollada con Redes Neuronales de

Funcin de Base Radial 197

Tabla 32. Anlisis de variancia del caso velocidad de filtracin 203

Tabla 33. Comparacin de Red Desarrollada con Redes

Neuronales de Funcin de Base Radial 204

Tabla 34. Tabla de resultados, de mejor desempeo para largo y ancho 212

Tabla 35. Comparacin de Red Desarrollada con Redes Neuronales de

Funcin de Base Radial 213

Tabla 36. Tabla de resultados, de mejor desempeo lado izquierdo

y derecho del caso de soldadura 224

Tabla 37. Valores de los Factores y Respuestas del Caso de

Montgomery y Bowles 225

Tabla 38. Valores Transformados de los Factores 226

Tabla 39. Comparacin de Red Desarrollada con Red Newrbe y Anlisis

Estadsticos Tradicionales. 227

Tabla 40. Valores de los Factores y Niveles del Caso de Anand 235

Tabla 41. Resultados del Caso de Anand 235

Tabla 42. Comparacin de Red Desarrollada con Red Newrbe y Anlisis

Estadsticos Tradicionales. 236

Tabla 43. Errores obtenidos en los casos analizados 258

vii

NDICE DE FIGURAS

Figura 1. Ciclo de Deming 16

Figura 2. Funcin Prdida 23

Figura 3. Representacin de datos en Lgica Difusa 30

Figura 4. Red neuronal artificial perceptrn con n neuronas

de entrada, m neuronas en su capa oculta y una neurona de salida. 31

Figura 5. Red Neuronal Biolgica 36

Figura 6. Neurona artificial con varios inputs 37

Figura 7. Proceso de entrenamiento de una Red Neuronal 39

Figura 8. Esquema de una Neurona Artificial (McCulloch-Pitts). 39

Figura 9. Red Neuronal Artificial con una capa oculta. 40

Figura 10. Perceptrn: Red con dos capas (entrada y salida) 41

Figura 11. Perceptrn con R entradas 42

Figura 12. Perceptrn con R inputs y S outputs 42

Figura 13. Red ADALINE 44

Figura 14. Regla de decisin de una Red ADALINE con 2 inputs 45

Figura 15. Perceptrn de dos neuronas con una capa oculta 46

Figura 16. Perceptrn Multicapa, con capa de entrada ms tres capas 46

Figura 17. Perceptrn Multicapa, con capa oculta tansig y capa de

salida purelin con aprendizaje Backpropagation 47

Figura 18. Neurona de Base Radial 52

Figura 19. Red Neuronal de Funcin de Base Radial 53

Figura 20. Red Neuronal de Funcin de Base Radial. Arquitectura 54

Figura 21. Ejemplos de neuronas con conexiones recurrentes 61

Figura 22. Red de Hopfield para n= 4 63

Figura 23. Arquitectura de una red de aprendizaje competitivo 69

Figura 24. Arquitectura de red con capa de aprendizaje competitivo 70

Figura 24a. Arquitectura de red con capa de mapa auto organizativo 72

Figura 25. Logotipo Neuroshell 78

Figura 26. Logotipo Neurosolutions 79

Figura 27. Logotipo Matlab 80

Figura 28. Logotipo SprinN 81

viii

Figura 29. Alan Turing 89

Figura 30. Roger Penrose 91

Figura 31. Hubert Greyfus 93

Figura 32. John Searle 96

Figura 33. Thomas Kuhn 100

Figura 34. Ren Descartes 102

Figura 35. Karl Popper 103

Figura 36. Imre Lakatos 105

Figura 37. Charles Darwin 111

Figura 38. Modelo de la Red Neuronal Desarrollada 128

Figura 39. Flujograma de seleccin de programa de red desarrollada 128

Figura 40. Entrenamiento de La Red. Programa 14r. Fase I. 130

Figura 41. Simulacin de La Red. Programa 14r. Fase II. 133

Figura 42. Entrenamiento de La Red. Programa 15r. Fase I. 139

Figura 43. Simulacin de La Red. Programa 15rr. Fase II. 142


Figura 45. Arquitectura de la Red Perceptrn Multicapa 287


ix

RESUMEN

Con el objeto de superar las limitaciones que tiene el Anlisis Estadstico

Tradicional que se aplica al diseo de experimentos, por trabajar con

relaciones fundamentalmente lineales, se desarroll una metodologa que

aplica Redes Neuronales Artificiales RNA en los diseos de experimentos;

se analizaron diversas arquitecturas y se encontr que las RNA de Funcin

de Base Radial fueron las que dieron mejor resultado; dentro de ellas las

que tuvieron mejor desempeo fueron las de Diseo Exacto. Por ello se

construy la RNA Red Desarrollada que utiliza la distancia de

Mahalanobis, con la cual se obtuvo los mejores resultados. Con la

metodologa desarrollada, que elabora las Redes RNA Directa e Inversa,

adems de poder realizar los clculos que hace el Anlisis Estadstico

Tradicional para el diseo de experimentos, tambin se puede determinar

los valores de los parmetros de entrada con base a las caractersticas de

calidad deseadas. Asimismo, se lleg de determinar que se mejora la

exactitud mediante la optimizacin del clculo de las distancias de los

vectores de entrada a los centros y que la capacidad de interpolacin de los

resultados aumenta en la medida que se incrementa la amplitud hasta cierto

lmite, dependiendo del tipo de datos.

Palabras Clave: Inteligencia artificial, Calidad, Redes neuronales artificiales,

Mejora de calidad, Diseo de Experimentos, Perceptrn multicapa,

Backpropagation, Redes Neuronales Artificiales de Funcin de Base Radial.

x

ABSTRACT

In order to overcome the limitations that has the Traditional Statistical

Analysis that applies to the design of experiments, by working with

essentially linear relations, it was developed a methodology that applies

Artificial Neural Network ANN in the designs of experiments; it was

discussed various architectures and found that ANN with Radial Basis

Function were giving the best result; within that had the best performance

were the ANN with Exact Design. Thus was built ANN "Network

Development" which uses the distance of Mahalanobis, which won the best

results. With the methodology developed, that build Networks RNA direct

and reverse, as well as be able to perform calculations made by the

Traditional Statistical Analysis for design of experiments, you can also

determine the input parameters based on the quality characteristics desired.

Also, there was determined which improves accuracy through optimization

of calculating the distance of input vectors to the centres and that the ability

of interpolation of the results increases in the way that increases the

amplitude up to certain limit, depending the type of data.

Key Words: Artificial inteligence, Quality, Artificial neural networks, Quality

improve, Design of Experiments, Multilayer perceptron, Backpropagation,

Artificial Neural Networks of Function of Radial Basis

xi

SINTESI

Al fine di superare i limiti che ha l'analisi statistica tradizionali che vale per il

disegno di esperimenti, di lavorare con le relazioni essenzialmente lineare,

messo a punto una metodologia che si applica Reti Neurali Artificiali RNA in

Disegni di Esperimenti; discusso varie architetture e rilevato che la RNA di

funzione di Base radiale sono state dando il risultato migliore, nel cui ha

dato loro le migliori prestazioni sono stati i Disegno Preciso. Cos stato

costruito RNA "Rete Sviluppati che utilizza la distanza di Mahalanobis, che

ha ottenuto i migliori risultati. Con la metodologia sviluppata, la compilazione

di reti di RNA diretta e inversa, cos come essere in grado di eseguire calcoli

delle analisi statistiche per il disegno tradizionale di esperimenti, anche

possibile determinare i parametri di entrata basata sulla qualit

caratteristiche desiderato. Inoltre, vi stato quello di determinare che

migliora la precisione mediante l'ottimizzazione del calcolo della distanza di

vettori di entrata i centri e che la capacit di interpolazione dei risultati

aumenta nella misura in cui aumenta le larghezza in una certa misura, a

seconda il tipo di dati.

Parola chiave: Intelligenza Artificiale, Qualit, Reti Neurali Artificiali, a

migliorare la qualit, il disegno di esperimenti, Perceptron multi layer,

backpropagation, Rete Neurale Funzione Base Radiale.

xii

Introduccin

La mejora de la calidad de procesos en los sectores ms competitivos, en la

actualidad, se da en la calidad de diseo de los procesos (ello incluye el diseo

tanto de productos como de servicios), ello se ha identificado como el

Problema que se quiere trabajar. Problema que implica la determinacin de

los principales parmetros que permitan optimizar los diseos de procesos.

Para ello se requiere trabajar con varias variables dependientes e

independientes, las cules no siempre tienen una relacin lineal. Las

herramientas que en la actualidad se utilizan para determinar dichos

parmetros asumen relaciones lineales, obtenindose niveles de error que no

permiten obtener los resultados esperados.

La Delimitacin del Problema, est en que la determinacin de los

parmetros para la mejora de la calidad de los diseos de procesos se utilizan,

principalmente, los diseos de experimentos, diseos factoriales fraccionales,

los Mtodos Taguchi y las metodologas de superficie de respuesta; que tienen

la limitacin de asumir relaciones lineales entre las variables. Frente a esta

situacin algunos investigadores han empezado a utilizar Redes Neuronales

Artificiales, debido a que tienen la ventaja de no asumir relaciones lineales

entre las variables; pero utilizan Redes que han sido creadas para otros

propsitos distintos al de la mejora de la calidad de diseo de procesos. Esta

situacin lleva a considerar el uso de las RNA en la mejora de la calidad de

diseos de procesos muy escasamente debido a que no se obtendrn todas las

potencialidades propias de las RNA. (Lo antes mencionado se aplica tanto para

productos como para servicios).

