INSTITUTO TECNOLÓGICO

de León

“Desarrollo y Aplicación de un Modelo de Innovación

Tecnológica para Procesos de Transformación, Basado en
QFD Y MSR”

TESIS

Que para obtener el título de:

MAESTRO EN INGENIERÍA INDUSTRIAL

Presenta:
VÍCTOR TOMÁS MORALES TORRES

Con la asesoría de:

DR. JUAN MARTÍN CARPIO VALADEZ

León, Guanajuato Septiembre de 2007

29
 Índice de Contenido.

Contenido Página

Índice de Contenido i
Lista de Figuras. iv
Lista de Tablas vi
Resumen vii
Abstract viii
Introducción 1
Objetivo General. 1
Objetivos Específicos. 1
Hipótesis. 2
Justificación. 2
Organización de la Tesis. 3

Capítulo 1: Modelos de Innovación Tecnológica. 5

1.1 Introducción. 5
1.2 Tecnología y Desarrollo. 6
1.3 Desarrollo Tecnológico. 8
1.3.1 Investigación Básica. 8
1.3.2 Investigación Aplicada. 9
1.3.3 Desarrollo. 10
1.3.4 Ingeniería. 10
1.3.5 Beneficios a corto plazo del desarrollo tecnológico. 11
1.3.6 Las ventajas a largo plazo del desarrollo tecnológico. 11
1.4 Tecnología y Competitividad. 12
1.5 El proceso de la Innovación Tecnológica. 13
1.6 Modelos de Innovación Tecnológica. 19
1.6.1 Modelo de Empuje Tecnológico. 19
1.6.2 Modelo de Jalón de Mercado. 19
1.6.3 Modelo Mixto de Gestión Tecnológica. 20
1.6.4 Modelo Mixto Integrado de Gestión. 21
1.6.5 Modelo Sistema Alemán de Diseño Industrial. 22
1.6.6 Modelo de Kart T. Ulrich y Steven D. Eppinger. 23
1.6.7 Modelo Seis Sigmade Murray. 25
1.6.8 Modelo de Ingeniería Concurrente. 26

30
Capítulo 2: Técnica “QFD” Despliegue de las Funciones de Calidad.
29
2.1 Introducción. 29
2.2 Despliegue de las funciones de calidad. 30
2.3 Definiciones del despliegue de las funciones de calidad. 30
2.4 Implementación de la técnica “QFD”. 31

Capítulo 3: Metodología de Superficie de Respuestas. 34

3.1 Conceptos y métodos de la metodología de superficie de respuestas. 36
3.2 El concepto de la optimización. 38
3.3 Ecuaciones de Superficie de Respuestas. 40
3.4 Diseños de Superficie de Respuestas. 42
3.5 Diseños experimentales para ajustar superficies de respuestas. 44
3.5.1 Diseños para ajustar el modelo de primer orden 44
3.5.2 Diseños para ajustar el modelo de segundo orden. 45
3.6 Técnicas de optimización. 48
3.6.1 Escalamiento ascendente (descendente) 49
3.6.2 Análisis canónico. 51
3.6.3 Análisis de cordillera. 53
3.7 Optimización simultanea de varias respuestas. 54
3.7.1 Método gráfico. 55
3.7.2 Método de la función de deseabilidad. 55

Capítulo 4: Modelo de Innovación Tecnológica basado en QFD y MSR. 57

4.1 Introducción. 57
4.2 Modelo de Innovación tecnológica propuesto. 58
4.3 Caso de aplicación: Proceso de fabricación de artículos de hule vulcanizado. 60
4.3.1 Fase 1: Definición de variables mediante técnica QFD. 62
4.3.1.1 Definición de operaciones criticas de calidad en el 62
proceso (OCP).
4.3.1.2 Definición de variables criticas de calidad en la 64
operación (VCC).
4.3.2 Fase 2: Optimización mediante MSR. 65
4.3.2.1 Selección del tipo de diseño. 65

31
 4.3.2.2 Ejecución de los tratamientos. 66
4.3.2.3 Análisis de los resultados. 68

4.3.2.4 Optimización simultanea de varias respuestas. 71

4.3.2.5 Interpretación de los resultados. 73

Conclusiones y Recomendaciones.
• Conclusiones. 75

• Recomendaciones. 77

Glosario de Términos Técnicos. 80

Referencias. 83

32
 Lista de Tablas.

Tabla Página
Tabla 3.1 Número de puntos de los diseños de segundo orden. 48
Tabla 4.1 Consumo de energía en maquinaria convencional para transformar algunos materiales
poliméricos 61
Tabla 4.2 Matriz de diseño CCD 66
Tabla4.3 Formulación en PCH y cálculo en gramos para los cinco niveles de llenado de la 67
cámara.

Tabla 4.4 Ciclos de mezclado. 67

Tabla 4.5 Resultados obtenidos. 68

Tabla4.6 Resumen de los indicadores de calidad de los modelos ajustados para las variables de
salida 69
Tabla 4.7 Ecuaciones de regresión obtenidas. 69
Tabla 4.8 Condiciones óptimas para el proceso de mezclado para las respuestas; Temperatura
final de la mezcla, consumo de energía y resistencia a la tensión. 73

33
 Lista de Figuras.

Figura Página

Figura 1.1 Campos de la innovación. 14

Figura 1.2 Modelo de innovación según el mercado. 16

Figura 1.3 Concepción integrada del proceso de innovación 18

Figura 1.4 Modelo de Empuje Tecnológico. 19

Figura 1.5 Modelo de Jalón de Mercado. 20

Figura 1.6 Modelo Mixto de Gestión Tecnológica. 20

Figura 1.7 Modelo Mixto Integrado de Gestión Tecnológica. 21

Figura 1.8 Sistema Alemán de Diseño Industrial 23

Figura 1.9 Modelo de Ulrich y Eppinger para la innovación y desarrollo de productos. 25

Figura 1.10 Modelo Seis Sigma de Murria. 26

Figura 1.11 Modelo de la Ingeniería Concurrente 27

Figura 1.12 Esquema de Ingenieria Concurrente 28

Figura 2.1 Despliegue de calidad y despliegue de las funciones de calidad. 30

Figura 2.2 Despliegue de la voz del cliente a lo largo del proceso 31

Figura 2.3 Entender los requerimientos del cliente 32

Figura 2.4 Forma básica de la casa ó matriz de la calidad. 33

Figura 3.1 Superficie de Respuestas tridimensional donde se indica el rendimiento esperado (n) como
una función de la temperatura (x1) y la presión (x2). 35

Figura 3.2 El carácter secuencial de la MSR 36

Figura 3.3 Esquema de los elementos de la MSR. 37

Figura 3.4 Regiones de operabilidad y experimental 39

Figura 3.5 Mejor tratamiento y punto óptimo, región experimental y región de operabilidad. 40

34
Figura 3.6 Superficie de respuestas a) descrita por un modelo de primer orden b), c) y d) descritas por 42
modelos de segundo orden.

Figura 3.7 Representación del diseño Box-Behnken para tres factores 46

Figura 3.8 Representación de los tipos de puntos en los DCC para k = 2 y 3 factores 47

Figura 3.9 Escalonamiento ascendente. 51

Figura 3.10 Seis posibilidades con el punto estacionario 53

Figura 3.11 Representación gráfica del análisis de cordillera. 54

Figura 4.1 Objetivo del modelo propuesto. 57

Figura 4.2 Modelo de innovación tecnológica basado en QFD y MSR. 59

Figura 4.3 Tiempo de ciclo para diferentes materiales poliméricos. 60

Figura 4.4 Proceso de transformación de hule vulcanizado. 61

Figura 4.5 Gráfica de despliegue de las funciones de calidad (QFD) para definir las O. C. C. del 62
proceso de fabricación de hule vulcanizado.

Figura 4.6 Gráfica de despliegue de las funciones de calidad (QFD) para definir las V. C. C. del 64
operación de mezclado.

Figura 4.7 Gráfica de Pareto para la temperatura final. 68

Figura 4.8 Gráfica de Pareto para el consumo de energía. 68

Figura 4.9 Gráfica de Pareto para resistencia a la tensión. 68

Figura 4.10 Gráfica de Pareto para el desgaste por abrasión. 68

Figura 4.11 Gráfica de Superficie de respuesta estimada para la temperatura final de la mezcla 70

Figura 4.12 Gráfica de Superficie de respuesta estimada para el consumo de energía. 70

Figura 4.13 Gráfica de Superficie de respuesta estimada para la tensión a la ruptura. 70

Figura 4.14 Gráfica de Superficie de respuesta estimada para la resistencia a la abrasión. 70

Figura 4.15 Gráfica de contornos para las respuestas estimadas en la temperatura final de descarga. 72

Figura 4.16 Gráfica de contornos para las respuestas estimadas en el consumo de energía. 72

Figura 4.16 Gráfica de contornos para las respuestas estimadas en la resistencia a la tensión. 72

Figura 4.17 Gráfica de contornos para las respuestas estimadas en la resistencia a la abrasión 72

Figura 4.18 Gráfica de superficies de respuestas estimadas para la deseabilidad 73

Figura 4.19 Gráfica de contornos de respuestas estimadas para la deseabilidad 73

35
Introducción.

El presente trabajo de tesis pretende exponer mediante la integración de técnicas como el Despliegue de las
Funciones de Calidad (Quality Function Deployment, QFD) y Metodología de Superficie de Respuestas, (MSR) en
un caso práctico sobre un proceso de transformación de hule vulcanizado, que es posible generar innovaciones
tecnológicas al optimizar sus condiciones de operación manteniendo ó mejorando las características de calidad del
producto terminado. Este modelo de innovación tecnológica permitió pasar de los conceptos vagos de necesidades
como “aumentar la productividad”, “reducir el desperdicio”, etc. hasta obtener conocimientos de causa precisos y
exactos que permitieron optimizar las condiciones de operación, contribuyendo así a lograr la innovación tecnológica
en el proceso del caso de aplicación.

Objetivo General.

Demostrar que mediante la integración de la técnica Despliegue de las Funciones de Calidad (Quality Function
Deployment, QFD) y la Metodología de Superficie de Respuestas (MSR) es posible obtener un Modelo de
Innovación Tecnológica como estrategia generadora de ventajas competitivas a través de la optimización de las
condiciones de operación del proceso, las cuales contribuyen a mejorar las características de calidad del producto
terminado.

Objetivos Específicos.
• Describir los modelos de gestión de innovación tecnológica.
• Hacer una reseña de la técnica del QFD.
• Describir los fundamentos y técnicas empleadas en la Metodología de Superficie de Respuestas.
• Aplicar las técnicas del QFD y la MSR en un caso práctico referente a un proceso.
• Demostrar las ventajas que se obtienen sobre las características de calidad y las condiciones de operación al
aplicar este modelo.
• Detectar las desventajas presentadas en la aplicación del presente modelo.

36
Hipótesis.

Aplicando el Modelo de Innovación Tecnológica propuesto se puede reducir la incertidumbre sobre el trabajo del
proceso, aumentar su conocimiento tecnológico y lograr la optimización de las condiciones de operación.

Justificación.

El modelo económico de apertura de mercado que México ha practicado desde 1983, puso en franca
competencia a la industria nacional con el mundo, con saldos no muy favorables hasta el momento. Nuestros
industriales parecen haber errado el camino ante tal escenario y han considerado la reducción del costo como
una estrategia hacia la competitividad, lo cual, solo ha arrojando a mercados altamente competidos, de baja
calidad y en donde las decisiones de compra son determinadas por el precio mas bajo. Este círculo vicioso de
“Reducción de costos-baja calidad- pocas utilidades” ya dio cuenta de muchas empresas. Parece pertinente
ante tales circunstancias plantear estrategias más certeras. La innovación tecnológica, parece ser un camino
probado hacia el desarrollo económico de las naciones. Prueba de ello los son las llamadas “economías
emergentes” Corea de Sur, España y el último “milagro económico” Irlanda (Urquidi, V. L., 2006). La
innovación tecnológica permitirá instalar a la industria mexicana en el círculo virtuoso del “tecnología-
calidad-productividad-riqueza”. Sin embargo la innovación tecnológica necesita una estrategia.

De los Modelos de Innovación Tecnológica en la ingeniería de producto y proceso reportados en la literatura

revisada, solamente el que se refiera a la “Ingeniería Concurrente” trabaja con técnicas especificas, entre
ellas el “Diseño Robusto de Taguchi”. Sin embargo, existe poca información sobre modelos que se aplique
a procesos y que generen innovación en ellos. La innovación tecnológica no es exclusiva de productos y
procesos novedosos, existe un campo amplio en lo que se refiere a la optimización de los procesos. Esto se
tratará con mayor amplitud en el capítulo 1

La técnica del QFD ha sido ampliamente utilizada en el desarrollo de nuevos productos, permitiendo que
estos incluyan las necesidades más importantes de los clientes, (Patterson, M., 1999). Por su parte, la
Metodología de Superficie de Respuestas (MSR), es un conjunto de herramientas estadísticas y matemáticas
utilizadas para optimizar una variable de respuesta sujeta a varias variables predictoras. La MSR, se utiliza
cuando las relaciones entre las variables, no son completamente entendidas como para representarlas de
manera directa a través de un modelo matemático exacto, si no que es necesario construir un modelo
empírico para aproximar su comportamiento. MSR es una importante rama del diseño de experimentos. La
MSR es una tecnología crítica en el desarrollo de nuevos productos, optimización de sus recursos y
mejoramiento de su diseño y la formulación de nuevos productos (Castaño y Domínguez , 2003).

37
Organización de la tesis.

Para lograr los objetivos planteados y probar la hipótesis propuesta, el presenta trabajo está organizado de la siguiente
manera:

En el primer capítulo se comienza por hacer una descripción del proceso de desarrollo tecnológico, la necesidad de
poner a trabajar a la ciencia y la tecnología al servicio de la industria y el mercado. A continuación, se hace una
descripción de la innovación y sus grandes campos de aplicación, para posteriormente, terminar con una revisión de
los modelos de innovación tecnológica empleados a través del tiempo y en la actualidad.

En el segundo capítulo se presenta una explicación de la técnica “QFD”, describiendo los conceptos básicos del
despliegue de las funciones de calidad y como se lleva a cabo la implementación.

En el tercer capítulo se describen los conceptos y métodos utilizados en la Metodología de Superficies de Respuestas,
se establece una definición de optimización y los diseños para superficie de respuestas mas comúnmente usados. Se
explican las técnicas de optimización más usuales y se abordan los métodos para optimización simultánea de varias
respuestas.

En el cuarto capítulo es donde se presenta el modelo de Innovación Tecnológica propuesto, el cual esta basado en la
integración de las técnicas anteriormente descritas en los capítulos previos. Se presenta un caso práctico sobre un
proceso de transformación de artículos de hule a nivel laboratorio.

En último capítulo se presentan las conclusiones y recomendaciones sobre la aplicación del modelo, así como
posibles trabajos que se pueden seguir desarrollando a partir de los resultados presentados.

Se anexa un glosario de términos, siglas y acrónimos utilizados a lo largo del trabajo de tesis, con la finalidad de
facilitar su lectura y comprensión. Los acrónimos empleados en el titulo de esta tesis son utilizados como están
reportados en la bibliografía consultada en español.
Finalmente, se enlistan las referencias bibliográficas en las que soportamos y fundamentamos el presente trabajo de
tesis.

38
Resumen.
Se presenta una propuesta de un modelo para obtener innovaciones tecnológicas en los proceso de transformación
mediante la aplicación de técnicas como el Despliegue de las Funciones de Calidad (Quality Function Deployment,
(QFD)) y la Metodología de Superficie de Respuestas, (MSR). La primera técnica ha sido comúnmente utilizada para
integrar las necesidades del cliente en el diseño de un producto y la segunda se ha utilizado en el desarrollo de nuevos
productos, optimización de sus recursos, mejoramiento de su diseño. El objeto central del presente estudio de tesis es
mostrar mediante un caso práctico, sobre un proceso de transformación de hule vulcanizado, que la integración de
ambas técnicas lleva a obtener buenos resultados partiendo de las necesidades básicas de cualquier negocio. Las
necesidades básicas, sin embargo, son difíciles de entender dada la complejidad de algunos procesos ó bien cuando se
tiene poco conocimiento tecnológico sobre los procesos de transformación.

Inicialmente utilizando la técnica del QFD se busca la asimilación tecnologica del proceso identificando
primordialmente la operación crítica del proceso para posteriormente volver a aplicar una nueva matriz QFD para
determinar las variables críticas de la operación seleccionada. Las variables críticas obtenidas tienen como
característica poder ser tratadas dentro de la MSR, siguiendo la metodología propuesta por Gutiérrez, H y de la Vara,
R. (2004). Para este caso en particular se obtuvieron dos variables críticas de calidad en la operación seleccionada
gracias al análisis anterior del proceso, lo cual permitió instalarse en la fase de optimización facilitando así el
empleo de un Diseño Central Compuesto. Los resultados obtenidos permitieron cumplir las expectativas de mejorar
las condiciones de operación y la calidad del producto, con lo que se cumple con el propósito del modelo de lograr la
innovación tecnológica en el proceso.

Abstract
We present a proposal on a model to achieve technological innovation in industrial transformation processes using
techniques such as Quality Function Deployment, (QFD) and Response Surface Methodology, (RSM). The first
technique has been commonly used to integrate the client’s needs in the design of the news products. The second one
has been used in the development of new products, resources optimization and design improvement.

The main goal of this thesis work is to show, using a practical case of a rubber transformation process, that the
integration of both techniques gives good results starting with basics needs of every business. The basic needs,
however, are difficult to understand due to the complexity of some processes or when there is a little understanding of
the technology of these processes. First, using the QFD technique, we look for the assimilation of technology of the
process by identifying the critical operation in the process. Then, we use a new QFD matrix for determinate the
critical variable in the selected operation as critical. The selected critical variable has the characteristic to be treated
using RSM using the methodology proposed by Gutiérrez, H y de la Vara, R. (2004). For this particular case we got

39
two critical variables that allowed us to search in the optimization stage using Central Composite Design. The results
obtained allowed us to meet our goal to improve the operating conditions and quality of the product which were the
purpose of the model to achieve technological innovation in the process.

40
Capítulo 1
Modelos de Innovación
Tecnológica
1.1 Introducción.

La definición de modelo dada por la Real Academia de la Lengua Española; en donde se describe como un arquetipo
ó punto de referencia para imitarlo ó reproducirlo. Siempre hemos estado acostumbrados a utilizar modelos para
definir las acciones que debemos llevar a cabo para cumplir algún fin. Según Von Zeigler, A. (2005) una de las
mayores bondades de los modelos es su capacidad para ayudarnos a comprender como el ser humano ha
evolucionado en lo que a tecnología se refiere y de qué manera esto se ha reducido en beneficios. Muchas de las
instituciones de enseñanza, en todo el mundo, entienden la importancia de los modelos teóricos, y por eso se apoyan
en estos para incrementar sus alcances académicos.

Desde la antigüedad, la invención y el desarrollo técnico se han acompañado de un proceso intelectual, de una teoría.
La integración de este conocimiento alrededor de la técnica con fines prácticos es el eje del concepto tecnología, tan
amplio en la actualidad, que las tendencias contemporáneas de la investigación se dirigen hacia la formalización
científica de algunos de estos modelos, así como el planeamiento y posterior establecimiento de otros. Es frecuente
que usemos modelos aunque no seamos concientes de ello: por ejemplo, cuando las circunstancias no fuerzan a
innovar una ruta de traslado por la ciudad, planeamos y ejecutamos acciones para llevarla a cabo; si esta acción se
representase con lenguaje y conocimientos científicos tendríamos un modelo científico formal. Esta también sucede
con la tecnología.

1.2 Tecnología y Desarrollo.

De acuerdo con Gaynor, G. (1999) el termino tecnología se asocia comúnmente con lo que ha sido descrito como
“High Tech” ó alta tecnología, limitando ese termino a las tecnologías de punta, como los mas avanzadas
computadoras, chips inteligentes, superconductores, ingeniería genética, robótica, es decir, reduciendo la aplicación
del concepto a la ciencia, ingeniería y matemáticas, perdiendo de vista otros sustentos tecnológicos. La tecnología, es
más que máquinas, procesos e inventos. Existen muchas manifestaciones diferentes de tecnología algunos ejemplos
son muy simples y otros muy complejos. Una descripción en un contexto amplio debe ir más allá del tradicional. La
tecnología puede ser descrita en diferentes maneras por:

1. Tecnología es el medio para el cumplimiento de los objetivos, esto incluye todo lo necesario para convertir
los recursos en productos o servicios.
2. Tecnología incluye el conocimiento y las fuentes que son requeridos para alcanzar un objetivo.

41
 3. Tecnología es el cuerpo del conocimiento de ciencia e ingeniería, el cual puede ser aplicado en el diseño de
productos y/o procesos o en la creación de nuevo conocimiento.

Para Von-Zeigler, A. (2005) la tecnología es entregarse a la tarea de transformar la naturaleza para beneficio de la
sociedad, y aplicar en ello conocimientos científicos y técnicos en orden metodológico.

Mucho puede decirse del papel de la ciencia y de la tecnología en las sociedades modernas. Lo más trascendente es
que los satisfactores de las necesidades humanas y hasta las necesidades mismas son trasformados de manera
continua por factores atribuibles de forma directa o indirecta a las innovaciones tecnológicas. La tecnología es
esperanza y amenaza o ambos aspectos. Al margen del debate entre quienes apuestan por la neutralidad de la ciencia
y quienes critican su mal uso ó su desarrollo y crecimiento, que hay un fuerte vínculo entre desarrollo tecnológico y
crecimiento económico, hay además una influencia de la tecnología en la sociedad y que esta a su vez la enmarca, la
encauza e intenta conducirla, aunque sus resultados no sean siempre los buscados. En la actualidad, todas las teorías
del desarrollo reconocen el papel de los cambios tecnológicos en el proceso del crecimiento económico. La historia es
muy clara al respecto, pero por muchas razones en estos tiempos el impacto se muestra más complejo de lo que fue en
su época la mecanización de los procesos industriales, gracias a la máquina de vapor. Hoy la difusión de las “nuevas
tecnologías” crean disparidades mucho más amplias, y en los países desarrollados, esta impulsando una renovación de
las actividades industriales, con despidos de personal y desplazamientos territoriales. Las nuevas tecnologías en los
países en vías de desarrollo se plantean como una opción importante para cubrir necesidades pendientes, sobre todo,
si son puestas en práctica de manera económica para renovar, modernizar o desarrollar las actividades tradicionales
(explotar recursos naturales que de otra manera parecían desaprovechados), tratando de provocar un mínimo de
dificultades en las acciones, los hábitos y modos socioeconómicos.

Según Ridderstrale y Norstrom. (2000) La tecnología marca el ritmo de los negocios, por lo tanto la tecnología no es
algo rutinario y necesario, no es solo bits y bytes. No se trata de algo marginal, es lo nuevo y tiene gran influencia
sobre la sociedad. Es curioso (y algo aterrador) recordar como eran las cosas hace unas décadas. En los años
cincuenta, sesenta y setenta, la tecnología era algo que se relacionaba con el ámbito militar, con la fabricación de
cohetes, con extraños profesores y científicos que trabajan en los departamentos de investigación de empresas
farmacéuticas, etc. La tecnología era sinónimo de ganadores del premio Novel, de Yuri Gagirin, de la nave Apolo, de
misiles y de radares. Luego, se empezó a comercializar; los depredadores comerciales la secuestraron. Los creadores
de armas de destrucción masiva pasaron afortunadamente a ser instrumentos al servicio del entretenimiento de masas.
Por ejemplo, el caso de la empresa informativa Silicón Graphics. Hace diez años, su cliente mas importante era el
Ejército de los Estados Unidos; en la actualidad, es Mickey Mouse. Cuando Silicón Graphics. Recibe un encargo de
Michael Eisner para Walt Disney, o de Steven Spielberg, saben que están hablando con su fuente de ingreso más
importante.

La capacidad de lograr una ventaja competitiva en el mercado requiere que las empresas consoliden su base

42
tecnológica, ya sea mediante la creación de una área especializada en investigación y desarrollo (I+D), ó a través de la
compra de tecnología y su inmediata asimilación.

El objetivo de contar con una capacidad de innovar tecnológicamente es el apoyar la capacidad de competir con
ventaja de la empresa específicamente en relación a:

• Desarrollar los nuevos productos que la empresa requiere en el corto, mediano y largo plazo.
• Mejoramiento en los procesos actuales.
• Incremento de la productividad mediante la introducción de nuevo conocimiento en las operaciones de la
empresa.
• Capacidad para evaluar las tecnologías externas a adquirir cuando la compra de tecnología fuera la mejor
opción.

1.3 Desarrollo tecnológico. *

Durante la década de los años cincuenta se visualizo el desarrollo tecnológico como un proceso compuesto de cuatro
etapas:
Investigación Básica.
Investigación aplicada.
Desarrollo.
Ingeniería.

El proceso se inicia con la participación de científicos, quienes descubren o generan conocimientos teóricos
fundamentales, posteriormente pretenden buscar una aplicación práctica. Después, grupos de ingenieros desarrollan
el conocimiento hasta lograr soluciones tentativas que son referidas en su ingenierita hasta obtener un producto de uso
sencillo y ampliamente difundido. Con el propósito de clasificar mas este modelo, se plantean las definiciones de sus
etapas.

1.3.1 Investigación Básica. **

Es la búsqueda del conocimiento por si mismo en un campo científico bien definido, pero son la orientación de una
aplicación específica. Son bajo esta definición desde actividades puramente mentales, hasta actividades de
experimentación de laboratorio. Las reflexiones y abstracción que llevaron a A. Einstein a la elaboración de la teoría

43
sobre la relatividad, constituyen un muy conocido ejemplo de la ampliación del conocimiento por si mismo,
basándose en la actividad del cerebro humano. La razón del comportamiento peculiar del vidrio óptico lantano-boro
ante un campo magnético, puede ser investigado en el laboratorio, sin embargo a la fecha no hay aplicación práctica,
pero solamente es cuestión de tiempo.

* Extraído de Ruiz y Mandado., 1989

** Ídem., 1989

1.3.2 Investigación Aplicada. *

Es la búsqueda del conocimiento en un campo científico bien definido, con la orientación de una aplicación práctica y
especifica. También en este caso, se pueden tratar desde actividades mentales hasta actividades en el laboratorio. Las
reflexiones de L. Pasteur sobre el planteamiento de una nueva serie de experimentos para lograr demostrar que los
microbios no se generan espontáneamente ó para refinar el proceso de pasteurización. Desde luego que la
experimentación en sí, es otra actividad típica de esta etapa. En ocasiones puede ser dramática: absorber con un tubo
de vidrio un poco de baba de un perro rabioso, sostenido por dos ayudantes. La baba sería analizada para determinar
que causaba la rabia, y en consecuencia, desarrollar una vacuna.

En más de una situación, la línea que separa a la investigación básica de la aplicada, ha sido tenue. Se diría que es
cuestión de perspectiva. Uno de estos casos, puede ser los estudios iniciales sobre la transmisión de rasgos
hereditarios. En 1944 E. Schroedinger propuso que los genes son componentes clave de las células vivientes y, para
entender la vida, se debería estudiar como funcionan los genes. A esa fecha se creía que los genes eran un tipo
especial de proteína. En el mismo año, O.T. Avery, llevó a cabo experimentos que sugieren que los genes están
compuestos de acido desoxiribonucleico, de lo cual poco se sabia. Bien puede ser que los trabajos alrededor de estas
fechas tuvieran como propósito ampliar los horizontes de la ciencia. En abril de 1953 se descubre la estructura del
ácido desoxiribonucleico. Este descubrimiento implicaba que sería posible estudiar como se codificaban y transmiten
los rasgos hereditarios de generación en generación. El descubrimiento fue hecho por F. Crack, J. Watson y M
Wilkins, cuya motivación explícita era el premio Nobel y el reconocimiento de la comunidad científica.

Es posible que la divulgación de la información sobre descubrimientos fundamentales, motive la visualización de

posibles aplicaciones prácticas. Hoy en día varios de los mas importantes laboratorios farmacéuticos están trabajando
en medicamentos, desarrollados con la tecnología del acido desoxiribonucleico recombinante. Estos medicamentos
* Ídem., 1989
reforzarán las defensas naturales del cuerpo para combatir bacterias, virus y células de tumores, con lo cual se espera
curar enfermedades tales como el cáncer, leucemia, anemia y artritis reumática. Evidentemente estas investigaciones
y desarrollo están orientados por una aplicación. Es difícil establecer en qué momento la investigación dejó de ser
básica y pasó a aplicada. Quizás sea más útil el estimar el tiempo necesario para reducir a la práctica, un
descubrimiento o idea innovadora.

44
1.3.3 Desarrollo. *

Es la transformación del conocimiento científico aplicado a través de la experimentación con una planta piloto,
prototipo industrial o prototipo de mercado, según sea el caso. El concepto de prototipo de mercado es similar
al anterior, la diferencia estriba en que una versión inicial se prueba en el mercado, es decir con el consumidor.
Las pruebas se pueden hacer de diversas maneras, según convenga. Algunas alternativas son: venta del
producto en un mercado reducido, panel de consumidores en este caso se le entrega el producto a con grupo
previamente seleccionado de consumidores y pruebas bajo estricto control. Bajo esta variante caerían las
pruebas de-varias drogas.

1.3.4 Ingeniería. **

Es la refinación del conocimiento captado en la experimentación industrial y comercial, hasta lograr su explotación
masiva y la difusión de la tecnología. La refinación del conocimiento implica la decisión final de métodos y
herramientas de fabricación, así como materiales y componentes. La explotación masiva exige cambiar algunos
aspectos del diseño del producto con el propósito de facilitar el uso de métodos de trabajo, equipos y herramientas
existentes. Así mismo, conviene revisar la especificación de materiales y componentes, ya que pueden substituirse
por otros de menor costo obteniendo el mismo resultado, es .decir, con la misma actuación y desempeño.

1.3.5 Beneficios a corto plazo del desarrollo tecnológico. *

* Ídem., 1989.
** Ídem., 1989
El ahorro en costos de producción ó incremento en las ventas del producto, son los beneficios a corto plazo del
desarrollo tecnológico, ya sea aplicado a proceso de transformación o al mismo producto. La magnitud del beneficio
dependerá de la bondad y ambición de cada proyecto.

Los ahorros en costos se deben a que se logra incrementar la capacidad de la planta productiva ó se logra un
incremento en productividad. El incremento en ventas se logra debido a la mejora en el desempeño del producto ó a
una reducción en precio facilitado por un ahorro de costos en producto.

1.3.6 Las ventajas a largo plazo del desarrollo tecnológico. **

A largo plazo las ventajas se logran con la acumulación de conocimientos y experiencias, tanto de producción como
de diseño de producto. Entre mas sostenido sea el desarrollo tecnológico, mayores serán las ventajas que
proporcionará.

45
Ventas de nuevos productos. La adquisición de conocimientos de diseño de producto le da a la empresa la posibilidad
de generar nuevos productos que incrementaran las ventas.

Incremento en capacidad negociadora. La acumulación de conocimientos y de experiencias le permitirá a la empresa

negociar con muy buena postura, nuevos contratos de asistencia técnica para nuevos negocios, pues podrá precisar
justamente lo que necesita. Así mismo, podrá deshacerse de contratos de asistencia técnica que ya no necesita.

Disuasión de competencia. Al contar con tecnología propia tendrá el efecto de disuadir a la competencia nacional así
como la internacional. Esto a su vez provocará que sean innecesarias las barreras de protección económica.

Ventas de exportación. El dominio tecnológico de acceso al mercado internacional que requiere alta calidad y costos
de producción muy competitiva.

* Extraído de Kanz y Lam., 1999.

** Ídem., 1999

Ventas de asistencia técnica. La generación y acumulación ordenada de conocimiento dará la oportunidad, de vender
asistencia técnica en cualquiera de sus modalidades, siendo la más inmediata la tecnología de producción.

Participación de otros negocios. La factibilidad de abrir empresas en el extranjero viene con el desarrollo de
tecnología. También propicia la posibilidad de ser invitado a participar como socio en el extranjero, ya sea
aportando capital y tecnología ó tecnología a cambio de participación

1.4 Tecnología y Competitividad.

Para Shaker A., Sarah N., Bickford D., (1995) la capacidad de la tecnología para redefinir la competitividad en todos
los niveles se ha reconocido durante mucho tiempo por filósofos, eruditos y empresarios, desde Adam Smith, pasando
por John Kenneth Galbraith, y Michael Porter, hasta Bill Gates. En las esferas de la industria los impactos generados
por la tecnología pueden ser obvios: los dispositivos de estado sólido reemplazan los tubos al vacío, el tráfico de
pasajeros se desplaza de los trenes a los aviones. Los éxitos y los fracasos también pueden ser evidentes en el ámbito
de la firma, pero los vínculos específicos entre administración, tecnología y competitividad son menos evidentes.