La Caracterizacin del Problema, se basa en que se requiere disear un

nuevo tipo de Red Neuronal Artificial que permita su aplicacin ms adecuada

para la determinacin de los parmetros de calidad de diseo de procesos,

superando as las limitaciones que las RNA tienen en la actualidad para la

mejora de la calidad de diseo de procesos (tanto de productos como de

servicios).

Con base a lo antes expuesto se tiene que el Problema General es: Una Red

Neuronal Artificial especfica para la mejora de la calidad de diseo de

procesos, dar mejores resultados que los obtenidos con los anlisis

xiii

estadsticos tradicionales para los diseos experimentales y las RNA ya

existentes, para los casos que se trabaje con varias variables dependientes e

independientes y en los que sus relaciones no sean lineales?.

El Objetivo General que se busca es desarrollar una Red Neuronal Artificial

especfica para la mejora de la calidad de diseo de procesos, que d mejores

resultados que los obtenidos con los diseos experimentales y las RNA ya


independientes y en los que sus relaciones no sean lineales.

La Justificacin e Importancia del trabajo de Investigacin, radica en que la

mejora de la calidad en la actualidad se da tanto dentro como fuera de la lnea

de produccin, pero es fuera de la lnea de produccin donde se obtienen los

resultados ms significativos, en la medida que permite innovaciones y nuevos

desarrollos de productos o procesos. Las diversas tcnicas que se utilizan para

la mejora de la calidad por lo general trabajan con relaciones lineales entre

variables independientes y dependientes, lo cual es una limitacin para la

formulacin y/o diseo de nuevos procesos, productos o servicios. La Redes

Neuronales Artificiales permiten establecer relaciones no lineales entre

variables, lo cual es una ventaja con relacin a otras herramientas que se

utilizan para la mejora de la calidad.

Las Redes Neuronales Artificiales RNA han demostrado ser tcnicas que se

pueden utilizar para determinar relaciones entre variables de entrada y salida,

las mismas que despus permiten predecir salidas con base a valores de las

variables de entrada. Estas caractersticas propias de las RNA se vienen

aplicando en diversas reas del conocimiento, especialmente para trabajos de

comparacin de patrones y clasificacin, pero an es muy poco usual que se

apliquen de manera prctica para resolver problemas de mejora de la calidad.

Esta limitacin se debe a que las RNA se han desarrollado para resolver

problemas distintos a los de mejora de la calidad; por tanto para resolver

problemas de mejora de la calidad se requieren desarrollar RNA adecuadas a

dicho objetivo.

No existen textos sobre mejora de la calidad que consideren el uso de las RNA,

debido a que no existe una metodologa para ello. Prcticamente es mnimo lo

avanzado en esta direccin, ello es la justificacin de la presente investigacin;

xiv

es decir, hay un vaco que requiere ser llenado; lo cual es la razn de ser de la

presente Tesis.

Por otro lado la Importancia del Trabajo de Investigacin, radica en que las

RNA permiten determinar relaciones no lineales entre variables dependientes e

independientes. Con base a lo obtenido en las aplicaciones de RNA en otros

sectores, se considera que la aplicacin de las RNA en los trabajos de mejora

de la calidad de los procesos deben permitir llegar niveles muy superiores de

optimizacin y calidad, que los actuales. Como consecuencia de lo anterior,

este logro tambin debe permitir mejoras importantes en la competitividad y

productividad. La mejora de la competitividad y productividad de las empresas,

en especial en los pases en desarrollo, permitir su supervivencia, ya que en

el mundo globalizado que vivimos la mejora permanente es una condicin para

el xito.

Las limitaciones del Trabajo de Investigacin, radica en que las tcnicas de

mejora de la calidad de diseo de los procesos consideradas en el presente

plan son las ms importantes; sin embargo, pueden ser ms dependiendo del

tipo de producto o servicio de que se trate. Constantemente se vienen

desarrollando aportes sobre nuevas tcnicas para la mejora de la calidad,

mejoras de aplicacin de las existentes, combinacin de las mismas; sin

embargo, las seleccionadas para la realizacin del presente trabajo se

consideran que son las ms importantes.

La Hiptesis General, que se propone es que se puede desarrollar una Red

Neuronal Artificial especfica para la mejora de la calidad de diseo de

procesos, que aplicada a los diseos de experimentos d mejores resultados

que los obtenidos con los anlisis estadsticos tradicionales y las RNA ya


independientes y en los que sus relaciones no sean lineales.

En el Captulo I se presenta el Marco de Referencia, donde los antecedentes

bibliogrficos sobre la materia, tratan tanto de temas de calidad como de redes

neuronales artificiales. Asimismo, se presenta el Marco Terico, donde se

consideran catorce grandes temas sobre el asunto de la investigacin,

destacando el tema referido a los principales tipos de Redes Neuronales

Artificiales; es as que se presentan las Redes tipo Perceptrn, Adaline,

Perceptrn Multicapa, Redes de Base Radial, Redes Recurrentes y Redes de

xv

Aprendizaje no Supervisado. Tambin se presenta el Marco Conceptual en

este Captulo, donde se establecen diez conceptos fundamentales. En el Marco

Filosfico, se presentan los pensamientos de los filsofos ms reconocidos de

la antigedad y actuales relacionados con la inteligencia artificial; por otro lado

en el Marco Epistemolgico, se presentan las propuestas de los epistemlogos

ms reconocidos de la actualidad como son Toms Kuhn, Karl Popper e Imre

Lakatos, los cuales nos han orientado en el desarrollo del presente trabajo.

En el Captulo II se presenta el Planteamiento Metodolgico que contienen el

Enunciado del Problema; los Objetivos; la Hiptesis, variables e indicadores

donde se puede apreciar nuestra hiptesis que apuesta a que se puede

obtener mejores resultados en la tarea de mejora de la calidad con diseo de

experimentos utilizando las RNA que con los mtodos de anlisis estadsticos

tradicionales. Asimismo, se presenta la metodologa empleada, la cual se

caracteriz por haber desarrollado una nueva Red Neuronal de Funcin de

Base Radial que se aplic a siete casos tipo de diseo de experimentos de

destacados autores que aparecen en la bibliografa sobre mejora de la calidad

con diseo de experimentos. Se compar los resultados obtenidos con los

mtodos tradicionales y los obtenidos con la nueva Red desarrollada y as

fuimos aproximndonos a nuestro objetivo de manera progresiva.

En el Captulo III, se presentan los trabajos relacionados con la obtencin de

una Red Neuronal Artificial para la mejora de la calidad y su aplicacin, en

primer trmino se seleccionaron dos tipos de redes del total, luego de las dos

se seleccion un tipo de red; y con base a ello se construyo una Red

especfica, la misma que se aplic a los siete casos seleccionados, llegndose

a conclusiones sobre los mejores resultados que se obtuvieron.

En el Captulo IV, se presentan los resultados obtenidos con base a lo

desarrollado en el captulo III; y en el Captulo V se presenta la discusin

realizada con base a los resultados del captulo IV y lo desarrollado en el

captulo III, siguiendo el criterio de tratar cada uno de los elementos de las

redes y discutiendo como lograr el mejor desempeo.

1

CAPTULO I

MARCO DE REFERENCIA

1.1. Antecedentes Bibliogrficos del Problema

CEVALLOS, Juan (2004), en su artculo Aplicacin de Redes Neuronales

para Optimizar Problemas Multirespuesta en Mejora de la Calidad, publicado

en Industrial Data, Volumen 7 N 2; desarrolla una aplicacin de redes

neuronales en problemas multirespuesta para el mejoramiento de la calidad, a

partir de un anlisis conceptual se establece una aplicacin que demuestra la

eficacia de las redes neuronales utilizando el perceptrn multicapa con el

algoritmo backpropagation.

En este trabajo no se utiliza una red neuronal artificial que sea especfica para

mejora de la calidad.

LAWSON, John; MADRIGAL, Jos y ERJAVEC, John, (1992) en su texto

Estrategias experimentales para el mejoramiento de la calidad en la

industria, sostiene que La competencia en el mundo de los negocios est

obligando a las corporaciones industriales a encontrar nuevas formas de

incrementar su eficiencia, especialmente en el proceso de fabricacin y en el

desarrollo de nuevos procesos y productos. Estos ltimos incluyen: pruebas

de prototipo, desarrollo de nuevos componentes y diseo de sistemas,

eleccin de materia prima y determinacin de lmites de tolerancia. Debido a

que generalmente, no se tienen relaciones determinsticas para resolver estos

problemas, las investigaciones industriales o tcnicas, se llevan a cabo

usando mtodos de ensayo y error y/o experimentacin. Es as que se

presentan estrategias sobre los siguientes temas: estrategias experimentales y

diseos factoriales, diseos de diagnstico y factoriales fraccionados,

superficie de respuesta, experimentos con mezclas y anlisis de variancia.

BESTERFIELD, D. (1995) en su texto Control de Calidad, trata de manera

especial sobre las tcnicas de Grficas de control de variables y por atributos;

y Muestreo de aceptacin. Lo cual es fundamental para el control estadstico

de la calidad tradicional.