Como guía general utilizaremos conceptos muy arraigados en un modelo "basado en recursos" de la firma. Las
terminologías son todavía vagas, pero en una visión simplificada la competitividad de una firma puede medirse por
las ganancias económicas a partir de ciertas capacidades (paquetes de una combinación de recursos y know-how) que
ésta posee. Estas capacidades dan a la firma los medios para suministrar valor a los clientes en una forma diferenciada

46
(por insuficiencia, por no poder duplicarse, etc.), lo cual crea ventajas competitivas que suministran las ganancias.

Mediante la gestión estratégica convencional se ajustan con facilidad dos postulados:

1. La competitividad de una empresa se define en gran parte por las ventajas competitivas específicas.
2. Un propósito fundamental de la gestión estratégica es la creación de ventajas competitivas.

De acuerdo con Palacios, J. (2006). México debe incrementar su productividad y desarrollar ventajas competitivas en
sus cadenas productivas para conservar su industria local. En el inicio del Siglo XXI operan como nunca las ventajas
competitivas. Las guerras son ahora comerciales. Por un lado la Unión Europea, por otro, el bloque oriental, y aquí el
Tratado de Libre Comercio de América del Norte (TLCAN). La ventaja competitiva de las naciones, representa para
que los países como el nuestro pueda competir en el mercado internacional contra otros países En otras palabras, los
valores agregados que los productos presentan al extranjero, obvian que exista calidad. En el siglo pasado, según
decía Adam Smith, los factores de la producción: tierra, trabajo y capital determinaban el precio de un producto en el
mercado así como su oferta y demanda; en el siglo XXI el capital intelectual, la información y la tecnología son los
factores de la producción que determinarán las ventajas competitivas de los productos en un mundo globalizado. La
calidad no es una ventaja competitiva en sí misma, es simplemente un requisito. Cualquiera de los atributos que se

asocien con la calidad, como precio y plazo de entrega, aptitud para el uso o dimensiones de la calidad, como
confiabilidad, durabilidad, mantenimiento, aspectos físicos, etc., requisitos para sobrevivir y determinar ventajas
competitivas.

1.5 El proceso de Innovación Tecnológica.

Se dice que la innovación es convertir las ideas y los conocimientos en productos, procesos o servicios mejorados, es
adaptarse a las necesidades comprendiendo innovación tecnológica, organizativa y comercial, principalmente por su
proceso evolutivo y por sus resultados. Ruiz, G. (1989) establece que: “La innovación comprende, por lo tanto todas
aquellas etapas científicas y técnicas, comerciales y financieras, necesarias para el desarrollo y comercialización con
éxito de productos nuevos o con mejores características, la utilización comercial de nuevos o mejores procesos y
equipos, o la introducción de un nuevo servicio o producto”. Esta última definición es validada por Tucker, R. (2006)
quien define tres grupos de innovación como son: Producto, Proceso ó estructura (estrategia). En la Figura 1.1., se
muestran las principales oportunidades de innovación pueden presentarse como: nuevos productos, optimación de
procesos y mejores estrategias de servicios y comerciales. Para el caso de los productos, estas son mas largas y
requieren mayores inversiones debiendo existir una necesidad o un mercado que lo impulsen.

47
 Figura 1.1 Campos de la innovación.

La definiciones anteriores quedan mejor explicadas con una de las definiciones más acertadas aportada por
Schumpeter, para quien la “innovación consiste no solo en nuevos productos y procesos sino también nuevas formas
de organización, nuevos mercados y nuevas fuentes de materias primas” (Berry y Taggart, 1994). Del mismo modo,
Rothwell, R. (1992) la define como “un proceso que incluye la técnica, el diseño, la fabricación y las actividades
comerciales y de gestión implicadas en la venta de un nuevo producto, ó el uso de nuevo proceso de fabricación ó
equipamiento”.

La innovación definida así no depende necesariamente de la tecnología. De hecho al considerad el proceso innovador
se puede concebir innovaciones económicas, sociales, tecnológicas organizativas, estratégicas, etc. Que se originan y
desarrollan en departamentos muy distintos de una empresa. Sin embargo, numerosos autores establecen una

definición precisa para el término, al considerarla como la innovación basada en la aplicación industrial de
conocimientos científicos y tecnológicos. Dentro de esta perspectiva, Freeman, C. (1987) distingue entre innovación e
innovación tecnológica y se refiere a la tecnología solo como un cuerpo de conocimientos relacionados con las
técnicas. La innovación se utiliza para describir la introducción y definición de productos y proceso nuevos o
mejorados en la empresa, mientras que la innovación tecnológica esta relacionada con los avances en el conocimiento
(Berry y Taggart, 1994).

Barceló M., Francesc S. y Jaume V., (1992) entiende por innovaron tecnológica el producto, proceso ó metodología
que aparecen en un mercado determinado y que es aceptado por el mismo. Al precisar el término es conveniente
aclara que la innovación no es sinónimo de invención sino un concepto o proceso mas amplio. En general una
invención se refiere al resultado directo de las actividades de investigación, mientras que la innovación implica un
producto comercial. Las innovaciones parten de la idea un producto/proceso que ha tenido en cuenta la viabilidad

48
técnica como la necesidad del mercado. Por lo tanto, se trata de un proceso y distinguen tres tipos distintos de
innovación:

1. Primeramente, los sistemas complejos, tales como los sistemas de telecomunicación, sistemas de armamentos,
los programas de exploración espacial, que toman muchos años y grandes cantidades de recursos financieros.
estas innovaciones requieren de una compleja planeación de tal manera que las tecnologías necesarias se
encuentren disponibles y se puedan integrar al proyecto. este tipo de innovación rara vez se efectúa a nivel
industrial.

2. Innovaciones de asalto “Breakthroughs” importantes y radicales en tecnología que llegan a cambiar todo el
carácter de una industria. El motor Jet, el sonido estereofónico, la serigrafía y el convertidor de oxigeno serian
ejemplos típicos. Este tipo de innovación es menos frecuente y mas difícil de predecir, y proviene frecuentemente
del exterior, simplemente porque el personal técnico de una industria están mas preocupados por aspectos de
corto plazo: mejoramiento del producto, reducción de costos, calidad, ampliar la línea de productos, etc.
problemas con los que pueden enfrentarse en forma natural a través de su propia habilidad técnica. Este es el tipo
de innovación gradual.

3. Innovación Gradual, de “tuercas y tornillos”. Este tipo de innovación es esencial para la sobre vivencia de las
empresas. Guarda una mayor relación con los factores económicos de competencia que los dos anteriores tipo de
innovación.

Las innovaciones que describe este modelo están orientadas a mejoras graduales en procesos y productos, las
unidades del cambio tecnológico. La innovación no es una acción única, si no un proceso compuesto de varios
subprocesos complejos, todos interrelacionados a un objeto común. Este proceso procede desde la concepción de una
nueva idea, a la solución del problema y posteriormente difundida a una nuevo satisfactor. Las innovaciones de asalto
generan un nuevo producto o proceso, las graduales una mejora. Una innovación es aquella que proporciona una
ventaja tal en la productividad de un proceso o en el desempeño de un producto, que a mediano plazo (3 años)

habrá dominado el mercado, ó estará en el proceso de hacerlo. Un cúmulo de innovaciones graduales puede construir
una innovación mayor.

Según Ruiz y Mandado. (1989) El modelo de innovación tecnológica parte de la base de que la "necesidad" es el
determinante de la innovación. Estas necesidades pueden ser militares, civiles o sociales, y se traducen en una
intensificación de los esfuerzos tecnológicos para satisfacerlas. Por supuesto, supone que la necesidad presupone la
existencia de capacidad de adquisición y, por tanto, de demanda (Figura 1.2). El principal punto de apoyo de este

49
proceso es que es posible conocer la dirección en que el mercado está tirando y que estos factores del mercado son
fundamentales para la innovación. Es decir, que el análisis de las necesidades futuras del mercado es la clave para
lograr las innovaciones con éxito. Sin embargo, este modelo presenta algunas deficiencias al justificar algunas
innovaciones con gran éxito; sobre todo, al tratar de explicar cómo es posible averiguar necesidades y demandas
sobre bienes que no existen y que, por tanto, son difícilmente conceptúales con anterioridad y mucho menos con la
capacidad para averiguar sus aplicaciones. Por ejemplo: la televisión hace 100 años. Por otro lado, asumir que la
innovación depende solo del mercado supone afirmar que la tecnología pude ser conducida a conseguir lo que se
quiera y en cualquier momento, ya esta suposición es aun hoy excesivamente ensalzadora de la tecnología. Para
definir el proceso de innovación se necesita un modelo que incorpore, por un lado, la tecnología, y por otro el
mercado, como factores esenciales del mismo.

Necesidades Demanda Incentivo Innovación.

tecnológico

Figura 1.2 Modelo de innovación según el mercado. Fuente: Ruiz y Mandado (1989)

Para Battini, P. (1994). La innovación promueve la conjugación estrecha y armónica de ideas dirigidas hacia un
objetivo en común de toda una sociedad con la esencia principal del cambio dentro del mercado comercial. Además,
corresponde a un proceso temporal cambiante de una época a otra. Es consecuencia de la iniciativa individual
proveniente de la creatividad, manifestada en una invención. De este modo este autor concluye que las etapas se
podrían definir con frecuencia de la siguiente manera:

1. Generación de ideas. Se basa, ante todo, en el fin que tiene la unión de personas e información para beneficio de
la empresa y su ambiente. Estas ideas pueden provenir de una posible invención.

2. Desarrollo de ideas. Dependen de la cultura organizacional y de los procesos internos el permitir que las personas
tengan la suficiente confianza dentro de la empresa para poder hacer realidad sus visiones y que sepan que una
buena idea nunca será menospreciada. En este punto, tal vez sea necesaria otra investigación, que ayude a que las
ideas se vuelvan del todo benéficas, recordando que la parte de al investigación ya que se hizo un estudio.

3. Implantaciones. Consta de los mismos pasos que llevan a una solución del mercado. Esos para incluyen
ingeniería, producción de herramienta, fabricación, pruebas de mercado y promoción, la innovación requiere de
un ampliación exitosa de la siguiente manera: los innovadores tiene una nueva idea de un invento ó encontrar
una que en el pasado no se había empleado porque no parecía relevante para el logro de los objetivos. Este es
introducido al mercado en cuestión y es aprobado ya que cumple con las expectativas durante cierto periodo,
pudieron ser modificados en el futuro para alcanzar una mayor efectividad. Únicamente cuando la implantación
es completamente operante, la innovación ha sido creada.

50
El modelo que se presenta a continuación de acuerdo con Ruiz y Mandado. (1989) permite ver la interacción entre
ciencia, tecnología y mercado como una actividad constante y en perpetuo cambio. Ver Figura 1.3.

Figura 1.3 Concepción integrada del proceso de innovación

Las fases del proceso de innovación según la división conceptual trazada son:

• Generación de la idea: descubrimiento o invención inicial.

• Solución del problema: Prototipo, ensayos y puesta a punto.
• Estudio comercial y plan de lanzamiento al mercado (Marketing.)
• Industrialización y puesta en marcha.
• Lanzamiento comercial o introducción en el mercado y difusión.

La innovación es un acoplamiento perfecto entre necesidad sentida y posibilidad técnica de satisfacerla. Los técnicos
hacen énfasis en el elemento investigación aplicada y desarrollo e invención, mientras que los economistas dan
importancia a la demanda. Sin embargo, estos criterios son complementarios y no excluyentes. El emparejamiento

solamente tiene lugar en las mentes de personas imaginativas. Se produce la generación de la idea, bien por
creatividad, bien por asociación imaginativa de ideas previamente considerados en algún punto de la interrelación en
perpetuo cambio entre ciencia, tecnología y mercado.

51
1.6 Modelos de Innovación Tecnológica.

Por otra parte, el modelo percibido del proceso de innovación ha cambiado junto con su práctica. Dichas
modificaciones se sintetizan en las cinco generaciones que enseguida se comentan (Rothwell, 1994).

1.6.1 Modelo de Empuje Tecnológico.

Desde 1950 hasta la segunda mitad de los años sesenta, el modelo dominante de innovación fue el denominado
empuje tecnológico “technology-push”, que es lineal y asume una progresión ordenada, empezando por el
descubrimiento tecnológico, pasando por la investigación aplicada, el desarrollo tecnológico y las actividades de
producción, para concluir con nuevos productos al mercado (véase la Figura 1.4). El mercado es el lugar que recibe
todos los frutos de la investigación y el desarrollo (I+D). Un supuesto fundamental es que a mayor I+D mayor
innovación.

Ventas.
Investigación
Producción
Básica

Ingeniería y Mercadotecnia
Diseño

Figura 1.4 Modelo de Empuje Tecnológico. Fuente: Tomado de Rothwell (1994).

1.6.2 Modelo de Jalón de Mercado.

El jalón de la necesidad o del mercado. A fines de los años sesenta se registra un incremento de la competencia
y los estudios del proceso de innovación empiezan a darle mayor énfasis al comercio, lo cual lleva a concebir que la
innovación esta determinada por el mercado (need-pull o market-pull), y articulada a partir de las necesidades de
los clientes (véase la Figura 1.5). Con esta percepción se asumía que el mercado era la fuente de ideas y que el
papel del departamento de I+D era reactivo.

Ventas.
Aecesidades de
mercado Producción

Desarrollo
1.6.3 Modelo Mixto de Gestión Tecnológica.
Figura 1.5 Modelo de Jalón de Mercado. Fuente: Tomado de Rothwell (1994)
Modelo del acoplamiento. En la década de los años setenta varios estudios empíricos mostraron que los modelos

52
de la primera y segunda generación estaban muy simplificados o eran ejemplos extremos o atípicos de un proceso
más general de acoplamiento entre ciencia, tecnología y mercado. Este proceso puede ser descrito como
lógicamente secuencial, sin que eso implique que sea continuo, y tiene la posibilidad de dividirse en una serie
etapas funcionalmente distintas, pero interactúantes e interdependiente que representan la confluencia de
capacidades tecnológicas y necesidades de mercado dentro del marco de una firma innovadora (véase Figura 1.6)

Aueva Aecesidades del mercado y de la sociedad

necesidad

Prototipo Mercadotecnia
y ventas

Generación
de ideas
I+D+ Producción Mercado
Diseños

Aueva
Tecnología Estado del arte en tecnología y producción.

Figura 1.6 Modelo Mixto de Gestión Fuente: Tomado de Rothwell (1994)

1.6.4 Modelo Mixto Integrado de Gestión.

Modelo integrado. No obstante que el modelo de la tercera generación contiene circuitos de retroalimentación,
en esencial permanece secuencial. Por lo anterior, el de la cuarta generación se caracteriza por ser paralelo,
pero integrado, y su ejemplo más notable se encuentra en la industria automotriz y electrónica de Japón (véase la
Figura 1.7).

Integración de sistemas y redes. Consiste en el uso de sofisticadas herramientas electrónicas que incrementan la
velocidad y la eficiencia del desarrollo de productos, a través de todo el sistema de innovación, es decir, al
interior de la empresa, pero también en el exterior como proveedores, clientes y colaboradores. En esencia,
este modelo se refuerza con la ultima tecnología capaz de lograr el cambio tecnológico para aumentar la
velocidad de la innovación.

53
 Mercadotecnia

I+D

Desarrollo de
productos

Ingeniería de
producción

Componentes
proveedores

Producción

Reuniones de grupos (ingenieros y gerentes)

Mercadotecnia

Lanzamiento

Figura 1.7 Modelo Mixto Integrado de Gestión Fuente: Tomado de Rothwell (1994)
Tecnológica.