MONTGOMERY, Douglas (2004), en su texto Diseo y anlisis de

experimentos, en el prefacio indica El presente libro es un texto de

introduccin que aborda el diseo y anlisis de experimentos. ... Refleja

2

asimismo, los mtodos que he encontrado tiles en mi propia prctica

profesional como consultor en ingeniera y estadstica en las reas generales

de diseo de productos y procesos, mejoramiento de procesos e ingeniera de

control de calidad. En dicho libro se presentan los temas : Experimentos

comparativos simples; Experimentos con un solo factor: el anlisis de

varianza; Bloques aleatorizados, cuadrado latinos y diseos relacionados;

Diseos factoriales; Diseos factoriales fraccionados; Mtodos de superficies

de respuesta y otros enfoques para la optimizacin de procesos (incluye

operacin evolutiva y diseo robusto); Experimentos con factores aleatorios;

Diseos anidados y en parcelas subdivididas; Otros tpicos de diseo y

anlisis.

BARBA, Enric; BOIX, Francese y CUATRECASAS, Llus (2001), en su texto

Seis Sigma. Una iniciativa de Calidad Total; sostiene entre otros lo siguiente:

A principios de los ochenta, las empresas an medan su calidad en

porcentajes, por lo general el nmero de defectos detectados en cien piezas.

Sin embargo, en muchas industrias el nivel de defectos haba mejorado tanto

como para permitir compatibilizarlo ya no en porcentajes, sino en defectos por

milln de piezas. Las empresas que persiguen la mejora continua basada en

la filosofa Seis Sigma logran no slo reducir el nivel de defectos, sino

tambin:

- Reducir costes a travs de la eliminacin de errores internos.

- Reducir el tiempo de proceso.

- Incrementar su productividad.

- Mejorar la calidad en el proceso de desarrollo y lanzamiento de nuevos

productos.

- Mejorar el nivel de resultados de los procesos de soporte.

Asimismo, en la Introduccin sostiene: ... y en los sucesivos captulos se

describen las herramientas bsicas de mejora de Seis Sigma, dedicndose un

estudio ms profundo a aquellos que consideramos ms importantes: el AMFE

(Anlisis del Modo de Fallos y Efectos), que se presenta en el captulo 3, el

CEP (Control Estadstico de Procesos) o SPC ( Statistical Process Control) al

que se dedica el captulo 4, y el DDE (Diseo de Experimentos), que se trata

en el captulo 5, ... Luego en el captulo 5 se sostiene: La herramienta menos

3

conocida por lo general pero la ms efectiva de la iniciativa Seis Sigma es el

Diseo de Experimentos (DDE) o usando sus siglas en ingls el DOE (Design

of Experiments).

TAGUCHI, Genichi (1990), en su texto Introduction to Quality Engineering.

Designing Quality into Products and Proceses, sostiene cuando la etapa

de produccin es alcanzada, ni las medidas de dentro de la lnea ni las de

fuera de la lnea son efectivas para combatir los ruidos internos y externos.

Este es el porqu los problemas de calidad involucrados como ruidos internos

y externos son llamados problemas de calidad de diseo. Esto es

extremadamente importante para recordar que un buen diseo de producto

puede resolver no slo problemas de calidad de diseo sino que tambin

problemas de calidad de produccin. ... Investigacin y desarrollo es la clave

para ambos la calidad de diseo y la calidad de produccin,...

ROSS, Philip (1988), en su texto Taguchi Techniques for Quality

Engineering, sostiene que Taguchi considera la calidad en dos reas

principales: control de calidad fuera de la lnea y en la lnea. .. El control de

calidad fuera de la lnea se refiere a la mejora de la calidad en las etapas de

desarrollo del producto y proceso.; ... La parte del control de calidad fuera de

la lnea es tratada en este texto por la escasez de materiales sobre esta fase

de los Mtodos Taguchi y el impacto positivo que tienen sobre el costo, que es

obtenido mediante la mejora de calidad en estas etapas tempranas del ciclo

de vida de un producto.

KUEHL, Robert, (2001) en su texto Diseo de Experimentos, en un

subcaptulo sobre Genichi Taguchi y la mejora de la calidad sostiene Los

diseo factoriales fraccionados se usan en forma amplia en experimentos

fuera de la lnea para mejorar la calidad del producto. Las investigaciones

fuera de la lnea integran los principios de diseo de ingeniera y de diseo

estadstico para mejorar la calidad de productos e incrementar la

productividad. En particular, la metodologa de Taguchi (Taguchi, 1986) ha

tenido un impacto importante sobre el mejoramiento del diseo de productos y

procesos en la manufactura.

PRAT, Albert, TORT MARTORELL, Xavier, GRIMA, Pere y POZUETA,

Lourdes (2000), en su texto Mtodos Estadsticos. Control y mejora de la

4

calidad, destaca que la evolucin del control de la calidad ha ido desde la

inspeccin, luego el control estadstico de procesos CEP y por ltimo a la

calidad en la etapa de diseo. Al respecto menciona la importancia del diseo

de experimentos para la mejora de la etapa de diseo. Asimismo, trata sobre

comparacin de dos tratamientos, ANVA Anlisis de Variancia, Diseos

Factoriales, Metodologa de superficie de respuesta, Diseo de productos

robustos y Control estadstico de procesos.

SCHEEL, Carlos (2001), en su texto Modelacin de la Dinmica de

Ecosistemas presenta el mejoramiento de la calidad, mediante el uso de los

arquetipos desarrollados por Peter Senge, en donde se puede ver la

aplicacin del enfoque de sistemas a la mejora de la calidad.

CEVALLOS, Juan (2000) en su Tesis de Maestra Aplicacin de los Mtodos

Taguchi a la mejora de la calidad en la pequea y microempresa, desarrolla

una metodologa de aplicacin de los mtodos Taguchi fuera de la lnea a las

PYME.

NILSSON, N.(2001), en su texto Inteligencia Artificial trata sobre los

principales campos de la Inteligencia Artificial y dentro de ellos considera a las

redes neuronales. Asimismo, considera sistemas reactivos, bsqueda en

espacios de estado, representacin del conocimiento y razonamiento,

mtodos de planificacin basados en lgica y comunicacin e integracin.

RUSSELL, S y NORVIG, P. (1996), en su texto Inteligencia Artificial trata

sobre las reas de la inteligencia artificial, considera redes neuronales, y

adems, procedimientos para la solucin de problemas; conocimiento y

razonamiento; como actuar en forma lgica; conocimiento incierto y

razonamiento; aprendizaje; y comunicacin, percepcin y actuacin.

KENETT, R. Y ZACKS, S. (2000), en su texto Estadstica Industrial

Moderna. Diseo y control de la calidad y confiabilidad, destacan la

importancia de la estadstica en los temas de calidad y tratan los temas de

variabilidad, probabilidad, muestreo, inferencia, regresin lineal mltiple,

muestreo para inspeccin, control estadstico del proceso, diseo y anlisis

de experimentos, calidad por diseo y anlisis de confiabilidad. Resaltan la

importancia de la calidad por diseo.

5

MARTIN DEL BRIO, Bonifacio, SANZ MOLINA Alfredo (2002), en su texto

Redes Neuronales y Sistemas Difusos en el captulo sobre aplicaciones de

las redes neuronales artificiales presenta un listado donde se considera las

siguientes reas:

Redes neuronales lineales: telecomunicaciones y anulacin de ruido y

vibraciones.

Clasificacin de patrones: fraudes con tarjetas de crdito, reconocimiento de

caracteres impresos OCR, reconocimiento del habla, control de calidad

(deteccin de niveles de contaminantes, clasificacin de anomalas en

altavoces, evaluacin del grado de pureza de zumo de naranja y evaluacin

de ruido de radiocassetes de automvil), deteccin de sucesos en

aceleradores de partculas, prospecciones petrolferas, lucha contra el trfico

las drogas y aplicaciones mdicas.

Prediccin y anlisis financiero: Concesin de prstamos, anlisis de mercado,

reservas de vuelos.

Control y optimizacin: Control industrial, Fabricacin de celulosa y papel,

hornos de fundiciones, industria de semiconductores, control de procesos

qumicos, refinera de petrleo.

Aplicaciones militares: guiado automtico de misiles, combate areo.

Otras aplicaciones. Prediccin, mquinas fotocopiadoras, fallos de motores

elctricos, conducir camiones, automocin, aplicaciones biomdicas, sntesis

de nuevos medicamentos.

Asimismo, plantean la existencia de los siguientes tipos de Redes Neuronales:

Redes Neuronales Supervisadas: perceptrn simple, Adalina, perceptrn

multicapa, el aprendizaje hebbiano y backpropagation.

Redes Autoorganizadas: Modelos neuronales no supervisados, modelos de

mapas autoorganizados de Kohonen,

Otros Modelos de Redes Neuronales: Redes neuronales realimentadas,

modelo de Hopfield, neuronas estocsticas mquina de Boltzman, funciones

de base radial y LVQ Learning Vector Quantization.

En este texto no se menciona que exista una red neuronal artificial que sea

especfica para mejora de la calidad.