1.6.5. Modelo Sistema Alemán de Diseño Industrial.

En 1984, los ingenieros alemanes Gerhard Phal y Wolfang Beitz (1984) dieron a conocer el Sistema Alemán de
Diseño Industrial. Hasta hoy, es el modelo tecnológico para la innovación y desarrollo más conocido y difundido.
Consta de cinco etapas fundamentales para integrar todas las tareas del proceso de diseño: planeación, concepto,
materialización, detalle y evaluación. Ver Figura 1.8. Se tiene que la forma especifica como se iniciaron la meticulosa
definición de todas las variables y ámbitos que intervendrán en la vida del un producto: mercados, empresas,
funcionalidad, legislación, etcétera. Posteriormente, vienen distintas propuestas de solución, de manera que el artículo
en cuestión pueda ser sometido a evaluaciones preliminares, de bajo impacto económico para las compañías. El
siguiente paso implica concretizar los conceptos previos y analizarlos a fondo para precisar y ajustar su diseño final.
A lo largo del proceso se realizan distintas validaciones y documentos de producción que permitan obtener los
mejores diseños. Cabe aclarar que el concepto diseño de producto se explica con el proceso intelectual necesario para
generar toda información e instrucciones necesarias para la producción del artículo o servicio.

Este método concluye con la evaluación física, la prueba real de los prototipos. Se esta resulta positiva, se procede a
la producción en serie. En todas las etapas del GEDS hay interacciones que obligan a probar una y otra vez el
producto y su desarrollo con el fin de perfeccionar el trabajo.

54
 Acotación de necesidades

Acotación de los requerimientos funcionales y restricciones

Solución.

Identificación de problemas esenciales

Propuesta de estructuras funcionales
Búsqueda y propuestas de principios de solución.
Combinación y ajuste dentro de las variantes de concepto
Evaluación contra criterios técnicos y económicos

Concepto

Desarrollo de configuraciones preliminares

Análisis introductorio
Revisión de errores, facilidad de construcción y costo.
Creación de lista previa de partes y planos de manufactura

Diseños preliminares

Ajuste y conclusión de las configuraciones

Análisis detallado o diseño refinado
Revisión de errores, facilidad de construcción y costo
Creación de lista previa de partes y planos de manufactura

Diseño definitivo

Terminación de detalles.
Análisis final y verificación.
Termino de dibujos de detalle y documentos de producción.

Documentación

Prototipo

Prueba y evaluación

Solución.

Figura 1.8 Sistema Alemán de Diseño Industrial. Fuente: Phal G. y Beitz W. (1984)

1.6.5 Modelo de Kart T. Ulrich y Steven D. Eppinger.

Obviamente, lo ideal es que el número pruebas sea el menor posible, ya que cada una implica un gasto empresarial
más. Esta metodología es idónea para las compañías donde no hay un trabajo intensivo de innovación, pero si cuenta
con un nivel medio, ya que se dedican a mejorar y actualizar los bienes y servicios existentes. Su aplicación correcta
promueve bondades estratégicas de gran impacto en el desempeño a futuro de una organización productiva: óptima
presentación en los mercados, disminución de la magnitud de las inversiones, incremento en los índices empresariales

55
de rentabilidad y mejora en los niveles de calidad productiva, entre otros ejemplos. Esto es posible porque las
empresas que aplican correctamente el modelo GEDS operan en ambientes con objetivos definidos al detalle, los
cuales se sincronizan con la máxime explotación de recursos. El propio modelo enfatiza esta situación en
potencializar un desarrollo con miras ideales a partir del estado actual de la empresa. De esta circunstancia se derivan
beneficios sociales como el incremento de empleos y la mayor producción de satisfactores, con su consecuente
generación de riqueza.

De manera similar al modelo de Pahl y Beitz, desde 1991 el modelo de Kart Ulrich y Steven D. Eppinger, ingenieros
mecánicos estadounidenses describen las tareas concurrentes en la función de diseño, aunque hace un ligero sesgo en
la aplicación del diseño industrial (Figura 1.9). En la actualidad se trabaja en su aplicación para la predicción
estadística de los tiempos de flujo, proceso que va desde la conceptualización del producto hasta su comercialización.
En adición al cuidadoso tratamiento de los procesos de diseño de la metodología GEDS, este sistema incursiona en el
campo de los procesos de innovación y manufactura. Por su máximo impacto estratégico, el proceso de innovación
resulta muy importante. Sucede antes del diseño y sus efectos se representan en plazos mayores.

Ésta es la fortaleza del modelo Ulrico-Eppinger: su implantación es ideal para empresas con intensa actividad
innovadora y gran desarrollo de producto, ya que propicia el crecimiento de sus mercados con el lanzamiento de
nuevos artículos. Los efectos sociales de esta circunstancia son más significativos en cuanto a cantidad que los del
proceso de diseño, aunque similares en sus cualidades, y derivan en un hecho: el proceso de innovación tecnológica
es la fuente abastecedora y promotora de todos los sectores industriales.

56
 Fase 0 Fase 1 Desarrollo Fase 2 Fase 3 Fase 4 Fase 5
de concepto. Diseño a nivel Diseño de Pruebas y Producción
Planeación. sistema. detalles refinamiento piloto.

Planeación del
producto.
Identificación de
las necesidades
del cliente.

Especificaciones del producto.

Generación del
concepto

Selección del
concepto
Pruebas de
concepto

Arquitectura del producto.

Diseño industrial.

Diseño para manufactura.

Creación de prototipos.
Diseño confiable
Patentes y propiedad intelectual.
Economía del desarrollo del producto.

Administración del proyecto.

Figura 1.9 Modelo de Ulrich y Eppinger para la innovación y desarrollo de Fuente: Ulrico y
productos. Eppinger (2004)

1.6.6 Modelo Seis Sigma de Murria.

Un sexto modelo, es el de Jonathan A. Murria, Jeffrey R. Immelt y William A. Berezowitz (1999). Cuya importancia
radica en ser una de las pocas patentes existentes sobre metodología sistemática de diseño. Se orienta a la definición y
control de los parámetros de calidad de los productos manufacturados y, por lo tanto, solo ajusta los conceptos de las
dos metodologías anteriores, indispensables para lograr tal fin; se pude apreciar sus etapas en la Figura 1.10. Como
este modelo se orienta al proceso de manufactura, resulta adecuado para las empresas que priorizan dicha actividad,
en particular aquellas donde se presentan los requerimientos técnicos de calidad más estrictos.

57
 Identificación.

Especificación

Asignación

Predicción.
Mejora Análisis

Medición

Control

Figura 1.10 Modelo Seis Sigma de Murria. Fuente: Murria, J., et., al. , (1999)

1.6.7 Modelo de Ingeniería Concurrente.

Aguayo y Soltero., (2003) explican que en el proceso de diseño y desarrollo es donde se produce y materializa la
innovación del producto. Para ellos las innovaciones se suelen clasificar en innovaciones incrementales, propias de
los rediseños o mejoras de los productos, e innovaciones radicales, cuando la solución al problema comporta una
diferencia absoluta a como se efectuaba con anterioridad de acuerdo a dos de los modelos anteriormente planteados,
el que propicia los dos tipos de innovación radical e incremental con mayor garantía de éxito es el de las Ingenierías
Concurrentes, que incorpora las innovaciones procedentes del mercado (arrastre de marketing), y las que posibilita la
tecnología (empuje de la tecnología), así como las derivadas de la acción dialéctica del factor demanda del mercado y
de las posibilidades de la tecnología.

58
 QFD

Diseño de Análisis de
experimentos. Valor

Equipo de
Diseño
trabajo
Paramétrico

Ingeniería
Concurrente DFM / DFA
CAD / CAM

Tecnología de la Diseño por:

Información -Costo.
-Ensamble
-Mantenimiento

Figura 1.11 Modelo de la Ingeniería Concurrente Fuente: Aguayo y Soltero (2003)

El modelo de ingeniería concurrente esta integrado o instrumentaliza en la resolución de problemas los recursos de
todas las capas que pertenecen a esa etapa. Las etapas que corresponde son las siguientes:

1) Definición y especificaciones del concepto del producto.

2) Diseño (preliminar y de detalle) del producto, envase y embalaje.
3) Prototipado.
4) Diseño de proceso.
5) Elaboración de lotes piloto.
6) Fabricación en serie
7) Distribución
8) Comercialización
9) Explotación y mantenimiento.
10) Obsolescencia.

A cada una de las etapas que se sitúan en la capa más superficial del modelo le corresponde un conjunto de recursos,
situado en las capas concéntricas más interiores. Así, para todas las etapas de la planeación del diseño y desarrollo

59
del producto y del ciclo de vida de este, existe un recurso en las capas inferiores que soporta al que es elemento
integrador, que es e trata de la técnica de QFD (Quality Funtion Deploymeent). Este recurso que eslabona las distintas
etapas del proceso de diseño y desarrollo del producto permite garantizar el despliegue a largo de las etapas del ciclo
de vida del producto, las expectativas y los deseos de los clientes externos (mercado), así como de os clientes internos
(fabricación y otros departamentos), posibilitando un proceso del Diseño y desarrollo del producto y orientarlo al
cliente.

Figura 1.12 Esquema de Ingeniería Concurrente Fuente: Aguayo y Soltero (2003)

El modelo descrito por Aguayo F. y Soltero V. es mejor conocido como Ingeniería Concurrente CE (Concurret
Engineering), el cual fue desarrollado en Japón a mediados de los años a 80´s, con la intención de introducir al
mercado productos en el menor tiempo posible. La Ingeniería Concurrente confía en un enfoque de equipo y en la
adopción de ciertas técnicas especificas. En la fase del diseño y desarrollo del producto la CE, se apoya en el diseño
robusto de Taguchi.

60
Capítulo 2
Técnica “QFD”
Despliegue de las Funciones
de Calidad

2.1 Introducción.

En Octubre de 1983, Yoji Asao introdujo el despliegue de las Funciones de Calidad (Quality Function Deployment
(QFD)) en Estados Unidos en un breve artículo que apareció en Quality Progress, revista mensual de la American
Society for Quality Control (ASQC). Actualmente, el despliegue de la calidad es un componente principal en el
esfuerzo en Calidad Total de los Estados Unidos. (Mazur, G., 2002)

El concepto de despliegue de calidad surge al final de los años 60. La primera documentación del despliegue de
calidad aparecía en 1972, en un artículo titulado “Deployment and Quality Assurence of New Product: A System of
Quality Deployment” en la revista mensual Standardization and Quality Control. Poco después, se público el gráfico
de calidad por los astilleros de Kobe de Mitsubishi Havy Industries, quienes en 1978 escribieron y publicaron un libro
de artículos titulado “Quality Function Deployment: An Aproach to Total Quality Control (TQC)” que sistematizaba
las ideas y temas básicos del QFD. Esto demuestra que el concepto de despliegue de calidad se habia estado
utilizando desde 1972. Su desarrollo en tan pocos años ha sido notable. La idea se ha introducido con resultados
probados en cada aspecto del desarrollo de nuevos productos y tecnología. Con la reciente y fuerte promoción del
TQC, la gama de aplicaciones del despliegue de calidad incluye la fabricación y la construcción, e incluso los
sectores de servicios y software. Las técnicas de despliegue de calidad se han introducido en los Estados Unidos,
mayormente en la industria del automóvil, con estimulantes resultados informados por directivos e ingenieros que la
han empleado. Asao, Y., et. al., (1983)

2.2. Despliegue de las funciones de calidad.

Con los rápidos cambios que se suceden en esta época, especialmente en nuestro entorno social y económico,
muchas compañías hacen frente a frecuentes cambios en su estructura industrial arrastrados por la innovación
tecnológica y la evolución de las tendencias de los consumidores. Estas compañías comprueban que el esfuerzo para
desarrollar nuevos productos es crucial para su supervivencia.

61
El despliegue de funciones de calidad, ofrece métodos específicos para asegurar la calidad a través de cada fase del
proceso de desarrollo del producto, comenzando por el diseño. En otras palabras, éste es un método para desarrollar
una calidad de diseño enfocada a satisfacer al consumidor y entonces trasladar las demandas del consumidor en
metas de diseño y puntos principales de aseguramiento de la calidad a través de la fase de producción.

La Revisión del Diseño es también muy importante pues presenta una

oportunidad para inspeccionar el diseño mismo. El despliegue de funciones de calidad es un modo de asegurar la
calidad del diseño mientras el producto está en
dicha fase de diseño. (Hasegawa, A., 1983)

2.3. Definiciones del despliegue de funciones de calidad.*

El Dr. A. V. Feigenbaum, una autoridad en Control de Calidad Total (TQC), define un sistema de calidad como el
sistema de procedimientos técnicos y administrativos requeridos para
producir y entregar un producto con estándares de calidad especificados. El Dr. J. M. Juran

* Extraído de Akao, Y., 1990

62
 define una función de calidad como una función que forma la calidad. Todas las actividades tales como la
planificación y el diseño, mostradas en la parte inferior de la Figura 2.1, son funciones que forman, o contribuyen, a
la calidad. Las contemplamos como significando "planificación como función de calidad" o "diseño como función
de calidad". Ahora puede ver que el sistema de calidad, tal y como se ha definido antes, es realmente un orden lógi-
co, o secuencia, de funciones de calidad.
Despliegue de funciones de calidad

Planificación

Fabricación
Ensayos
Diseño

Servicio
Figura 2.1 Despliegue de calidad y despliegue de las funciones de Función Fuente: Akao, Y., (1990)
calidad.

Despliegue de funciones de calidad

El Dr. Shigeru Mizuno define el despliegue de funciones de calidad como el despliegue paso a paso con el mayor
detalle de las funciones u operaciones que conforman sistemáticamente la calidad, con procedimientos objetivos
más bien que subjetivos. Por tanto, el sistema de calidad del Dr. Feigenbaum puede basarse en el despliegue de las
funciones de calidad.

Sin embargo, cuando desarrollamos un sistema de calidad, debemos analizar y entender la estructura de la calidad
en sí misma, no solamente la estructura de los procedimientos de control de calidad. En otras palabras, la parte
superior de la Figura 2.1 es tan importante como la inferior.
Un producto ensamblado a máquina es un producto producido por un sistema. La calidad del producto debe
asegurarse a través de la calidad de los subsistemas, la calidad de los subsistemas a través de la calidad de sus
partes, y la calidad de las partes a través de los elementos del proceso (elementos de control). Aunque las relaciones

30
entre éstos no siempre se explican, el autor explica que mediante la experiencia es posible demostrar que todo ello
puede entenderse como aspectos del despliegue de funciones de calidad. Ahora podemos ya definir el despliegue de
funciones de calidad como la conversión de las demandas de los consumidores en "características de calidad" y el
desarrollo de una calidad de diseño para el producto acabado mediante el despliegue sistemático de relaciones entre
demandas y características, comenzando con la calidad de cada componente funcional y extendiendo el despliegue
de la calidad a cada parte y proceso. La calidad global del producto se formará a través de esta red de relaciones.

2.4. Implementación de la técnica “QFD”. *

Para implementar la técnica de “QFD” se utilizan varias matrices, cuyo propósito es establecer una manera
sistemática de asignar responsabilidades para desplegar la voz de cliente, trasladando esos requerimientos en
parámetros de diseño y fabricación (o actividades específicas). Así el papel de “QFD” es entender las necesidades
del cliente formarlas en acciones específicas, identificar áreas que requieren atención y mejoramiento y establecer
las bases para futuros desarrollos. La aplicación formal de esta técnica se llevó a cabo por primera vez en Japón
(1972) en Mitsubishi por Kobe Shipyard.

Producto: Lamina de un carro

Atribución: duración

Lenguaje del consumidor.

Años de duración
¿Se cumplió con
Lenguaje de diseño. lo esperado?
No oxidación exterior en
tres años

Características de las
partes.

Peso de pintura: 2-25 g/m2

Tamaño de cristal: 3 max.
Traduciendo la voz
del cliente a través de Operaciones de
manufactura.
todo el proceso
Inmersión en tanque tres
capas.

Requerimiento de
producción

Tiempo: 2minutos minimo

Acidez: 15 a 20
Temperatura 48 a 55° C

Figura 2.2 Despliegue de la voz del cliente a lo largo Fuente: Gutiérrez y de la Vara , (2004)
del proceso
* Extraído de Gutiérrez y de la Vara, 2004

El enfoque de “QFD” se ilustra en la Figura 2.2. En donde se muestra cómo necesidad específica del cliente (en su
lenguaje) se traduce a lo largo de las diferentes partes del proceso, desde el diseño hasta los requerimientos o
especificaciones concretas \ producción. Ese proceso de despliegue debe darse también a la inversa (como se
muestra con las flechas ascendentes), para ver si efectivamente se cumple con lo esperado.

31
Entender los requerimientos del cliente es fundamental, pero el problema ¿si el cliente se expresa en un lenguaje y
las características de un producto por otro?, por ello se requiere una traducción, y eso es lo que logra precisamente
con el “QFD”. En la Figura 2.3 se muestra un esquema de lo anterior y otro ejemplo.

| Entender los requerimientos del cliente.

Rendimiento Lenguaje del cliente Requerimientos

Los requerimientos del Pero las Entonces los

proceso están necesidades del requerimientos del
diseñados para cliente están cliente deben ser
satisfacer las definidas en su traducidos al
necesidades de del lenguaje lenguaje del proceso
cliente
Traducción de la voz del cliente

Voz del cliente Asunto clave Requerimientos

“Toma demasiado Tiempo Tiempo de respuesta

tiempo” máximo 10 minutos.
Demasiadas
“Demasiado referencias, El tiempo de registro
complicado” demasiados datos del cliente debe ser
menor a dos minutos

Figura 2.3 Entender los requerimientos del cliente. Fuente: Gutiérrez, y

de la Vara, ( 2004)

El “QFD” empieza con una lista de objetivos o qué(s) del contexto del desarrollo de un nuevo producto ó en general
de un proyecto, ésta es una lista de requerimientos del cliente o prioridades de primer nivel, y es conocida como la
voz del cliente. Estos originalmente pueden ser vagos y difíciles de implementar en forma directa, requerirán de
una definición posterior más detallada. Esta lista se refina a un siguiente nivel de detalle listando uno o más
cómo(s). En la siguiente fase estos cómo(s) se convierten en qué(s) y definiendo una nueva y más detallada lista de
cómo(s) para los nuevos qué(s). Este proceso de refinamiento se continúa hasta que cada punto en 1 sea concreto,
tal vez un requerimiento de producción o una indicación a un trabajo. Este proceso se complica por el hecho de que
en cada nivel de refinamiento en donde los cómo(s) afecta o se relaciona con más de un qué. Esta complicación se
resuelve con un diagrama matriz como el que se muestra en la Figura 2.4.

32
Figura 2.4 Forma básica de la casa ó matriz de la calidad. Fuente: Gutiérrez, H y
de la Vara, R., 2004

33
Capítulo 3
Metodología de Superficies
de Respuestas

3.1 Conceptos de la Metodología de Superficies de Respuestas.

La metodología de Superficies de respuesta (MSR) es un conjunto de técnicas utilizadas en el estudio de la relación

entre una o más respuestas y un conjunto de factores ó variables independientes y donde el objetivo es optimizar
ésta(s) respuesta(s). Dicha metodología se realiza mediante una experimentación secuencial, esto es, la aproximación
de la región de interés se realiza en forma iterativa utilizando diseños cada vez más complejos que dependen de la
información que se obtiene en cada etapa (Box y Draper., 1987).

El uso de diseños de superficie de respuesta es la alternativa más adecuada, en experimentos cuyo objetivo es
establecer la relación entre los factores y la variable dependiente, dentro de la región experimental. Lawson J.,
Madrigal, J. y Erjavec, J. (1992).

Para Castaño y Domínguez., (2003). La MSR es una herramienta que se ha utilizado ampliamente en el desarrollo
de procesos industriales y en el desarrollo tecnológico.

En la mayoría de los problemas de MSR, la forma de la relación entre respuestas y las variables independientes es
desconocida. Por lo tanto, el primer paso de la MSR, es encontrar una aproximación adecuada de la verdadera
relación funcional entre el conjunto de variables independientes.

Por lo general la superficie de respuestas se representa gráficamente, como en la Figura 3.1. Donde n se Gráfica
contra los niveles de x1 y x2.

34
 Fig. 3.1 Superficie de Respuestas tridimensional donde Fuente: Montgomery D (2001).
se indica el rendimiento esperado (n) como una función
de la temperatura (x1) y la presión (x2).

Generalmente se empela un polinomio de orden inferior en alguna región de las variables independientes. Si la
respuesta esta bien modelada por una función lineal de las variables independientes, entonces la función de
aproximación es el modelo de primer orden.

y = ß0 + ß1 x1 + ß2 x2 +…… ßk xk + ε Ecuación 3.1

Donde ß0 representa a la media general, ß1 es el efecto del factor X1, ß2 es el factor X2…… ßk son y ε son las
variables independientes e idénticamente distribuidas N (0, σ2).

Si hay curvatura en el sistema, entonces debe usarse un polinomio de orden superior, tal como los modelos de
segundo orden.

k k
∑ ∑ ßij xj + ε
y = ß0 + ∑ ßi xi + ∑ ßii xi2 +……∑ Ecuación 3.2
i=1 i=1 i< j

Donde ß0, representa a la escala y es el corte de la superficie con el eje Y en el origen, ß1 representa el efecto del

factor x1, ßii representa el efecto de curvatura pura de la variables Xi , ßij mide el efecto de interacción xi xj y ε al
igual que la ecuación 3.1 representa el error experimental aleatorio.

35
En casi todos lo problemas de MSR se usa uno de estos modelos ó ambos. Desde luego, es probable que un modelo
polinomial sea una aproximación razonable de la verdadera relación funcional en el espacio completo de las
variables independientes, pero para una región relativamente pequeña suelen fusionarse bastante bien (Montgomery
D., 2001).
La MSR es un procedimiento secuencial. Muchas veces, cuando se esta en un punto de la superficie que está
apartado del optimó, el objetivo es llevar al experimentador de manera mas rápida y eficiente por la trayectoria del
mejoramiento hasta la vecindad general del punto óptimo. Una vez que se ha alcanzado la región del óptimo, puede
emplearse un modelo más elaborado, como el de segundo orden, y llevarse a cabo un análisis para localizar el
óptimo. En la Figura 3.2, se puede ver que el análisis de una superficie de respuesta puede considerarse como “un
ascenso a una colina”, donde la cima de ésta representa el punto de la respuesta máxima. Si el verdadero optimo es
un punto de respuesta mínima, entonces pude considerarse como “el descenso a un valle”. El objetivo último de la
MSR es determinar las condiciones de operación óptimas del sistema o determinar una región del espacio de los
factores en la que satisfagan los requerimientos de operación. Box y Draper (1987) describen que la MSR, se utiliza
cuando las relaciones entre variables, no son completamente entendidas como para representarles de manera directa a
través de un modelo matemático exacto, si no que es necesario construir un modelo empírico para aproximar su
comportamiento.

Fig. 3.2 El carácter secuencial de la MSR Fuente: Montgomery, D. (2001)

36
Según Gutiérrez y de la Vara, (2004). En su contexto reducido, la MSR consiste en tres palabras clave: diseño,
modelo y técnicas de optimización. El diseño y el modelo se piensan al mismo tiempo, las cuales dependen del tipo
de comportamiento que se espera en la respuesta. Según el comportamiento de la respuesta, el modelo puede ser de
primero y segundo orden (plana y curva), por ello, el tipo de diseño utilizado y el método de optimización se
clasifican, según sea el caso, como de primero o segundo orden. La palabra diseño implica que para optimizar un
proceso se debe saber diseño de experimentos, en particular aquellos que sirven para ajustar un modelo de regresión
múltiple. Los diseños factoriales completos ó fraccionados y algunas variantes de éstos, son los más recomendados
en la práctica. También hay diseños que se inventaron exprofeso para abordar el problema de optimizar el proceso
ajustando un modelo de regresión.

CRIBADO BÚSQUEDA I BÚSQUEDA II

Se tienen más de Modelo tentativo Formular modelo

8 factores de primer orden de segundo
orden

Diseño central
Seleccionar la Diseño factorial compuesto,
resolución 2k o 2k-p con diseño Box-
repeticiones al Behnken
centro

Correr los
experimentos
Diseño factorial
altamente Realizar los
fraccionado experimentos
Determinar el
mejor modelo
jerárquico
Hacer las Estimar el modelo
corridas del y probar falta de
experimento en ajuste Encontrar el
orden aleatorio punto
estacionario
(candidato a
óptimo)

Analizar los datos No

¿Es lineal la
superficie? Caracterizar la
superficie
Si
Determinar los Moverse
efectos activos experimentando en la No
dirección optima, ¿Es el óptimo
hasta detectar deseado?
cambio de tendencia Análisis de
Si cordillera

Condiciones
optimas del
proceso

Fig. 3.3 Esquema de los elementos de la MSR. Fuente: Gutiérrez y de la Vara. (2004)

37
La palabra modelo supone el conocimiento de análisis de regresión lineal múltiple. Debemos decir, sin embrago, que
no se requiere ser experto en el tema, sino conocer algunos elementos básicos como son: parámetros del modelo,
modelo ajustado, significancia del modelo, prueba de falta de ajuste, residuos, predichos, intervalos de confianza
para predichos, coeficiente de determinación. En su contexto amplio la MSR se puede establecer como una
metodología en donde se distinguen tres etapas: Cribado, búsqueda I ó de primer orden y búsqueda II o de segundo
orden. Ver Figura 3.3. El número de experimentos y de etapas que se requieren depende del grado de conocimiento
que se tenga al comenzar la investigación. Se conoce poco del proceso en cuanto a los factores que influyen, es
posible que se requiera comenzar por la etapa de cribado, en particular si se tienen más de ocho factores. Puede ser
que por experiencia previa ya se conozca los pocos factores de mayor influencia y no sea necesaria la etapa de
cribado. Inclusive puede ser que y se sepa que si existe curvatura pura en algunos factores, así que desde el principio
del estudio se propone un diseño modelo que permita estimarla, y por tanto se esta en la etapa de búsqueda II sin
haber pasado por las dos primeras.

3.2 El concepto de optimización. *

Como se discutió anteriormente, algunas veces con un experimento no se obtienen las respuestas buscadas ó el nivel
de mejora logrado no es suficiente, por lo que es necesario experimentar de manera secuencial hasta encontrar el
nivel de mejora deseado. Por ejemplo cuando el experimento inicial se realiza con muchos factores (mas de ocho) se
sabe de antemano que con el estudio inicial solo se estudiarán de una forma general los factores, por lo que se
requerirá de al menos un segundo experimento para estudiar con mas detalle los pocos factores (cinco o menos que
resulten significativos en el primer estudio. Es posible que se descubra que algunos de estos factores afectan de
forma no lineal (con curvatura) a la variable de interés, en cuyo caso será necesario aumentar la cantidad de puntos
experimentales para poder estudiar dicha curvatura. También pude ocurrir, en particular cuando desde el primer
diseño se tienen pocos factores, que sea necesario estudiar la curvatura aumentando el diseño inicial, sin haberse
movido de lugar son parte de la llamada metodología de superficie de respuesta. (MSR).

Cuando el objetivo es encontrar el punto óptimo. Uno de los posibles objetivos del diseño experimental es
determinar las condiciones óptimas de operación del proceso. La MSR es la estrategia experimental y de análisis que
permita resolver el problema de encontrar las condiciones de operación óptimas de un proceso, que son aquellas que
dan por resultado “valores óptimos” de una ó varias características de calidad del producto. En muchas ocasiones,
desde el primer experimento el objetivo del proyecto y del grupo de mejora es determinar las condiciones óptimas de
operación del proceso, y si ese es el caso la manera de proceder es algo distinto respecto a cuando el objetivo es solo
localizar un mejor tratamiento.

* Extraído de Gutiérrez y de la Vara. (2004)

38
Región experimental y región de operabilidad. La región experimental es el espacio delimitado por los rangos de
experimentación utilizados con cada factor. La región de operabilidad esta delimitada por el conjunto de puntos
donde el equipo ó proceso puede ser operado. Es difícil delimitar con certeza el tamaño de la región de operabilidad,
ya que aun cuando se conoce (por especificaciones del equipo) el rango en que se puede colocar cada factor
individual, no es necesario que se conozcan esos límites, considerando varios factores velocidad y fuerza se
mantengan un poco debajo de sus niveles de operabilidad mayores. Habría que estudiar bien las especificaciones de
la máquina en cuestión, para ver si indican alguna restricción de mover factores de manera simultánea. La región de
operabilidad considera todas las combinaciones posibles de los niveles los factores donde el proceso puede operarse
y esta siempre es igual o más grande que la región experimental. Considerando por facilidad regiones de forma
regular, en la Figura 3.4 se presentan las regiones de operabilidad y experimental.

Fuente: Gutiérrez y de la Vara., (2004)

Figura 3.4 Regiones de operabilidad y experimental

Mejor tratamiento y punto óptimo. En los diseños experimentales se tomaba como conclusión el haber encontrado el
mejor tratamiento ó mejor combinación de niveles de factores estudiados, y muchas veces éste resulta ser uno de los
que se corrieron en el experimento. En particular en diseños factoriales completos, el mejor tratamiento es el
“tratamiento ganador”, desde el punto de vista estadístico, de entre todos los que se probaron en el estudio, en
cambio el punto óptimo implica que es el mejor tratamiento posible en todo la región de operabilidad. Así,
determinar el punto óptimo plantea un reto mas fuerte para el experimentador y requiere de una estrategia más
completa, que incluye la posibilidad de necesitar varios experimentos en forma secuencial y el uso de otras técnicas
de análisis. En la Figura 3.5 se muestra la diferencia entre punto óptimo y mejor tratamiento.

39
 Fuente: Gutiérrez y de la Vara., (2004)

Figura 3.5 Mejor tratamiento y punto óptimo, región

experimental y región de operabilidad.

3.3 Ecuaciones de superficie de respuesta

En la mayoría de los problemas de MSR, la forma de la relación entre respuestas y las variables independientes es
desconocida. Por lo tanto, el primer paso de la MSR, es encontrar una aproximación adecuada de la verdadera
relación funcional entre el conjunto de variables independientes. Por lo general se empela un polinomio de orden
inferior en alguna región de las variables independientes. Si la respuesta esta bien modelada por una función lineal de
las variables independientes, entonces la función de aproximación es el modelo de primer orden mostrado en la
ecuación 3.1 Si hay curvatura en el sistema, entonces debe usarse un polinomio de orden superior, tal como el
modelos de segundo orden, se trata del caso mostrado en la ecuación 3.2 En casi todos lo problemas de MSR se usa
uno de estos modelos ó ambos. Desde luego, es probable que un modelo polinomial sea una aproximación razonable
de la verdadera relación funciónal en el espacio completo de las variables independientes, pero para una región
relativamente pequeña suelen fusionarse bastante bien. El método de los mínimos cuadrados, se usa para estimar los
parámetros de los polinomios de aproximación. Después se realiza el análisis de superficie de respuesta utilizando la
superficie ajustada. Si la superficie ajustada es una aproximación adecuada de la verdadera función de la respuesta,
entonces el análisis de la superficie ajustada será equivalente aproximado del análisis del sistema real. Los
parámetros del modelo pueden estimarse de manera más eficiente cuando se emplean los diseños experimentales
apropiados para recolectar los datos. (Montgomery, D., 2001).

Para Gutiérrez y de la Vara,(2004) cuando se trate con mas de dos factores, la superficie de respuesta no se pueden
graficar completas una sola vez, por encontrarse en cuatro dimensiones ó más, pero se preserva la misma idea. Esto
es, para k >2 el modelo de primer orden representa un hiperplano y el de segundo orden representa un hiperelipsoide
o hiperboloide. Sin embargo, para k = 3 factores se puede graficar la superficie haciendo las tres gráficas con dos
factores cada vez, con el tercero constante. Si el programa graficado utilizado permite fijar el tercer factor en

40
diferentes valores de su rango, entonces es posible lograr una visión de la hipersuperficie completa graficando cada
pareja de factores en diferentes niveles del tercer factor. Para cuatro factores o más factores serian demasiada
gráficas de dos a dos y es mejor basarse sólo en técnicas analíticas. Ver Figura 3.6, para observar los diferentes
planos obtenidos por la superficie de respuestas.

41
 Fuente: Gutiérrez H. y de la Vara R. (2004)

Figura 3.6 Superficie de respuestas: a) descrita por un modelo de primer orden b), c) y d) descritas
por modelos de segundo orden.

3.4 Diseños de superficies de respuesta.

Para Gutiérrez y de la Vara, (2004) los diseños de superficie de respuesta se clasifican de acuerdo al modelo que se
pretende utilizar. El nombre de diseños de superficie respuesta es porque se parte de que el objetivo es describir el
comportamiento de la respuesta con un modelo de regresión, y éste describe la superficie sobre la región
experimental como en la Figura 3.6. Después se analiza dicha superficie con técnicas de optimización que también
se clasifican de acuerdo al modelo que permiten localizar puntos en la dirección óptima de movimiento, el mejor
punto posible dentro de la región experimental, o bien, el punto ó tratamiento óptimo cuando existe. Algunas
propiedades deseables en los diseños para la MSR son:

1. Que genere una distribución satisfactoria de la información sobre la región experimental. Los diseños más
utilizados son puntos distribuidos en forma uniforme sobre la región experimental, ó cuando menos tienen alguna
simetría respecto al centro de ésta.
2. El diseño debe requerir un número mínimo de corridas experimentales, ya que en cada prueba que se realiza se
gastan recursos que siempre son escasos.