6

HILERA Jos y MARTINEZ Vctor. (2000), en su texto Redes Neuronales

Artificiales., sobre aplicaciones de las redes neuronales plantean las

siguientes reas: reconocimiento de patrones, bases de datos de

conocimiento para informacin estocstica, control de robots, filtrado de

seales; segmentacin, compresin y fusin de datos; interfaces adaptativas

para sistemas hombre/ mquina. Con relacin a los tipos de neuronas se

plantean:

Redes Neuronales con conexiones hacia adelante: perceptrn, perceptrn

multibnivel, Adaline y Madaline, Backpropagation, Modelo de Hopfield,

Modelos de resonancia adaptativa ART, Modelo de Kohonen.



HAGAN, Martn T., DEMUTH, Howard B., BEALE, Mark. (1996), en su texto

Neural Network Design, plantean las siguientes aplicaciones de Redes

Neuronales: Aeroespacial (pilotos automticos de aviones), automotriz

(sistemas de gua automtica de automviles), banca (lectura de cheques y

otros documentos y evaluaciones de solicitudes de crditos), defensa

(conduccin de armas), electrnica (prediccin de secuencia de cdigos),

entretenimiento (animacin), finanzas (anlisis de uso de lneas de crditos),

seguros (evaluacin de solicitudes), manufactura ( control de procesos de

manufactura, anlisis y diseo de productos), medicina (anlisis de clulas

cancergenas del seno, mejora de la calidad hospitalaria), petrleo y gas

(exploracin), robtica (control de trayectoria), reconocimiento del habla,

seguridad (anlisis de mercados), telecomunicaciones (compresin de datos e

imgenes, traduccin en tiempo real de lenguaje hablado), transporte

(sistemas de diagnstico de frenos de camiones), entre otros.

Entre los tipos de Redes Neuronales trata: Perceptrn, Hamming, Hopfield,

Aprendizaje Hebbiano supervisado, Adaline, backpropagation y sus

variaciones, redes de aprendizaje asociativo, redes competitivas, Mapas

autoorganizados, Redes de Grossberg, Redes ART de resonancia adaptativa,

entre otras.



7

ISASI, Pedro y GALVAN, Ins (2004) en su texto Redes de Neuronas

Artificiales, presentan los siguientes modelos de redes neuronales:

perceptrn, adaline, perceptrn multicapa, redes de base radial, redes

recurrentes (Red de Hopfield), redes de aprendizaje supervisado ( Mapas

auotoorganizados de Kohonen), y de resonancia adaptativa ART, redes de

series temporales, redes de control de procesos dinmicos, redes de

clasificacin (redes de cuantizacin vectorial).

Con relacin al diseo de la arquitectura del perceptrn multicapa sostiene:

En lo que respecta al nmero de neuronas y capas, algunos de estos

parmetros vienen dados por el problema y otros deben ser elegidos por el

diseador. As, por ejemplo, tanto el nmero de neuronas en la capa de

entrada, como el nmero de neuronas en la capa de salida, vienen dados por

las variables que definen el problema. En algunas aplicaciones prcticas, no

hay lugar a duda sobre el nmero de entradas y salidas. Sin embargo existen

problemas en los que el nmero de variables de entrada relevantes para el

problema no se conoce con exactitud. En estos casos, se dispone de un gran

nmero de variables, algunas de la cuales podran no aportar informacin

relevante a la red, y su utilizacin podra complicar el aprendizaje, pues

implicara arquitecturas de gran tamao y con alta conectividad. En estas

situaciones es conveniente realizar un anlisis previo de las variables de

entrada ms relevantes al problema y descartar aquellas que no aportan

informacin a la red. Este puede llegar a ser una tarea complicada y requerir

tcnicas avanzadas, como tcnicas basadas en anlisis de correlacin,

anlisis de componentes principales, anlisis de sensibilidad de redes de

neuronas y tcnicas basadas en algoritmos genticos, entre otras.

De manera similar cuando trata sobre el diseo de la arquitectura de redes de

base radial sostiene: El nmero de entradas y salidas en una red de base

radial viene dado por el nmero de variables que definen el problema. Como

ocurra cuando se utilizaba el perceptrn multicapa, en algunas aplicaciones

no hay lugar a duda sobre dichas variables. Sin embargo, existen aplicaciones

en las que pudiera ser necesario llevar a cabo un anlisis de las variables ms

relevantes y significativas que definen el problema.

8



MONTAO, Juan. (2002), es su Tesis Doctoral Redes Neuronales Artificiales

aplicadas al Anlisis de Datos, se presenta al siguiente clasificacin de Redes

Neuronales Artificiales ms conocidas:

1. Supervisado

1. Con conexiones feedforward

- Lineales:

- Perceptrn (Rosenblatt, 1958)

- Adaline (Widrow y Hoff,1960)

- Perceptrn multicapa (Multilayer perceptron) (MLP)

- Backpropagation (Rumelhart, Hinton y Williamns, 1986)

- Correlacin en cascada (Fahlman y Lebiere, 1990)

- Quickpropagation (Fahlman, 1988)

- Delta bar delta (Jacobs, 1988)

- Resilient Propagation (Riedmiller y Braun, 1993)

- Gradiente conjugado (Battiti, 1992)

- Radial Basis Function RBF (Bromead y Lowe, 1988)

- Orthogonal Least Squares (Chen, Cowan y Grant, 1991)

- Cerebellar Artculation Controller (CMAC) (Albus, 1975)

- Slo clasificacin :

- General Regression Neural Network (GRNN) (Specht, 1991)

- Red Neuronal Probabilstica (PNN) (Specht,1990)

- Slo regresin:

- General Regresin Neural Network (GRNN) (Specht, 1991)

2. Con conexiones feedback

- Bidirectional Associative Memory (BAM) (Kosko, 1992)

- Mquina de Boltzman (Ackley, Hinton y Sejnowski, 1985)

- Series temporales recurrentes

- Backpropagation through time (Werbos, 1990)

- Elman (Elman, 1990)

- Finite Impulse Response (FIR) (Wan, 1990)

- Jordan (Jordan, 1986)

9

- Real-time recurrent network (Williams y Zipser, 1989)

- Recurrent backpropagation (Pineda, 1989)

- Time Delay NN (TDNN) (Lang, Waibel y Hinton, 1990)

3. Competitivo

- ARTMAP (Carpeter, Grossberg y Reynold, 1991)

- Fuzzy ARTMAP (Carpenter, Grossberg, Markuzon, Reynolds y

Rosen, 1992)

- Gaussian ARTMAP (Williamson, 1995)

- Counterpropagation (Hecht-Nielsen 1987, 1988, 1990)

- Neocognitrn (Fukushima, Miyake e Ito, 1983; Fukushima, 1988)

2 No supervisado

1. Competitivo

- Vector Quantization.

- Grossberg (Grossberg, 1976)

- Comen (Kohonen, 1984)

- Consciente (Disieno, 1988)

- Mapa Auto-Organizado (Self-Organizing Map) (Kohonen, 1982, 1995)

- Teora de la Resonancia Adaptativa (Adaptive Resonante Theory, ART)

- ART 1 (Carpenter y Grossberg, 1987)

- ART 2 (Carpenter y Grossberg, 1987b)

- ART 2-A (Carpenter, Grossberg y Rosen, 1991a)

- ART 3 (Carpenter y Grossberg, 1990)

- Fuzzy ART (Carpenter, Grossberg y Rosen, 1991b)

- Differential Competitive Learning (DCL) (Kosko, 1992)

2. Reduccin de dimensionalidad

- Regla de Oja (Oja, 1989)

- Sanger (Sanger, 1989)

- Differential hebbian (Kosko, 1992)

3. Autoasociacin

- Autoasociador lineal (Anderson, Silverstein, Ritz y Jones, 1977)

- Brain-State-in-a-Box (BSB) (Anderson, Silverstein, Ritz y Jone,

1977)

- Red de Hopfield (1982)

10

ARAGON, Alberto. (2002) Tesis Doctoral Mtodos Evolutivos para el

aprendizaje de Redes Neuronales, plantea como principales modelos de

redes neuronales relacionados con los mtodos evolutivos los siguientes:

- Perceptrn

- Redes de Propagacin hacia atrs.

- Memoria asociativa BAM

- Mquina de Boltzmann

- Mapas autoorganizativos

- Redes de Expansin.

Con respecto a las reas de aplicacin se plantea que las RN tratan de

resolver de forma eficiente problemas que pueden encuadrarse dentro de tres

amplios grupos: optimizacin, reconocimiento y generalizacin. Estos tres

tipos engloban un elevado nmero de situaciones, lo que hace que el campo

de aplicacin de las redes neuronales en la gestin empresarial sea muy

amplio.

En esta Tesis no se menciona que exista una red neuronal artificial que sea


HAYKIN, Simon, (1994), en su texto Neural Networks, sostiene que una

red neuronal es una tcnica poderosa de computacin, primero por que es una

estructura distribuida de forma paralela y masiva; y segundo, por su habilidad

para aprender y por lo tanto generalizar; la generalizacin se refiere a que la

red neuronal produce razonables salidas para entradas no encontradas

durante el entrenamiento (aprendizaje). Estas dos capacidades de

procesamiento de informacin hacen posible que las redes neuronales

resuelvan problemas complejos que son corrientemente insolubles.