3. El diseño debe permitir que otros diseños de orden mayor puedan construirse a partir de él. Cuando el
comportamiento de la respuesta resulta ser más complicado de lo que se pensaba (por ejemplo se detecta
curvatura), se agregan puntos adicionales al diseño para tratar de explicar ese comportamiento. Muchos diseños
complicados se construyen a partir de diseños más simples.

42
4. Debe permitir detectar la falta de ajuste del modelo. Se dice que un modelo no se ajusta bien cuando existen
términos todavía no incluidos en el modelo que contribuyen de manera significativa en la explicación de la
respuesta. Para poder detectar la falta de ajuste del modelo se requieren repeticiones, al menos en el centro del
diseño.

5. El diseño debe proporcionar un estimador puro de la varianza del error, lo que se logra con repeticiones al menos
en el punto central. Esto permita dar intervalos de confianza más precisos para la respuesta predicha sobre el
punto óptimo.

Box y Draper (1987) Establecieron que las propiedades deseables en los diseños para superficies de respuestas son la
ortogonalidad y la rotabilidad. Estas propiedades aumentan la eficiencia de los diseños que las poseen, en el sentido
de que facilitan la interpretación de los parámetros estimados en el modelo y de la superficie de respuesta. Y a
continuación definen estas propiedades:

Ortogonalidad y rotabilidad Se considera que un diseño es ortogonal cuando los coeficientes estimados en el
modelo ajustado no están correlacionados entre sí, lo que hace que el efecto de cada término, representado por el
parámetro correspondiente, se estime de manera más precisa. Un experimento es ortogonal si en la matriz de diseño
todos los vectores columnas son independientes entre sí. Por ejemplo, es fácil verificar que en un diseño factorial
completo 2k las columnas son independientes debido a la propiedad de ortogonalidad. Si el producto punto de
cualquier par de columnas es igual a cero, las columnas son independientes (ortogonales); multiplique dos columnas
cualquiera, término a término y en la notación -1 y +1, y el resultado es cero. Esta propiedad es la que explica que
cada contraste pueda atribuir a un efecto diferente; cuando no hay ortogonalidad existe una especie de "confusión
parcial" entre los efectos o términos del modelo al estar correlacionados.

Un diseño se llama rotable si la varianza de Y(x) sólo depende de la distancia del punto x al centro del diseño y no de
la dirección en la que se encuentra. Es decir, si pensamos en la variable var [Y(x)] como otra respuesta, su gráfica de
contornos tiene la forma de círculos concéntricos alrededor del centro del diseño. La rotabilidad del diseño asegura
que la calidad de la predicción, medida por var [Y(x)]7 sea invariante a cualquier rotación del diseño alrededor del
centro del mismo; de aquí el nombre de esta propiedad. La importancia práctica de la rotabilidad en el problema de
encontrar el punto óptimo es porque asegura que, con independencia de la dirección en que se explore a partir del
centro del diseño, la calidad de predicción se comporta de igual manera.

3.5 Diseños experimentales para ajustar superficies de respuestas.

43
3.5.1 Diseños para ajustar el modelo de primer orden.*

Suponga que quiere ajustarse el modelo de primer orden en k variables

K
γ = β o + ∑ β i χi + ε Ecuación 3.3
i=1

Hay una clase única de diseños que minimizan la varianza de los coeficientes de regresión {β i}. Se trata
de los diseños de primer orden ortogonales. Un diseño de primer orden es ortogonal si todos los elementos que están fuera de
la diagonal de la matriz (X' X) son cero. Esto implica que la suma de los productos
cruzados de las columnas de la matriz X sean cero. La clase de los diseños de primer orden ortogonales incluye a los factoriales 2k y
las fracciones de la serie 2k en las que los efectos principales no son alias entre sí. Al usar estos diseños se supone que los niveles
bajo y alto de los k factores están codificados en los niveles usuales ±1.

El diseño 2k no permite la estimación del error experimental a menos que se hagan réplicas de algunas corridas. Un método
común de incluir las réplicas en el diseño 2k es aumentar el diseño con varias observaciones en el centro (el punto j = 0, i = 1,
2,..., k). La adición de puntos centrales al diseño 2k no influye en las {β i} para i ≤ 1, pero la estimación de β 0 se convierte en el
gran promedio de todas las observaciones. Además, la adición de puntos centrales no altera la propiedad de ortogonalidad del
diseño.

* Extraído de Montgomery, D. (2001)

Otro diseño de primer orden ortogonal es el diseño simplex. El diseño simplex es una Figura de lados regulares con k + 1
vértices dimensionales. Por lo tanto, el diseño simplex es una Figura de los lados regulares con k + 1 vértices en k
dimensiones. Por lo tanto, el diseño simples para k = 2 es un triangulo equilátero, y para k = 3 es un tetraedro regular.

3.5.2 Diseños para ajustar el modelo de segundo orden

Para Gutierrez y de la Vara, (2004) se llaman diseños de segundo orden aquellos que permiten estudiar, además de los efectos
lineales y de interacción, a los efectos cuadráticos o de curvatura pura. Por tanto estos diseños se emplean cuando se
quiere explorar una región que se espera sea más compleja o cuando se cree que el punto óptimo se encuentra ya dentro de
la región experimental. El modelo de segundo orden dado por

k k k k
∑ ∑ ßij xj + ε
y = ß0 + ∑ ßi xi + ∑ ßii xi2 +……∑ Ecuación 3.4
i=1 i=1 i< j

44
Tiene p = (k + 1)(k + 2)/2 términos, por tanto se requiere al menos esta cantidad de puntos de diseño. El diseño debe
tener al menos tres niveles en cada factor para poder estimar la curvatura de la superficie en la elección de cada factor.
Es deseable que estos diseños sean ortogonales, pero a veces no es fácil que cumplan esta propiedad y se admite alguna
dependencia entre las columnas de los contrastes. Los más utilizados tienen la propiedad de ser rotables. Entre los más
recomendables podemos encontrar son: el diseño de Box-Behenken y el diseño central compuesto o de composición
central. Existen los diseño 3k que también sirven para ajustar un modelo de segundo orden, pero no son los más
recomendados.

Los diseños de Box-Behnken se forman al combinar diseños factoriales en dos niveles con los llamados diseños en bloques
completos balanceados (DBIB). Los diseños en bloques completos al azar (DBCA); lo completo es porque en cada bloque
se prueban todos los tratamientos. Cuando en cada bloque prueban sólo algunos tratamientos se tiene un diseño en
bloques incompletos, y es balanceado si en cada par de tratamientos se prueba la misma cantidad de veces. Ver Figura
3.7

Fuente: Gutiérrez, y de la Vara, (2004)

Figura 3.7 Representación del diseño Box-

Behnken para tres factores.

Para Montgomery D. (2001) Los diseños resultantes suelen ser muy eficientes en términos del número requeridos
de corridas, y son rotables ó casi rotables. Según Lawson J., et al. (1992) Estos diseños tienen dos ventajas sobre
los Diseños Centrales Compuestos (más adelante se describirán). La primera es que utilizan menos experimentos
(excepto cuando tiene cinco factores), especialmente para k=3. El número de experimentos y la distribución de
puntos centrales y otros puntos, en estos diseños, se muestra en la Tabla 3.1. Cabe aclarar que el ahorro (en
cantidad de experimentos) es mínimo, cuando el numero de factores esta entre cinco y siete. La segunda es que
estos diseños existen solamente tres niveles (esto es, cada factor se controla en -1, 0 o +1), mientras que los
diseños compuestos centrales tienen cinco niveles (esto es, -∝, -1, 0 , +1 +∝). Además, al mantener el número de
niveles al mínimo se facilita la administración del programa experimental.

45
 Diseño central compuesto. El diseño de composición central (DCC) es el más utilizado en la etapa de búsqueda de
segundo orden debido a si gran flexibilidad: se pueden construir a partir de un diseño factorial completo 2k o
fraccionado 2k-p agregando puntos sobre los ejes y al centro, además de otras propiedades deseables. Este diseño
se compone de tres tipos de puntos:

1. una replica de un diseño factorial en dos niveles, completo ó fraccionado. A este parte del DCC se le
llama porción factorial.
2. no puntos o repeticiones al centro del diseño con no ≥ 1.
3. Dos puntos sobre cada eje a una distancia ∝ del origen. Estos puntos se llaman porción axial. La
manera en que se ensamblan y el DCC resúltate se muestra en la Figura 3.8

Fuente: Gutiérrez, H. y de la Vara, R. (2004)

puntos al centro + puntos axiales + porción factorial = Diseño de composición central

Figura 3.8 Representación de los tipos de puntos en los DCC para k = 2 y 3 factores

Para Lawson J., et. al., (1992) La combinación de los puntos centrales y estrella representan un conjunto de
experimentos “uno a la vez”, con tres niveles de cada variable independiente, denotados por -∝, 0 y∝. Lo único que
se debe decir es la magnitud de ∝ (distancia del origen al punto de intersección en el eje) y cuantas repeticiones de
los puntos centrales se incluirán en el diseño. Para responder a estas preguntas, es necesario definir dos criterios
adicionales: rotabilidad y varianza uniforme.

46
 Tabla 3.1 Número de puntos de los diseños de segundo orden.
No de
Numero de parámetros Factorial completo 3k Central compuesto Box-Behnken
factores

2 6 9 13-16 -
3 10 27 17-23 15
4 15 81 27-36 27
5 21 243 29-36 46
6 28 729 47-59 54
Fuente: Gutiérrez y de la Vara, (2004).

3.6 Técnicas de optimización. *

Una vez que se tiene el modelo debidamente ajustado y validado, se procede a explorar la superficie descrita por el
modelo para encontrarte combinación de niveles en los factores que dan por resultado un valor óptimo de la
respuesta, o bien para determinar la dirección óptima de movimiento en que se debe experimentar en el futuro. Si el
modelo no explica un mínimo de 70% del comportamiento de la respuesta, en término del R2aj, no se recomienda
utilizarlo para fines de optimización, porque su calidad de predicción es mala. Si la superficie ajustada es un plano
(modelo de primer orden), el objetivo del experimento trasciende la actual región experimental y se busca explorar
una nueva región. Si la superficie es curva (modelo de orden) el objetivo es determinar el punto óptimo, si éste existe
y encuentra dentro de la región experimental; si se encuentra afuera ó no existe, se determina el mejor punto de
operación posible adentro de la región experimental. Así, cuando existe curvatura en la superficie no se puede mover
el proceso demasiado lejos de la actual región experimental, por eso se intenta obtener el mejor resultado posible con
el actual diseño. Por lo anterior, la técnica de optimización a utilizar depende del tipo de modelo ajustado y existen
básicamente tres métodos, que son:

1. Escalamiento ascendente (o descendente)

2. Análisis canónico.
3. Análisis de cordillera.

* Extraído de Gutiérrez y de la Vara., (2004).

El escalamiento ascendente es para modelos de primer orden y las otras dos técnicas son para el modelo de segundo
orden. A continuación se describen cada uno se estos métodos.

3.6.1 Escalamiento ascendente y descendente.

Cuando la variable de interés es del tipo: mientras más grande es mejor, se tiene escalamiento ascendente; si lo que
interesa es: mientras más pequeña mejor, se trata de escalamiento descendente. De aquí en adelante diremos
simplemente escalamiento ascendente, en lugar de "escalamiento ascendente (descendente)", puesto que el
escalamiento descendente se convierte en ascendente al cambiar los signos de los términos del modelo ajustado. Es

47
de acuerdo a la característica de calidad a optimizar que se sabe si interesa maximizar o minimizar. Cuando la
respuesta es del tipo: el valor nominal es lo mejor, el problema es localizar la curva de nivel específica que tenga la
altura o valor requerido de la variable de respuesta. En este caso, cada punto sobre la curva de nivel es una solución,
y de todos ellos se elige el de menor variabilidad y/o menor costo.

La técnica de optimización de escalamiento se aplica cuando de acuerdo a la valoración inicial se cree que se está
lejos de la condición óptima, por lo que será necesario explorar una región de experimentación inicial y a partir de
ésta determinar una dirección en la cual experimentar fuera de la región inicial. De esta forma esta técnica se aplica
con los siguientes pasos:

1. A partir del conocimiento que ya se tiene del problema, seleccionar los niveles de los factores para así
determinar la región de exploración.

2. Correr un diseño de primer orden (típicamente un diseño 2k completo o fraccionado quizás con puntos al
centro) para explorar la región experimental determinada antes.

3. Ajustar un modelo de primer orden con niveles codificados. Si éste explica satisfactoriamente la variabilidad
observada, continuar al siguiente paso, de lo contrario investigar por qué la falta de ajuste ¿mucha
variabilidad? ¿Curvatura? ¿Región más complicada? y proceder en consecuencia.

4. Con el modelo depurado y ajustado determinar la dirección óptima de movimiento, a partir del centro del
diseño. Partiendo de que el modelo ajustado es un plano, la dirección óptima de movimiento es perpendicular a las
curvas de nivel (véase Figura 3.8 para el caso de dos factores), y obviamente la dirección opuesta es la peor
dirección posible. Suponga que interesa maximizar la respuesta. La dirección óptima de movimiento es moverse en
cada factor proporcionalmente a la magnitud de sus coeficientes en el modelo, tomando en cuenta su signo. Un
coeficiente negativo indica que los niveles de prueba en el factor correspondiente irán decreciendo.

5. Decidir una longitud de paso en unidades codificadas y reales. Se recomienda utilizar un paso de movimiento
unitario (en unidades codificadas) en el factor con mayor influencia, con lo que se asegura que los pasos en los
factores restantes serán de menor amplitud, y proporcionales a sus coeficientes. Si se partiera de un factor de poca
influencia, el paso correspondiente a otro de mayor influencia se puede disparar rápidamente hasta salirse de
la región de operabilidad del proceso, lo que implica generar puntos sobre la dirección óptima que no se pueden
correr en el proceso. Un paso unitario en unidades codificadas del factor de mayor influencia equivale a moverse
en el factor correspondiente a intervalos de un medio de su rango de prueba en unidades originales. Una
longitud paso mayor se considera como agresivo y puede tener riesgos, mientras que una longitud de paso menor se
considera como una forma conservadora de proceder, que en algunos casos cuando se está experimentando a
nivel proceso puede ser una buena opción. Subordinando al factor con mayor influencia y determinadas las
longitudes de paso iniciales para todos los factores, convertir estas longitudes a unidades originales.

48
 6. Determinar un mínimo de cuatro ó cinco puntos (o los que se requieran) en la dirección óptima, para
experimentar en ellos, para ello a partir de la condición central se suman las longitudes de paso correspondientes.
Llenar la siguiente Tabla con la información allí se indica: x1 y x2 son los puntos en unidades codificadas, X1 y X2 son
los puntos en unidades originales o de proceso, y γ es la variable de respuesta que se observará sobre estos nuevos
puntos.

7. Probar el proceso en los puntos anteriores, hasta detectar un cambio en la tendencia ascendente dada por el plano. Para
detectar el cambio se recomienda Gráficar número de punto ó paso contra el valor de γ, cuando en esta gráfica
claramente deje de crecer el valor de γ y empiece a decrecer, entonces ya no se debe seguir la dirección de búsqueda
que se había determinado antes.

8. Determinar el centro de la nueva región experimental y volver a iniciar en el paso 1. Por lo general el centro de la
nueva región experimental es el último punto de la dirección óptima con la que se mantuvo la tendencia ascendente.

Fuente: Gutiérrez H. y de la Vara R.

Figura 3.9 Escalonamiento ascendente.

3.6.2 Análisis canónico.

Se aplica un diseño de segundo orden cuando se quiere explorar con más amplitud una región experimental, y eso
incluye efectos de interacción estimar la dirección de la curvatura para cada uno de los niveles de los factores; además
cuando se espera que el punto óptimo ya esté cerca (probablemente dentro de la región experimental). El análisis
canónico es una de las técnicas para analizar el modelo de segundo orden y consiste de los siguientes pasos:

1. A partir del conocimiento que ya se tiene del problema, seleccionar los niveles de los factores para así
determinar la región de exploración.