Asimismo, sostiene que el uso de las redes neuronales ofrece las siguientes

propiedades y capacidades tiles: No linealidad; Mapeos Input Output;

Adaptabilidad; Respuesta a evidencias; Informacin contextual; Tolerancia a

las fallas; implementabilidad de tecnologa VLSI (very large scale integrated)

integrada a escala muy grande, uniformidad de anlisis y diseo, Analoga

neurobiolgica. Como parte de la introduccin afirma que se pueden identificar

cuatro diferentes clases de arquitecturas de redes: redes monocapa hacia

11

adelante; redes multicapa hacia adelante; redes recurrentes; y estructuras

latices (lattice).



KAUFMANN, Arnold y GIL ALUJA, Jaime, (1995) en su texto Grafos

Neuronales para la Economa y la Gestin de Empresas , plantean que la ley

de Hebb formulada a partir de observaciones y medidas en neurobiologa, ha

sido adoptada por casi la totalidad de investigadores en neuromimtica y

utilizada en casi todos los modelos de neuronas artificiales. No solamente no

la hemos relegado al silencio sino que le hemos prestado la importancia que

creemos merece. El ajuste de los principales parmetros, necesario para

conseguir un resultado especificado a la salida o en ciertas neuronas de la red

artificial, constituye un elemento fundamental. En general, se acta sobre los

pesos de las conexiones (arcos del grafo). Al incidir en estos pesos, se

modifican los potenciales para que a la salida de las neuronas se disponga de

un potencial previamente elegido o adaptado. Se puede actuar, tambin, en

los umbrales, lo que ya no se realiza tan frecuentemente. En el fondo, los

ajustes de los pesos hacen pensar en los ajustes que tienen lugar en las

resistencias, en las redes de Kirchoff, pero el peso se parecera ms una

conductancia (inversa a una resistencia) aunque en una red de neuronas

artificiales esta conductancia carezca de la dimensin que posee, en las

ecuaciones de dimensiones de la fsica.



FREEMAN, James A., SKAPURA, David M., (1993) en su texto Redes

Neuronales. Algoritmos, Aplicaciones y Tcnicas de Programacin presentan

las siguientes redes neuronales:

Adaline y Madaline

Propagacin hacia atrs

El Bam y la memoria de Hopfield

Temple (annealing) simulado. Entre las redes tratadas se cuentan la

terminacin de Boltzmann y las redes de entrada-salida.

La red de contrapropagacin

12

Mapas autoorganizativos. Contiene el mapa de topologa mantenida de

Kohonen y el clasificador de mapa de caractersticas.

Teora de la resonancia adaptativa. Entre las redes descritas se

cuentan ART1 y ART2,

Clasificacin espacio-temporal de tramas. Describe la red espacio-

temporal de Hecht-Nielsen.

El neocognitrn.



COX, M. (2005), en su Artculo A Neural Netwok Method for Modelling the

Parameters of a CUSUM Chart. Quality Engineering 17; 197-205. 2005;

sostiene que la Grfica de Sumas Acumuladas CUSUM (Cumulative Sum

Charts) es ampliamente empleada en control de calidad para monitorear un

proceso o para evaluar datos histricos. Las grficas CUSUM estn diseadas

para exhibir promedios aceptables de longitud de corrida tanto cuando el

control es dentro o fuera del proceso. En su investigacin introduce una

tcnica funcional para generar los parmetros h y k para una grfica que

tendr un promedio de longitud de corrida especificado. Se emplea el mtodo

de redes neuronales artificiales para derivar los coeficientes apropiados. Se

utiliza la hoja de clculo EXCEL para los clculos de los parmetros.

En este Artculo no se menciona que exista una red neuronal artificial que sea


ZORRIASSATINE, f.y TANNOCK, D. (1998) en su Artculo A review of neural

networks for statistical process control, desarrolla este trabajo para evaluar la

literatura existente sobre la aplicacin de las redes neuronales para el anlisis

de las grficas tradicionales de Shewart de control estadstico de procesos.

Luego de su estudio da recomendaciones sobre la aplicacin, sin embargo,

sostiene que todava no se ha podido desarrollar una metodologa de redes

neuronales equivalente a las tradicionales grficas de Shewart, aunque afirma

que el conocimiento en esta rea est aumentando.



13

LEGER, R., GARLAND, W. y POEHLMAN, W. (1998), en su Artculo Fault

detection and diagnosis using statistical control charts and artificial neural

networks, examina la factibilidad de usar grficas de control CUSUM de

sumas acumuladas y redes neuronales artificiales juntas para detectar y

diagnosticar fallas. La estrategia propuesta fue evaluada en un modelo de

sistema de transferencia de calor de un reactor nuclear CANDU ("CANad

Deuterio Uranio). Los resultados de la investigacin indican que un sistema

FDD (fault detection and diagnosis ) usando grficas de control CUSUM y una

red neuronal de funcin bsica radial RBF (radial basis function) no slo es

factible sino que tiene un promisorio potencial frente a los mtodos

tradicionales.



LAM, S., PETRI, L. y SMITH, A. (2000) en su Artculo Prediction and

optimization of a ceramic casting process using a hierarchical hybrid system of

neural networks anf fuzzy logic, es una investigacin que describe un sistema

hbrido que integra lgica difusa, redes neuronales y optimizacin algortmica

para usarlo en la industria cermica. Un mdulo de prediccin estima dos

mtricas de piezas de fundicin deslizante (slip-cast) a travs de la ejecucin

de dos redes neuronales. Un algoritmo de mejora de procesos optimiza los

valores de un proceso controlable usando el mdulo de prediccin de la red

neuronal en la funcin objetivo. Un mdulo de sistema experto contiene una

jerarqua de dos reglas bsicas de lgica difusa. Las reglas bsicas prescriben

el tiempo de proceso adecuado a lneas de produccin individual dados

condiciones ambientales, caractersticas de molde y la prediccin de la red

neuronal. Este trabajo demuestra la aplicabilidad de nuevas tcnicas

computacionales para un proceso de manufactura tradicional y el sistema ha

sido implementado en una planta importante en EEUU.



NASEREDDIN, M. y MOLLAGHASEMI, M. (1999.), en su Artculo The

development of a methodology for the use of neural networks and simulation

modeling in systems design, en este trabajo es explorado el uso de

14

metamodelos para aproximar la reversa de modelos de simulacin. El objetivo

del enfoque es obtener el opuesto de lo que un modelo de simulacin puede

hacer. Esto es, que dado un conjunto de medidas de desempeo deseadas, el

meta modelo saca un diseo para cumplir con las metas de la gestin. El

desempeo de varios meta modelos simulados con redes neuronales fueron

comparadas al desempeo de un meta modelo de regresin escalonado, en

trminos de exactitud. Se encontr que en la mayora de los casos, que los

metamodelos de redes neuronales superan a los metamodelos de regresin.

Tambin se encontr que un mdulo de red neuronal tiene el mejor

desempeo en trminos de minimizar el error de prediccin.



HSIEH, K. Y Tong, L., (2000) en su Artculo Parameter Optimization for

Quality Response with Linguistic Ordered Category by employing Artificial

Neural Networks: A Case Study, demuestran la efectividad de utilizar redes

neuronales para optimizar parmetros de calidad cualitativos. Al respecto

sostienen que la solucin de estos problemas con redes neuronales es ms

fcil que con enfoques estadsticos como los diseos experimentales.



KONAK, A, KULTUREL KONAK, S, SMITH, A y NETTLESHIP, I (2003) en

su Artculo Estimation of shrinkage for near net-shape using a neural network

approach demuestran las ventajas del uso de redes neuronales frente a los

modelos de regresin no lineal para predecir la reduccin de tamao en los

procesos HIP de calentamiento con presin isosttica para superaleaciones

basadas en nquel para manufactura de piezas cuyas dimensiones deben ser

conseguidas con exactitud. El resultado permite establecer los parmetros de

temperatura y presin para un mejor desempeo.



15

1.2. Marco Terico

Sobre el concepto de calidad:

La calidad es el conjunto de caractersticas que tienen un producto o servicios

que permiten satisfacer a los clientes. En trminos prcticos ello implica

cumplir con las especificaciones establecidas en el diseo para satisfacer las

necesidades de los clientes. Se dice que un producto o servicio de buena

calidad cuando satisface las necesidades de los clientes, cuanto ms satisface

a los clientes se entiende que es de mejor calidad.

Con relacin al concepto de calidad se cuenta con varios autores reconocidos

a nivel internacional que han desarrollado aportes muy importantes, al

respecto se presentan los aportes de Ishikawa, Deming, Crosby, Juran y

Feigenbaum.

ISHIKAWA, 1986, sostiene que calidad es satisfacer los requerimientos del

cliente, que cumplir las normas es insuficiente. Indica que en el sentido

estrecho calidad significa la calidad del producto, pero en el sentido amplio,

significa calidad del trabajo, del servicio, de informacin, del proceso, de la

divisin, del personal, del sistema, de la empresa, de los objetivos, etc. calidad

total. Introduce el concepto de control total de calidad CTC, estilo japons, que

plantea que todas las divisiones y todos los empelados deben participar en el

estudio y la promocin del control de calidad. Con relacin a los mtodos

estadsticos plantea el uso de los mtodos estadsticos elementales,

intermedios y avanzados. En el nivel intermedio considera a los mtodos de

disear experimentos; y en el nivel avanzado incluye los mtodos avanzados

de disear experimentos, anlisis de multivariables y diversos mtodos de

investigacin de operaciones. Con relacin a los mtodos estadsticos

avanzados sostiene que slo muy pocos ingenieros y tcnicos se adiestrarn

en los mtodos estadsticos avanzados, a fin de emplearse en anlisis de

procesos y de calidad muy complejos. Estos mtodos avanzados, sostiene,

han venido a ser la base de una alta tecnologa y tambin de la exportacin de

tecnologa. Afirma, que en el Japn, el empleo de los mtodos estadsticos

intermedios y avanzados ha llegado a ser muy alto, y que esto tambin ha

ayudado a levantar el nivel de la industria japonesa.

16

El concepto de calidad, considerando su dimensin e importancia tanto en la

cultura occidental y oriental, es tratado de manera especial por el Dr. Ishikawa

en su texto Qu es el Control Total de Calidad? La modalidad japonesa; al

respecto sostiene que las diferencias entre las actividades de calidad

japonesas y las de occidente son muchas debido a las caractersticas

socioculturales.

Tabla 1. Aportes de Ishiwawa

APORTES DE ISHIKAWA

CONTROL TOTAL DE CALIDAD CRCULOS DE CALIDAD

DIAGRAMA DE ISHIKAWA CALIDAD LA DA EL CLIENTE

DEMING, 1989, sostiene que calidad es el grado predecible de uniformidad y

fiabilidad a bajo costo y adecuado a las necesidades del mercado. Asimismo,

plantea que existe una relacin directa entre calidad y productividad. Frente a

la situacin de las empresas americanas, a mediados de la dcada del 80,

propone los 14 principios parea salir de la crisis, que se sintetizan en Crear

constancia de propsito para la mejora de productos y servicios y Adoptar una

nueva filosofa.

Asimismo, propone el crculo o ciclo de mejora: Planear, Hacer, Verificar,

Actuar, conocido como Ciclo de Deming. Ver Figura 1.

Figura 1. Ciclo de Deming

CROSBY, 1987, sostiene que calidad es conformidad con los requerimientos.

Los requerimientos deben ser claramente establecidos. Deben tomarse

mediciones continuamente para determinar la conformidad con dichos

PLANEAR

HACERVERIFICAR

ACTUAR

17

requerimientos. La no conformidad detectada es ausencia de calidad.

Introduce los conceptos de cero defectos y que la calidad no cuesta.

JURAN, 1989, sostiene que calidad es aptitud para el uso. Pero que tiene

diversos significados. Sus dos significados principales:

A. Consiste de aquellas caractersticas del producto que cumplen las

necesidades del cliente y por lo tanto proveen un producto satisfactorio.

B. Consiste en libre de defectos.

FEIGENBAUM, (1994) sostiene que calidad es aptitud para el uso. Pero,

indica, que tiene diversos significados, sus dos significados principales son:

A. Consiste de aquellas caractersticas del producto que cumplen las

necesidades del cliente y por lo tanto proveen un producto satisfactorio.

B. Consiste en libre de defectos

KENNET (2000) sostiene que en la actualidad se considera que la calidad es

la nueva arma competitiva. La calidad no se obtiene por arte de magia sino

que se debe trabajar conscientemente para conseguirla como se desea. La

evolucin histrica del concepto de control de calidad, ha pasado por las

etapas de inspeccin, control de procesos y calidad del diseo. Para lograr

sta ltima se requiere la utilizacin de herramientas como el diseo de

experimentos, diseos factoriales fraccionales, mtodos Taguchi y

metodologa de superficie de respuesta, entre otros.

Tabla 2. Etapas de la calidad.

ETAPAS DE LA CALIDAD

INSPECCIN CONTROL DE

PROCESOS

CALIDAD DEL

DISEO

En la actualidad se sostiene que la calidad es una virtud del diseo y que la

satisfaccin del cliente resulta de la calidad del diseo y la calidad de la

realizacin del diseo. En aos recientes se ha introducido el concepto de

diseo robusto lo cual implica que el diseo se realiza teniendo en cuenta los

problemas que tendr el cliente durante el uso del producto y que se deben

establecer los parmetros de diseo adecuados que reduzcan los problemas

al cliente durante el uso del producto. Esto es un cambio importante en el

campo de la calidad ya que de un trabajo principalmente sobre lo que ocurre

18

en la planta se pasa a considerar de manera preponderante lo que pasa con el

cliente durante el uso del producto.

Justamente la trascendencia que tiene en la actualidad la calidad del diseo,

lleva a la necesidad de usar nuevas herramientas, entre las que destacan el

diseo de experimentos, los diseos factoriales fraccionales, los mtodos

Taguchi y las metodologas de superficie de respuesta, que se tratan a

continuacin.

Sobre las Herramientas para la mejora de la calidad de diseo.

Sobre diseo de experimentos (DDE) y la mejora de la calidad. (KENNET, R. y

ZACKS, S. , 2000; PRAT, A., TORT MARTORELL, X., GRIMA, P. y POZUETA, L.,

1999; TAGUCHI, G., 1990; LAWSON, J. ,MADRIGAL, J. y ERJAVEC, J.,1992).

Sostienen que aplicar el DDE en una empresa en la actualidad puede resultar

una ventaja competitiva para las empresas que quieren minimizar la

variabilidad de sus productos y procesos. La adquisicin de nuevo

conocimiento requiere, por lo general, que ocurra un fenmeno distinto de lo

habitual en presencia de un experto capaz de extraer conclusiones tras

reflexionar sobre l. Mediante la experimentacin se intenta reproducir

artificialmente ambas circunstancias. En el mundo actual las empresas que

sean capaces de aprender mediante la experimentacin gozarn de una

ventaja competitiva clara. El DDE aporta una metodologa para reducir la

variabilidad propia de las caractersticas de calidad de los productos, y la que

originan los procesos sobre los productos. La empresa moderna persigue

lograr la competitividad mediante productos y servicios de gran calidad y

mnimo coste. El DDE se emplea en las fases de diseo y planificacin de

productos, servicios y procesos de fabricacin. Tambin se utiliza para la

mejora de procesos, productos y servicios ya desarrollados. Los trabajos de

inspeccin y control de procesos se realizan despus o durante el proceso,

pero el DDE se realiza antes del proceso, de cara al futuro, permitiendo lograr

una alta calidad.

El DDE primero identifica que variables o factores afectan la respuesta que

nos interesa y despus permite obtener un modelo de dicha respuesta y de su

desviacin tpica en funcin de las variables significativas. Mediante el proceso

de experimentacin con diferentes valores de las caractersticas o factores

19

clave que afectan la respuesta de los procesos o productos sometidos a

estudio se obtiene los valores ptimos. El DDE es el cambio intencional de las

entradas de un proceso para observar cambios en la salida o salidas del

proceso. Las entradas son factores que influyen en el comportamiento del

proceso. La salida o salidas son caractersticas que se registran para

determinar la calidad del proceso.

Por tanto, el DDE permite identificar qu factores son las fuentes principales

de variabilidad en las caractersticas elegidas que garantizan la calidad de las

prestaciones del producto o proceso; y por otro lado permite, luego de

identificar dichos factores, determinar a qu valores deben ajustarse para que

las caractersticas seleccionadas logren las especificaciones deseadas con la

mnima variabilidad.

Tabla 3. Diseo de Experimentos

DISEO DE EXPERIMENTOS

PERMITE IDENTIFICAR

FACTORES DE VARIABILIDAD

VALORES DE LOS FACTORES

PARA SATISFACER A LOS

CLIENTES

El proceso de experimentacin consta de las siguientes etapas: recopilacin

de informacin, establecimiento de los objetivos principales, planificacin del

experimento, realizacin de los ensayos, anlisis de los resultados de los

ensayos y conclusiones.

Para el trabajo con dos o ms poblaciones se utiliza el anlisis de variancia,

para ello se describen los datos u observaciones mediante el modelo

estadstico lineal:

njaiY ijiij ,...2,1;,...2,1;;

donde IJY es la ij-

tratamientos llamado media global, j es un parmetro nico para el i-simo

tratamiento llamado efecto del tratamiento i-simo y ij es la componente

aleatoria del error. El objetivo es probar hiptesis apropiadas con respecto a

los efectos del tratamiento y hacer una estimacin de ellos. En este caso el

20

modelo se denomina anlisis de variancia, para un factor. Se requiere que el

experimento se realice en orden aleatorio.

Se obtiene la siguiente tabla se anlisis de variancia para el modelo de efectos

fijos unifactorial:

Tabla 4. ANVA Anlisis de Variancia

Fuente de

Variacin

Suma de

Cuadrados

Grados

de

Libertad

Media de

Cuadrados

Fo

Entre

tratamientos

Error( dentro

de

tratamientos)

SSTRATAMIENTOS

SSE

A 1

N - a

M STRATAMIENTOS

M SE

Fo =

M STRATAMIENTOS

M SE

Total SST N - 1

Donde:

SSTRATAMIENTOS = Suma de Cuadrados de Tratamientos

SSE = Suma de Cuadrados del Error

SST = Suma de Cuadrados Total

M STRATAMIENTOS= Media de Cuadrados de Tratamientos

M SE = Media de Cuadrados del Error

N = Nmero total de observaciones = an

a = Nmero de tratamientos

n = Nmero de observaciones por tratamiento

Para los casos de dos o ms factores se utiliza la misma tabla para el clculo

de anlisis de variancia, slo que se adiciona el ajuste respectivo para los

clculos segn el nmero de factores.