2. Correr un diseño de segundo orden (un diseño de composición central, por ejemplo) para explorar la región
experimental determinada antes.

49
 3. Ajustar un modelo de segundo orden con niveles codificados. Si éste explica bien la variabilidad observada
continuar al siguiente paso, de lo contrario investigar por qué la falta de ajuste (¿mucha variabilidad? ¿Región
más complicada?) Y proceder en consecuencia.

4. Encontrar las coordenadas del punto estacionario.

5. Expresar el modelo ajustado en su forma canónica. El análisis canónico consiste en reescribir el modelo ajustado
de segundo orden en su forma canónica. Que consiste en expresarlo en términos de nuevas variables llamadas
variables canónicas, las cuales son transformaciones de las variables codificadas. La ventaja es que la ecuación
canónica proporciona información a simple vista sobre el tipo de superficie que se está observando y sobre su
forma.

6. Evidenciar la relación entre las variables canónicas y las variables codificadas.

Determinación del punto estacionario (candidato a óptimo) El punto estacionario es el punto (xw, xw,..., JM) en el
espacio de factores, sobre el cual el plano tangente a la superficie tiene pendiente igual a cero. Por ejemplo, si la superficie
tiene un máximo, el punto estacionario es justo el punto donde se ubica ese máximo. De aquí que el punto estacionario
sea un candidato natural a punto óptimo, que resulta "electo" sólo cuando es del tipo que interesa y se encuentra
adentro de la región experimental. Por ejemplo, si se busca un máximo y se encuentra que el punto estacionario es
máximo y se localiza adentro de la región experimental, entonces éste es el punto óptimo. Desgraciadamente, la
combinación que nos lleva al punto óptimo es una de cuando menos seis posibles (véase Figura 3.9), y la combinación
exitosa no es la más probable de ocurrir en la práctica. Así, podemos afirmar que buscar un máximo, observar un máximo y
que se encuentre adentro de la región experimental no ocurre con mucha frecuencia.

Fuente: Gutiérrez, H. y de la Vara, R.,

El candidato a punto óptimo puede ser mínimo, máximo o punto silla y se puede encontrar
adentro o afuera de la región experimental, de aquí que existan las siguientes seis posibilidades.

Adentro

Afuera

Máximo.

Adentro
Mínimo.
Afuera

Punto silla Adentro

Afuera

Figura 3.10 Seis posibilidades con el punto estacionario.

50
3.6.3 Análisis de cordillera.

Muchas veces el punto estacionario no es del tipo que se quiere, y en esos casos la opción es encontrar el “mejor
punto posible” dentro de la región experimental. Este punto se ubica sobre la cordillera óptima a partir del centro del
diseño, y es aquel que predice la mejor respuesta sobre la región. Esta búsqueda se hace precisamente con el llamado
análisis de cordillera, que es muy parecido a un escalamiento ascendente, pero ahora sobre una superficie con
curvatura: mientras que en el escalamiento ascendente la dirección de movimiento es única, en el análisis de
cordillera se cambia el rumbo en cada instante. Otra diferencia importante es que el análisis de cordillera se limita a
buscar un solo punto, el mejor posible, adentro o en la frontera de la región experimental con base en la respuesta
predicha γ (x), mientras que el escalamiento ascendente busca explorar en cierta dirección mas allá de la región
experimental y se corre el proceso en cada punto tratando de determinar el punto de quiebre o cambio de tendencia
de la verdadera superficie. Son, dos objetivos diferentes.

El método de análisis de cordillera consiste en calcular el máximo(o mínimo) sobre esferas concéntricas al centro del
diseño, desde una esfera que cubre los puntos experimentales, utilizando un paso pequeño en los radios; el mejor
punto posible es aquel sobre el que se predice el mejor desempeño de la variable de respuesta. Con frecuencia este
punto se ubica en la esfera de radio más grande. En el caso de k=2 factores no son esferas sino circunferencias como
se muestra en la Figura 3.10

Fuente: Gutiérrez y de la Vara, (2004)

Figura 3.11 Representación gráfica del

análisis de cordillera.

51
3.7 Optimización simultánea de varias respuestas.

De acuerdo con Montgomery, D. (2001), par quien dice que muchos problemas de superficies de respuestas incluyen
el análisis de varias respuestas. La consideración simultánea de respuestas múltiples requiere construir primero un
modelo de superficie de respuestas apropiado para cada respuesta y después intentar encontrar un conjunto de
condiciones que optimice en cierto sentido todas las respuestas o que al menos las mantenga en los rangos deseados.
Gutiérrez, H. Y de la Vara, R. (2004). Afirman que el problema de optimización simultanea de varias respuestas
suele no tener una solución completamente satisfactoria desde la perspectiva de cada respuesta individual, en el
sentido de que los óptimos individuales no coinciden con el optimo global; aunque siempre se puede afirmar que
existe el punto de operación del proceso en el que todas las variables cumplen con los requerimientos de la mejor
manera posible. Por lo regular se obtiene una solución de compromiso, que busca balancear de manera adecuada la
importancia relativa de las respuestas.

3.7.1 Método gráfico.

Montgomery, D., (2001). Describe que este método es un enfoque relativamente directo para optimizar varias
respuestas que funciona bien cuando solo hay pocas variables en el proceso es la superposición de las gráficas de
contorno de cada respuesta. Según Gutiérrez, H. y de la Vara, R. (2004) recomiendan que cuando se tiene solo dos
factores de control (x1 y x2) es bastante fácil superponer las dos superficies de respuesta en su forma de contornos
sobre la región experimental, que en este caso se puede dibujar como un cuadrado o circulo centrado en el origen. El
problema es que cuando se tiene más de dos factores las superficies no se puede dibujar de una sola vez sobre toda la
región experimental; aunque se puede estudiar y superponer tomando dos factores a la vez y fijando a los restantes.
Por ejemplo si son tres los factores de control, la región experimental es un cubo (o esfera) centrado en el origen y se
puede dibujar una superposición de las k superficies sobre cada corte del cubo, lo que implica fijar uno de los
factores de control.

3.7.2 Método de la función de deseabilidad.

De acuerdo con Castaño y Domínguez. (2003). Cuándo se tiene tres o más respuestas la técnica de superposición
puede no dar una idea clara de optimización conjunta. Existen varios métodos matemáticos para la optimizacion
multirespuesta. Entre estos están, la función de distancia propuesto por Khuri y Colon (1981), la función de perdida
estudiado por Ames A, Mattucci, M., Stephen, M., Szonyi, G. y Hawkins, D. (1997) y la función de deseabilidad de
cada variable de respuesta que presentaron Derringer y Suich (1980). Gutiérrez y de la Vara. (2004) describen que
este método consiste en definir una función en el espacio de factores que miden la deseabilidad global (DG) del
producto predicha en cada punto, convirtiendo de esta forma el problema de optimizacion mutivariado en un
problema de de optimación univariado. Baste maximizar dicha deseabilidad global para obtener el punto óptimo que

52
buscamos. La deseabilidad global DG en un punto x’ = (x1, x2,....,xk) se define como la media geométrica de la
desaebilidades individuales (d1,d2,....,dm), que son índices que toman valores entre 0 y 1; y que son generados al

transformar valores predichos de cada respuesta γ1, γ2,....., γm. Si di es igual a 1 significa que la correspondiente

respuesta predicha γi toma su valor máxima deseable; si di = 0 la respuesta γi predice un valor inaceptable y en esta

caso la deaseabilidad global es cero (DG=0), lo que significa que el todo el producto es inaceptable
independientemente de los valores de las respuestas restantes. Esto último explica el uso de la media geometrica en
la definición de la deseabilidad global.

53
Capítulo 4
Modelo de Innovación
Tecnológica basado en
QFD y MSR

4.1 Introducción.

De los modelos de innovación observados en el capítulo 1, solamente el de ingeniería concurrente muestra la

aplicación de técnicas específicas para cada fase del modelo. Sin embargo, están completamente orientadas hacia el
desarrollo de productos ó nuevos productos. Como se describió anteriormente, la innovación tecnológica, tiene tres
grandes áreas de oportunidad que son: nuevos productos, mejorar procesos y nuevas estrategias para acercar los
productos al mercado. Para Tuker, P. (2006), el segundo campo de aplicación es una oportunidad interesante que
requiere menos inversión económica en comparación con el desarrollo nuevos productos.

Mediante un caso práctico se expone la aplicación de la técnica QFD y la MSR, como parte angular de este modelo.
En el siguiente esquema se ilustra de manera sistémica el objetivo que se pretende. Ver Figura 4.1.

Modelo de
Innovación Producto con
Tecnológica ventajas
competitivas
basado en
QFD y MSR
Proceso optimizado

Figura 4.1 Objetivo del modelo propuesto.

4.2 Modelo de Innovación Tecnológica propuesto.

En el capítulo 3 se describe la Metodología de Superficie de Respuestas como un conjunto de herramientas

estadísticas y matemáticas. En el esquema de la Figura 3.8 del mismo capítulo, Gutiérrez y de la Vara., (2004)
muestran las etapas de aplicación de esta metodología y aclaran que no en todos los casos se deben de cumplir al pie
de la letra el número de experimentos y de etapas. Estas estarán en función del grado de conocimiento que se tenga
del proceso.

54
El modelo de innovación tecnológica propuesto emplea la técnica del “QFD” (Despliegue de las funciones de
calidad), con la intención de facilitar el análisis del proceso y determinar las operaciones críticas de calidad;
posteriormente, definir la región experimental con las variables criticas de calidad de la operación seleccionada.
Hecho lo anterior, se aplica la metodología descrita por Gutiérrez y de la Vara., (2004) para optimizar las
condiciones de operación. Patterson, M., (1999) asegura que el empleo de dicha técnica ha permitido la definición
de productos y su tecnología, es decir, su proceso de transformación ó nuevas tecnologías aplicables. Gutiérrez y de
la Vara, (2001) emplearon esta técnica para definir las operaciones críticas de calidad para un proceso de producción
de harina de maíz.

Por otro lado, Koyatzu, M., Zeon, R. y Kubota, I. (1993), establecen que para la utilización de la técnica QFD en los
procesos se debe tener en consideración dos diferencias principales entre la industria de procesos y la industria de
manufactura y ensamble. La primera diferencia es que, generalmente en las industrias de manufactura y ensamble,
una calidad demandada para un sistema total puede desplegarse en subsistemas sucesivamente más pequeños. Esto es
posible, porque la estructura de un subsistema no afecta los aspectos funcionales de otros subsistemas. Sin embargo,
en las industrias de proceso de transformación, un mecanismo necesario para hacer posible una calidad demandada
no puede funcionar independiente de otros mecanismos y funciones necesarios. La segunda diferencia es que en la
mayoría de las industrias de procesos tales como las productoras de materias primas, cuyo papel es ofrecer
materiales, más bien que piezas, a otras industrias. En estos procesos es posible encontrar relaciones entre
operaciones.

El nivel de conocimiento que se tenga sobre el proceso y la información derivada de la investigación bibliográfica se
convierten en entradas al QFD. Esta técnica permite facilitar la asimilación tecnológica del proceso, definiendo de
manera más clara los factores a estudiar y organizando la información de mejor manera. La información de salida, se
transforma en entradas al MSR propuesto por Gutiérrez y de la Vara., (2004). Es importante resaltar que el nivel de
conocimiento sobre el problema (expertiz), es indispensable para el éxito del planteamiento, análisis y el buen ajuste
de las ecuaciones obtenidas al aplicar un diseño de experimentos. Box, G., et., al. (1978)

55
A continuación, se esquematiza el modelo de innovación tecnología basado en la integración de ambas técnicas. Ver
Figura 4.2.

Fase I: Fase II
Definición de variables Optimización.
(QFD) (MSR)

Necesidades /
Oportunidades

CRIBADO
Cuando se tienen mas
Análisis del proceso de 8 V. C. C.

QFD O. C. P.

BUSQUEDA I
Modelo tentativo de
Investigación primer orden

Análisis de la operación

QFD V. C. C. BUSQUEDA II
Formular modelo de
segundo orden

Operación critica de producción (OCP)

Investigación
Variables criticas de calidad (VCC)

Figura. 4.2 Modelo de innovación tecnológica basado en QFD y MSR.

56
4.3 Caso de aplicación: Proceso de fabricación de suelas de hule vulcanizado.

El proceso de transformación de suelas de hule vulcanizado esta compuesto de una serie de operaciones. Un aspecto
relevante de las materiales poliméricos, es el caso del hule, exhiben su funcionalidad y calidad solamente cuando se
procesan. En el caso de las suelas, propiedades como resistencia a la abrasión, tensión, dureza y flexión, se exhiben
solamente cuando ya han sido fabricadas. Este producto se ubica en la fase de obsolescencia, debido al desarrollo de
nuevas tecnologías en materiales. Sin embargo, se pretende probar que al aplicar el modelo propuesto, es posible
lograr la optimación sobre el proceso de fabricación de suelas de hule, mejorando las características del producto y
con ello determinar si el modelo contribuye a aumentar la rentabilidad del negocio, a lo cual se le conoce como
“innovación tecnológica”.

Para trasformar el caucho, a diferencia de otros polímeros con características de uso similares como el hule
termoplástico, PVC, ó el Poliuretano, requiere de grandes tiempos de proceso. Esto se debe a que durante su proceso
de transformación intervienen muchas operaciones y es mayor el uso de equipos en comparación con los otros
materiales que tengan las mismas características para la fabricación de suelas. En la Figura 4.3, se muestra el tiempo
de ciclo aproximado para producir un par de suelas con materiales poliméricos convencionales ó de mayor uso.

Fuente: Obtenidas mediante experimentación y visitas a plantas

Fig. 4.3 Tiempo de ciclo para diferentes materiales

poliméricos.

57
El consumo de energía en el proceso de producción de artículos de hule vulcanizado también representa una
desventaja. A continuación, se muestra una tabla comparativa de consumos de energía aproximados para equipos de
producción de hule vulcanizado y otros materiales para suela.

Tabla 4.1 Consumo de energía en maquinaria convencional para transformar

algunos materiales poliméricos. Consumo de energía en
Material Equipos empleados. maquinara de capacidad
promedio (Kwh/h)

Hule Vulcanizado. 3 112

80
Hule termoplástico. 2

6.5
Poliuretano. 1

2 90
Poli cloruro de Vinilo (PVC).

Fuente: Entrevista con Ing. Francisco Careaga

Hernandez, Consultor especialista de CONACYT
RCEA – 07- 9485-2004
Si consideramos que un proceso de producción común para producir materiales de hule vulcanizado, es como se
muestra en la Figura 4.4., podemos observar que la operación de mezclado es la que mayor tiempo representa con
respecto de las demás.

58
 Fig. 4.4 Proceso de transformación de hule vulcanizado.

4.3.1 Fase I: Análisis mediante la técnica QFD.

4.3.1.1 Definición de las Operaciones Críticas del Proceso (OCP).

Con los antecedentes anteriores aplicaremos el modelo de innovación propuesto. Primeramente, para definir los
factores dentro del proceso haremos un análisis mediante la técnica del QFD. Ver Figura 4.5

59
 Relación fuerte.
Relación débil.
Relación negativa.
Relación fuertemente negativa

Figura 4.5 Gráfica de despliegue de las funciones de calidad (QFD) para definir las O. C. P. En la
fabricación de hule vulcanizado.

Para la realización de la matriz se llevaron a cabo los siguientes pasos:

Paso 1. Lista de objetivos ó qué(s) de la operación. Esta es una lista de requerimientos del cliente o prioridades de
primer nivel que se anotan de manera horizontal y es conocida como la voz del cliente y son aquellos en los que se
quiere incidir. En la matriz QFD de la Figura 4.5 se han puesto como qué(s) ó prioridades las principales necesidades
o requerimientos para este proceso como son productividad que es una necesidad para la rentabilidad del negocio y
el mejoramiento de las características de calidad en el producto de interés para el cliente.

+ota: Los valores de las matrices de las figuras 4.5 y 4.6 fueron obtenidos mediante sesiones de trabajo con expertos
técnicos.

60
Paso 2. Definir las prioridades de cada qué. Esta prioridad se fija en una escala de 1 a 5, es 5 la mas alta prioridad,
por lo general se obtiene a partir de la situación actual de cada “qué” y de los objetivos que se persiguen. Se observa
que la principal es la reducción de costos, elevar la producción, mejorar la calidad del producto y la estandarización
de calidad de los lotes.