Sobre los diseos factoriales fraccionales y la mejora de la calidad:

(MONTGOMERY, D. 2004; KUEHL, R., 2001; PRAT, A., TORT MARTORELL,

X., GRIMA, P. y POZUETA, L., 1999; LAWSON, J. ,MADRIGAL, J. y ERJAVEC,

J.,1992)

Sostienen que en la industria los diseos ms utilizados son los diseos

factoriales a dos niveles, que se representan por: 2k. En este caso los valores

21

correspondientes a los dos niveles se codifican asignando al nivel bajo el valor

1 y al alto +1 +. As por ejemplo el diseo experimental completo de

tres factores (L,G,T) a dos niveles cada uno se representa de la siguiente

manera:

Tabla 5. Diseo Factorial

EXPERIMENTO L G T

1

2

3

4

5

6

7

8

-1

1

-1

1

-1

1

-1

1

-1

-1

1

1

-1

-1

1

1

-1

-1

-1

-1

1

1

1

1

En el mundo competitivo y globalizado que vivimos la bsqueda el xito por

parte de las empresas y organizaciones lleva a considerar varios factores e

incluso varios niveles, por lo que si se consideran todas las interacciones, el

nmero resultante de experimentos es muy elevado, por ello se utilizan los

diseos factoriales fraccionales. Por ejemplo si se tienen siete factores, el

nmero de experimentos sera de 27 = 128; y ello sera muy costoso. Los

diseos factoriales fraccionales permiten estudiar un elevado nmero de

factores en un nmero de experimentos mucho menor de lo que requerira un

factorial completo.

El diseo factorial fraccional que realiza la mitad de experimentos que el

diseo factorial completo se llama diseo de fraccin un medio o

simblicamente para un diseo factorial completo 23 su diseo factorial

fraccional un medio ser 23-1. Este ltimo diseo se dice que es de resolucin

III. Si bien es cierto se pueden disear diversos diseos factoriales

fraccionales, los que son reconocidos a nivel internacional como de mucha

utilidad son los de Plackett- Burman y los de los Mtodos Taguchi. Estos

ltimos son de gran aplicacin en mejora de la calidad, en especial en el

sector productivo industrial, lo cual se trata a continuacin.

Sobre los Mtodos Taguchi y la mejora de la calidad:

22

(MONTGOMERY, D. 2004; KENNET, R. y ZACKS, S. , 2000; PRAT, A., TORT

MARTORELL, X., GRIMA, P. y POZUETA, L., 1999; TAGUCHI, G., 1990;

ROSS, P.,1988)

Un enfoque alternativo al Diseo de Experimentos DDE basado en diseos

factoriales completos o fraccionales son los mtodos del Dr. Genichi Taguchi.

Sus mtodos se desarrollaron en Japn en los aos 50. en 1958 public en

Japn el libro Diseo Experimental en el que introdujo su concepto de

Relacin Seal / Ruido derivado de la ingeniera de telecomunicacin, un

ndice que permite evaluar la robustez de una caracterstica de calidad de un

producto. Robustez en su argot significa insensibilidad frente a aquellas

causas que provocan su variabilidad: Esto lo consigue al determinar qu

causas (ruido) originan esa variabilidad y planteando experimentos que nos

minimicen esa variabilidad. En 1972 us de nuevo este concepto en su libro

Relacin Seal / Ruido. Manual para comparar mtodos de control y

medida. Pero no fue hasta 1980 en que sus mtodos se empiezan a divulgar

en EE.UU. con la publicacin de una serie de libros sobre Ingeniera de

Calidad y Mtodos de Taguchi.

Los mtodos de Taguchi se basan en el empleo de la funcin de prdida y en

la utilizacin de matrices de diseo ortogonales para llevar a cabo los

experimentos, as como en el posterior diagnstico mediante el anlisis de las

medias.

23

Figura 2. Funcin Prdida

El Dr. Taguchi ha popularizado una serie de configuraciones que permiten

ahorrar muchos experimentos y sin embargo permiten identificar los factores

clave e incluso lograr modelar la respuesta. Sus diseos se presentan en lo

que Taguchi denomina las Matrices Ortogonales, que son diseos fraccionales

de resolucin III, como por ejemplo la L8 (27), diseo de siete factores con 2

niveles por factor y en el que se realizan ocho ensayos, que se muestra a

continuacin:

Tabla 6. Arreglo Ortogonal

Ensayos Factores

A B C D E F G

1

2

3

4

5

6

7

8

1 1 1 1 1 1 1

1 1 1 2 2 2 2

1 2 2 1 1 2 2

1 2 2 2 2 1 1

2 1 1 1 2 1 2

2 1 1 2 1 2 1

2 2 2 1 2 2 1

2 2 2 2 1 1 2

Prdida

Caracterstica de Calidad m

Valor objetivo

24

Normalmente las interacciones se consideran ruido (porque tienen un efecto

menor), por lo que slo se tiene en cuenta los factores.

Una vez llevados a cabo los experimentos, se elabora la tabla de respuestas

que contiene las medias de los resultados. La tcnica consiste en tomar uno a

uno los factores y calcular un promedio de los resultados obtenidos con el

nivel 2 ( +1) y otro los obtenidos con el nivel 1 ( -1) elaborando con los datos

calculados la tabla de respuestas.

Se seleccionar la combinacin en la que se toman los mejores niveles de los

factores ms relevantes, buscando los ptimos de los factores menos

relevantes.

Supongamos un ejemplo ficticio de un diseo con matriz ortogonal L4(23-1).

Se calcula el anlisis de las medias de una caracterstica para la que ser

mayor es mejor. En la tabla siguiente se muestra la matriz ortogonal con los

resultados de los diferentes ensayos :

Tabla 7. Matriz L4 (23-1)

Ensayo Factores

A B C

Resultados

1

2

3

4

1 1 1

1 2 2

2 1 2

2 2 1

30

32

41

45

Se calculan los promedios de los resultados en funcin de los niveles de los

tres factores y obtenemos la tabla de respuestas siguiente:

Tabla7a. Tabla de Promedios.

Factores

A B C

Nivel 1

Nivel 2

31 35.5 37.5

43 38.5 36.5

Por ejemplo, para el factor A, nivel 1: (30+32)/2 = 31. Para el factor A, nivel 2:

(41+45)/2 = 43

La mejor combinacin es factor A nivel 2, factor B a nivel 2 y factor C a nivel

1.

25

Sobre las metodologas de superficie de respuesta y la mejora de la calidad:

(MONTGOMERY, D. 2004; KUEHL, R., 2001; KENNET, R. y ZACKS, S. , 2000;

PRAT, A., TORT MARTORELL, X., GRIMA, P. y POZUETA, L., 1999; LAWSON, J.

,MADRIGAL, J. y ERJAVEC, J.,1992)

La MSR es un conjunto de tcnicas matemticas y estadsticas tiles para

modelar y analizar problemas en los cuales una respuesta de inters es

influida por varias variables, y el objetivo es optimizar esta respuesta. Por

ejemplo, si suponemos que se quiere encontrar los niveles de temperatura

(x1) y presin (x2) que maximicen el rendimiento (y) de un proceso. El

rendimiento del proceso es una funcin de los niveles de la temperatura y la

presin, lo cual se expresa as:

),( 21 xxfy

donde representa el ruido o error observado en la respuesta y. Si la

respuesta esperada se denota por E(y) = f(x1,x2) = entonces a la superficie

representada por :

),( 21 xxf

se le llama superficie de respuesta.

En la mayora de problemas de MSR se desconoce la forma de la relacin

entre la respuesta y las variables independientes. Por ello, el primer paso es

determinar una aproximacin apropiada a la relacin funcional real entre la

variable dependiente y las variables independientes. Por lo general se emplea

un polinomio de orden bajo sobre alguna regin de las variables

independientes. Si la respuesta es descrita adecuadamente por una funcin

lineal de las variables independientes, la funcin de aproximacin es el modelo

de primer orden:

kk xxxy ...22110

Cuando existe curvatura en el sistema se requiere usar un modelo de segundo

orden:

jixxxxyj

jiij

i

k

i

iii

k

i

ii

,,,1

2

1

0

Casi todos los problemas de MSR usan uno o ambos polinomios de

aproximacin. Estos polinomios funcionan muy bien en regiones relativamente

26

pequeas. El mtodo de mnimos cuadrados sirve para estimar los parmetros

de los polinomios de aproximacin.

La MSR es un procedimiento secuencial. Por lo general la estimacin inicial de

las condiciones de operacin ptimas del sistema estarn lejos del ptimo

real. En dicha situacin, el objetivo del experimentador es pasar con rapidez a

la vecindad general del ptimo. Cuando se est lejos del ptimo, se supone

que un modelo de primer orden es una aproximacin adecuada de la

verdadera superficie en una regin pequea de las x.

El mtodo del ascenso ms pronunciado es un procedimiento para moverse

secuencialmente sobre la trayectoria del ascenso ms pronunciado, en la

direccin del incremento mximo de la respuesta. Si lo que se pretende es una

minimizacin, entonces esta tcnica se llama mtodo del descenso ms

pronunciado. El modelo ajustado de primer orden es:

i

k

i

i xy

1

0

y la superficie de respuesta de primer orden, es decir, los contornos de y , es

una serie de lneas paralelas. La direccin del ascenso ms pronunciado es

aquella en la que y se incrementa con mayor rapidez. Esta direccin es

paralela a la normal de la superficie de respuesta ajustada. Por lo general se

toma como la trayectoria del ascenso ms pronunciado a la recta que pasa por

el centro de la regin de inters y que es normal a la superficie ajustada. Por

ello los pasos sobre la trayectoria son proporcionales a los coeficientes de

regresin i . El tamao real del paso lo determina el experimentador con

base en el conocimiento del proceso o de otras consideraciones prcticas. Se

conducen experimentos sobre la trayectoria del ascenso ms pronunciado

hasta que deja de observarse un incremento adicional en la respuesta.

Entonces puede ajustarse un nievo modelo de primer orden, determinarse una

nueva trayectoria del ascenso ms pronunciado y el procedimiento continua.

En ltima instancia, el experimentador llegar a la vecindad del ptimo. En

general la falta de ajuste del modelo de primer orden indica que e ha llegado a

ella. En este momento se realizan experimentos adicionales para obtener una

estimacin ms precisa del ptimo.

27

Anlisis de la superficie de respuesta de segundo orden. Cuando el

experimentador se encuentra relativamente cerca del ptimo, por lo general se

requiere un modelo que incorpore la curvatura para aproximar la respuesta.

En la mayora de los casos, el modelo de segundo orden:

jixxxxyj

jiij

i

k

i

iii

k

i

ii

,,,1

2

1

0

es adecuado. Este modelo ajustado se utiliza para encontrar el conjunto

ptimo de condiciones de operacin para las x, as como para caracterizar la

naturaleza de la superficie de respuesta.

Con dicho objetivo, primero se requiere localizar el punto estacionario y luego

caracterizar la naturaleza de la superficie de respuesta.

Localizacin del punto estacionario. Suponga que quieren encontrarse los

niveles de x1,x2,..xk que optimizan la respuesta predicha. Este, en caso de

existir, punto ser el conjunto de las x1,x2,..xk para las que las derivadas

parciales 0/...// 21 kxyxyxy . A este punto, por ejemplo,

skss xxx ,,2,1 ,...,, se le llama punto estacionario. El punto estacionario podra

representar 1) un punto de respuesta mxima, 2) un punto de respuesta

mnima, 3) un punto silla. Las grficas de contorno desempean un papel muy

importante en el estudio de las superficies de respuesta, con ellas el

experimentador puede por lo general caracterizar la forma de la superficie y

localizar el ptimo con una precisin razonable.

Es posible obtener una solucin matemtica general para la localizacin del

punto estacionario. Al escribir el modelo de segundo orden en notacin

matricial se tiene:

Bxxbxy 0

donde:

kx

x

x

x.

2

1

k

b

.

2

1

y

kk

k

k

simtrica

B

___

2/,......,___

2/,...,2/,

222

11211

28

Es decir b es un vector (k x 1) de los coeficientes de regresin de primer

orden y B es una matriz simtrica (k x k) cuyos elementos de la diagonal

principal son los coeficientes cuadrticos puros( ii ) y cuyos elementos que

estn fuera d ela diagonal son la mitad de los coeficientes cuadrticos mixtos (

jiij , ). La derivada de y con respecto a los elementos del vector x igualada

con 0 es:

02

Bxb

x

y

El punto estacionario es la solucin de la ecuacin anterior, o: bBxs1

2

1

Adems, al sustituir ecuacin anterior en el modelo matricial de segundo

orden, la respuesta predicha en el punto estacionario puede encontrarse

como:

bxy ss 2

1 0

Luego de obtener el punto estacionario se procede a caracterizar la superficie

de respuesta para determinar si se trata de un mximo o un mnimo o un

punto silla. Para ello se transforma el modelo en un nuevo sistema de

coordenadas con el origen en el punto estacionario x, y despus hacer la

rotacin de los ejes de este sistema hasta que sean paralelos a los ejes

principales de la superficie de respuesta ajustada. Se obtiene as el modelo

ajustado:

22

22

2

11 ... kks wwwyy

donde las Wi son las variables independientes transformadas y las i son

constantes. Las i son los eigenvalores o races caractersticas de la matriz B.

Si todas las i son positivas entonces el punto estacionario es un mnimo, si

son negativas es un mximo y si son de signos diferentes es un punto silla.

Sobre Inteligencia Artificial IA.

(NILSSON, N., 2001; RUSSELL, S y NORVIG, P., 1996).

Se define la inteligencia artificial (IA) como aquella inteligencia exhibida por

artefactos creados por humanos (es decir, artificial). A menudo se aplica

hipotticamente a los computadores. El nombre tambin se usa para referirse

29

al campo de la investigacin cientfica que intenta acercarse a la creacin de

tales sistemas.

Campos de la Inteligencia Artificial.

Actualmente, por lo general, se refieren los siguientes campos:

1) Aprendizaje Automtico (Machine Learning). Es una rama de la Inteligencia

Artificial cuyo objetivo es desarrollar tcnicas que permitan a las computadoras

aprender. De forma ms concreta, se trata de crear programas capaces de

generalizar comportamientos a partir de una informacin no estructurada

suministrada en forma de ejemplos. Es por lo tanto, un proceso de induccin

del conocimiento. En muchas ocasiones el campo de actuacin del

Aprendizaje Automtico se solapa con el de la Estadstica, ya que las dos

disciplinas se basan en el anlisis de datos. Sin embargo, el Aprendizaje

Automtico se centra ms en el estudio de la Complejidad Computacional de

los problemas. Muchos problemas son de clase NP-hard, por lo que gran parte

de la investigacin realizada en Aprendizaje Automtico est enfocada al

diseo de soluciones factibles a esos problemas.

El Aprendizaje Automtico tiene una amplia gama de aplicaciones, incluyendo

motores de bsqueda, diagnsticos mdicos, deteccin de fraude en el uso de

tarjetas de crdito, anlisis del mercado de valores, clasificacin de

secuencias de ADN, reconocimiento del habla y del lenguaje escrito, juegos y

robtica.

2) Ingeniera del conocimiento (Knowledge Engineering)

La ingeniera del conocimiento es aquella disciplina moderna que hace parte

de la Inteligencia Artificial que ayuda a construir aplicaciones y sistemas

orientados al aprendizaje, apoyndonos en metodologas instruccionales y en

tecnologa de computacin y de telecomunicaciones, intentando representar el

conocimiento y razonamiento humanos.

El trabajo de los ingenieros del conocimiento consiste en extraer el

conocimiento de los expertos humanos y en codificar el conocimiento de

manera que pueda ser procesada por un sistema.

El problema es que el ingeniero del conocimiento no es un experto en el

campo que intenta programar, mientras que el experto en el tema no tiene

experiencia programando.

30

La ingeniera del conocimiento engloba a los cientficos, tecnologa y

metodologa necesarios para procesar en conocimiento. Su objetivo es

extraer, articular e informatizar el conocimiento de un experto.

3) Lgica difusa (Fuzzy Logic)

En la lgica clsica una proposicin slo admite dos valores: puede ser

verdadera o falsa. Por eso se dice que la lgica usual es bivalente o binaria.

Pero existen otras lgicas que admiten adems un tercer valor: posible (lgica

trivaluada).

La lgica multivaluada incluye sistemas lgicos que admiten varios valores de

verdad posibles. La lgica difusa (borrosa o, en ingls fuzzy logic) es una de

ellas, que se caracteriza por querer cuantificar esta incertidumbre: Si P es una

proposicin, se le puede asociar un nmero v(P) en el intervalo [0,1] tal que:

si v(P) = 0, P es falso

si v(P) = 1, P es verdadero

La veracidad de P aumenta con v(P).

Salta a la vista la semejanza con la teora de la probabilidad.

Esta simple idea naci en un artculo de Lofti A. Zadeh publicado en 1965 y

titulado "Fuzzy Sets" (Conjuntos Difusos). La lgica difusa permite representar

de forma matemtica conceptos o conjuntos imprecisos, tales como fro, calor,

alto, bajo, mucho, poco.

As, por ejemplo, una persona que mida 2 metros es claramente una persona

alta (es alta con grado 1) y una persona que mida 1 metro no es una persona

alta en absoluto (es alta con grado 0). De forma intermedia podemos decir que

una persona que mida 1.82 es alta con grado 0.75 indicando que es "bastante

alta". De este ejemplo puede extraerse fcilmente que la lgica y la teora de

conjuntos son isomorfismos matemticos.

En la siguiente figura se aprecia este tipo de interrelacin:

Figura 3. Representacin de datos en Lgica Difusa

31

En la teora de conjuntos difusos se definen tambin las operaciones de unin,

interseccin, diferencia, negacin o complemento y otras operaciones sobre

conjuntos.

4) Redes neuronales artificiales (Artificial Neural Networks)

Son un paradigma de aprendizaje y procesamiento automtico inspirado en la

forma en que funciona el sistema nervioso de los animales.

Documents

Redes Neuronales Mejora Calidad Tesis Cevallos