Paso 3. Hacer una lista de cómo(s) y anotarlos en la parte vertical de la matriz. Son las diferentes formas
inmediatez con las cuales se pude atender los qué(s), y sobre estos cómo(s) es necesario cuantificar su importancia
para atender los diferentes qué(s), en el caso de la matriz QFD de la Figura 4.5, los cómo(s) corresponden a las
operaciones del proceso de elaboración de artículos de hule o bien las funciones descritas por Koyatzu, M., et. al.,
(1993), ya que cada etapa puede contribuir en cierta medida a cumplir con la prioridades ó qué(s).

Paso 4. Cuantificar la intensidad de la relación entre cada “que” contra cada “como”. Utilizando una escala de
0 a 5, asignar 5 en el caso de la relación muy fuerte, 3 para una relación fuerte, 1 para una relación débil, y 0 para
ninguna relación. En la Figura 4.5 se ha anotado, que tanto cada subproceso influye sobre las variables del producto
final y sobre las necesidades que se tienen para aumentar la competitividad y la calidad.

Paso 5. Calcular la importancia de cada “cómo” respecto a su contribución a todos los “qué”. Esto se hace
multiplicando la prioridad de cada qué por la intensidad de la relación y sumando los resultados.

Paso 6. Calcular la importancia relativa de cada cómo respecto a su contribución a todos los qué. Para ello
tomar la importancia más alta y asignarle una importancia relativa de 100, y a partir de ahí calcular la importancia
relativa de los otros cómo(s). La importancia relativa es de utilidad para asignar las siguientes fases de análisis QFD,
ó bien comenzar con la aplicación de la MSR.

Paso 7. Investigar si hay alguna correlación muy fuerte (sobre todo negativa) entre los cómo(s). En este caso,
las operaciones tienen una relación positiva, es decir, si uno sale bien influye en que el siguiente salga bien, y
viceversa.

Paso 8. Tomar las decisiones pertinentes y, de ser el caso, continuar a las siguientes fases del análisis. Se
encontró que la operación crítica de calidad con mayor importancia relativa fue la operación de mezclado. En dicha
operación se deberá aplicar nuevamente el análisis de ésta mediante la técnica QFD, llevando a cabo los pasos
anteriores.

3.3.1.2 Definición de las Variables Críticas de Calidad (VCC).

Una vez obtenida la operación crítica de calidad en el proceso se inicia el análisis mediante una nueva matriz QFD.
La Figura 4.6, muestra el análisis de la operación de mezclado. En donde los nuevos qué(s) ó elementos de calidad
considerados fueron: Reducir el consumo de energía, realizar el mezclado en un solo paso, homogenización de las

61
mezclas, mejorar las propiedades mecánicas y por último la estandarización de las mezclas. Los nuevos cómo(s)
fueron las variables de operación reportadas por Corral, C (2006).

Relación fuerte.
Relación débil.
Relación negativa.
Relación fuertemente
negativa

Fig. 4.6 Gráfica de despliegue de las funciones de calidad (QFD) para definir las V. C. C. del
operación de mezclado.

Definidos los que(s) y cómo(s) se procedió de acuerdo a los pasos del 4 al 8. Teniendo que las V.C.C. obtenidas
como las más importantes fueron: la velocidad de los rotores y el porcentaje de llenado del mezclador. Los puntos
experimentales seleccionados para el caso de la variable velocidad de los rotores se ubicaron de 40 – 60 rpm. La
razón se debe a que comúnmente encontramos mezcladores con velocidades de 40, 50 y 70 rpm. Sin embargo, para
tener condiciones de operación de los dos primeros valores se tomará los rangos con la intención de fijar el punto de
50 rpm como punto al centro. Para poder evaluar rangos más reales en el desarrollo experimental. La segunda
variable, porcentaje de llenado del mezclador, el rango de experimentación a emplear es de 70 a 80 % del volumen
de la cámara. Lo anterior esta fundamentado en las especificaciones de los equipos Corral, C (2006)..

Por lo tanto, tenemos las dos variables ó factores en la operación de mezclado y sus rangos experimentales con las
que podemos comenzar con la segunda fase utilizando la Metodología de Superficie de Respuestas.

62
4.3.2 Fase II: Optimización mediante MSR.

4.3.2.1 Selección del tipo de diseño.

Toda vez que ya han sido definidas las variables críticas de calidad de la operación crítica del proceso. Se procede a
seleccionar algún tipo de diseño de experimentos que nos permita guiarnos hasta la optimación del proceso mediante
la aplicación de la MSR. Según Gutiérrez. y de la Vara (2004) quienes recomiendan que no porque existan varias
etapas en la MSR implica que necesariamente en todos los procesos se deban cumplir al pie de la letra. El número de
experimentos y de etapas que se requieren depende del grado de conocimiento que se tenga al comenzar la
investigación. Para este caso se dio un avance importante en la asimilación de la información con la aplicación de la
técnica QFD, con la que se definieron las variables críticas de operación: Velocidad de los rotores y Porcentaje de
llenado del mezclador. Al contar solamente con dos variables, el diseño que nos permitió evaluar un mayor numero
de niveles y detectar curvaturas e interacciones fue el Diseño Central Compuesto (DCC). Para Myers y
Montgomery., (2002) el DCC es un diseño muy eficiente que permite jugar un papel muy importante sobre algunos
diferentes roles como:

1. Por ser un modelo de resolución V contribuye a estimar de mejor manera los términos lineales e
interacciones entre dos factores.
2. Los puntos axiales contribuyen en gran medida a estimar términos cuadráticos.
3. Los puntos centrales proveen un estimador interno del error puro y contribuyen además a la estimación de
términos cuadráticos.

Además de las consideraciones técnicas expresadas anteriormente también se toma en cuenta que el costo de la
experimentación no resulte oneroso. Utilizando el Software estadístico STATGRAPHICS se obtuvo la siguiente
matriz de diseño mostrada a continuación. Ver Tabla 4.2.

63
 Tabla 4.2: Matriz de diseño CCD
Escala codificada Escala real

Factor A Factor B
Volumen de Velocidad de
Volumen de Velocidad de
llenado los rotores
llenado los rotores
(%) (rpm)
(%) (rpm)
-1 -1 70 40
1 -1 80 40
-1 1 70 60
1 1 80 60
-1.41421 0 68 50
1.41421 0 82 50
0 -1.41421 75 36
0 1.41421 75 65
0 0 75 50
0 0 75 50
0 0 75 50
0 0 75 50

4.3.2.2 Ejecución de los tratamientos.

La formulación utilizada se diseño de tal manera que se pudieran emplear componentes que provocaran altos
esfuerzos de corte como; el hule natural y la sílice precipitada y lograr que de esta manera sea más representativo el
efecto en el consumo de energía y el incremento en la temperatura final de la mezcla por altos esfuerzos cortantes
que se requieren para abatir la viscosidad en el hule natural. Definidas las partes por cien de hule (PCH) de los
componentes de la fórmula, se calcularon los gramos para los cinco niveles de llenado que nuestro arreglo
experimental CCD requería. Ver Tabla 4.2

El orden de adición de los componentes fue igual para todos los tratamientos, el tiempo en que se agregaron cada uno
de los componentes se realizó de acuerdo al volumen de llenado, este se alarga ó se recorta según la cantidad total a
mezclar. Ver Tabla 4.3.

El mezclado de los 12 tratamientos se ejecutó en orden aleatorio en un mezclador interno tipo Banbury de laboratorio
marca C. W. Brabender, que cuenta con un integrador de potencia para el cálculo de consumo de energía. El tiempo
de vulcanización de las probetas fue el óptimo reométrico (Tc 90) obtenido usando un reómetro de torque de dado
móvil marca REO-TECH y solamente en el caso de las probetas de abrasión se agregaron 4 minutos al Tc 90 por
contar con un espesor que es de 5 mm.
Para el análisis de las variables, se registró la temperatura final del mezclador y se calculó el consumo de energía en
cada una de las mezclas mediante un software especializado. Las propiedades mecánicas de resistencia a la tensión y
resistencia al desgaste por abrasión, se llevaron a cabo bajo los métodos ASTM-D-420 en el caso de la tensión y para
la abrasión fue empleado el método DIN-53-516. En la Tabla 4.5 se observan los resultados obtenidos en los
tratamientos.

64
Tabla4.3 Formulación en PCH y cálculo en gramos para los cinco niveles de llenado de la cámara.
Porcentajes de llenado de la cámara del mezclador
82 80 75 70 68
Componente PCH Gramos Gramos Gramos Gramos Gramos
Hule Natural. 100.00 217.21 212.41 199.39 185.69 180.21
Sílice precipitada. 50.00 108.60 106.21 99.70 92.84 90.10
Aceite Naftenico 5.00 10.86 10.62 9.97 9.28 9.01
Dietlenglicol 6.00 13.03 12.74 11.96 11.14 10.81
ZnO 3.00 6.52 6.37 5.98 5.57 5.41
Ácido Esteárico 2.00 4.34 4.25 3.99 3.71 3.60
TMTD 0.40 0.87 0.85 0.80 0.74 0.72
TBBS 1.20 2.61 2.55 2.39 2.23 2.16
Azufre 1.50 3.26 3.19 2.99 2.79 2.70
Total 169.10 367.30 359.19 337.17 314.00 304.73

Tabla 4.4 Ciclos de mezclado.

Porcentaje de llenado de
la cámara del mezclador
82 80 75 70 68
Componentes agregados Tiempo en minutos

Hule NR 0 0 0 0 0
Activadores (ZnO, Ácido esteárico) 1 1 1 1 1
1/3 Sílice con Dietilenglicol 2 2 2 2 2
1/3 Sílice 4 4 3 3 3
1/3 Sílices con aceite naftenico 6 6 4 4 4
Sistema de vulcanización. 7 7 5 5 5

Tabla 4.5 Resultados obtenidos.

Temperatura Consumo de
Abrasión Tensión Modulo 300
final energía
(mm3) (Kg./cm2) (Kg./cm2)
(° C) (kNm)

92 198.2 169 185.43 61.93

101 277 166.3 178.9 59.12
107 264 163.7 179.8 71.41
104 352.1 176.2 143.2 57.41
98 225.6 168.1 166.5 56.59
103 300 174.4 141.6 61
93 147.4 167.5 173.8 58.06
108 305.6 168.3 165.17 61.64
104 292.1 180.3 173.17 61.6
104 272.4 181.5 178.03 61.86
104 273.4 183.6 166.83 66.46
104 284.9 179.7 169.47 60.5

65
 4.3.2.3 Análisis de los resultados.

Para el análisis de los datos fue utilizado el Software estadístico STATGRAPHICS. Primordialmente se analizaron
los gráficos de Pareto para detectar los efectos activos sobre las respuestas observadas.

B: rpm

B: rpm A: %

BB

A: % AA

AB
Figura 4.8 Gráfica de Pareto para el consumo de energía.

Figura 4.7 Gráfica de Pareto para la temperatura

A: % BB

B: rpm AA

AB
AA
A: %
AB
B: rpm

Figura 4.9 Gráfica de Pareto para la tensión a la Figura. 4.10 Gráfica de Pareto para la abrasión.
ruptura.

Se encontró que para la temperatura final de descarga en las mezclas, el factor B: Velocidad de los rotores ofrece un
efecto significativo, el cual incrementa al aumentar la velocidad de los rotores. Ver Figura 4.7. En el consumo de
energía durante el mezclado, se observó que ambas variables ofrecen efectos significativamente importantes y estos
ocurren al momento de emplear niveles altos de ambos factores. Ver Figura 4.8. En el caso de la tensión a la ruptura
el efecto que ofrece, el factor A: Porcentaje de volumen de llenado, afecta a la respuesta de manera significativa,
siendo esta inversamente proporcional al nivel experimental empleado. El factor B tiene un comportamiento en la
respuesta similar al factor A, aunque de manera menos significativa. Ver Figura 4.9. Por último, en el caso de la
respuesta observada en la resistencia a la abrasión se encontró que factor A y el factor B, en sus niveles
experimentales medios, ofrecen un mayor efecto significativo y el efecto de interacción entre ambos factores es
importante. Para los efectos simples, solamente el factor A, es estadísticamente significativo. Ver Figura 4.10.

La tabla 4.6, muestra los valores obtenidos, teniendo que para todas las variables de salida la R2ADJ presenta un buen
ajuste, al tener valores mayores al 70, los modelos ofrecen valores adecuados de acuerdo a los supuestos estadísticos.

66
Según lo recomendado por Gutiérrez y de la Vara., (2004).

En la tabla 4.7, se observan las ecuaciones de regresión ajustadas por los datos.

Consumo de energía (kNm)

Temperatura final (°C)

A: rpm
A: rpm B: %
B: %

Fig. 4.11 Gráfica: de Superficie de respuesta Fig. 4.12 Gráfica de Superficie de respuesta
estimada para la temperatura final. estimada para el consumo de energía.
Resistencia a la abrasión
Tensión a la ruptura

Tabla4.6 Resumen de los indicadores de calidad de los modelos ajustados para las
variables de salida
(Kg/cm )
2

Error
Media del
(mm3)

Variable de salida R2 R2ADJ estándar de la

error absoluto
estimación
Temperatura final 76.36 71.11 2.71 2.16
Consumo de energía 89.93
A: rpm 81.58 23.03 12.72 A: rpm
Tensión. 80.52 69.39 7.54 B: % 4.88
B: %
Abrasión. 97.74 95.86 1.39 0.74
Fig. 4.13 Gráfica de Superficie de respuesta Fig. 4.14 Gráfica de Superficie de respuesta
estimada para la tensión a la ruptura. estimada para la resistencia a la abrasión.

Tabla 4.7 Ecuaciones de regresión obtenidas.

γpredicha Ecuaciones
Temperatura final - 576.264 + 13.07 X1 + 6.615 X2 - 0.0649 X12 -0.06 X1X2 - 0.0162 X22
Consumo de energía -1213.36 + 15.915 X1 + 21.12 X2 -0.0762 X12 + 0.046 X1X2 -0.2005 X22
Tensión. 348.845 - 1.958 X1 + 0.669 X2
Abrasión. - 915.816 + 27.905 X1 +1.252 X2 -0.208 X12 + 0.076 X1X2 - 0.0688 X22

67
Analizando los diferentes gráficos de las superficies de respuestas estimadas, tenemos para el caso de la temperatura
final de descarga en las mezclas, el comportamiento de las respuestas es lineal, de esta manera se observa que los
valores más pequeños se presentaron en los niveles bajos empleados y estos aumentan en la medida en que se
incrementan los niveles de los factores evaluados. Ver Figura 4.11. En la variable de salida referente al consumo de
energía, se puede apreciar un comportamiento similar al anterior, aunque con una ligera curvatura, la cual no llega a
ser importante en la respuesta. Ver Figura 4.12. Para la resistencia a la tensión, se tiene que al emplear niveles bajos
de ambos factores aumenta esta respuesta y disminuye en la medida en que son empleados los niveles altos de
ambos factores. Ver Figura 4.13. En el caso de la superficie de respuesta estimada en la resistencia al desgaste por
abrasión, se obtuvo una superficie similar a la loma de una montaña, en donde los puntos más elevados son obtenidos
mediante el efecto cuadrático y de interacción de los dos factores. Para los efectos simples se obtuvieron respuestas
menos significativas Ver. Figura 4.14.

4.3.2.4 Optimización simultanea de varias respuestas.

Antes de comenzar con la optimización simultánea de varias respuestas, primero se deben definir algunos criterios
necesarios para identificar estas condiciones.

En el caso de la temperatura final de descarga de la mezcla, lo deseable es que esta no se eleve demasiado para poder
agregar los agentes de aceleración y el azufre, de esta manera evitar una vulcanización prematura del compuesto; es
decir, el criterio a emplear es, cuanto menor sea la temperatura es mejor ó dicho de manera, “entre menos es mejor”.
Lo mismo se espera para el consumo de energía, principalmente es en donde podemos lograr ahorros importantes en
los costos de operación, aplicando el mismo criterio de “entre menos es mejor”. Para el caso de la resistencia a la
tensión, lo importante es que cuando mayor sea ésta propiedad es mejor. Y por último la resistencia al desgaste por
abrasión, en donde nos interesa que el material ofrezca valores bajos de desgaste.

Se analizaron las gráficas de contornos para identificar las zonas más deseables de cada una de las variables de salida
de acuerdo a los criterios anteriormente definidos. La gráfica de contornos para las respuestas estimadas de la
temperatura final de descarga en las mezclas, muestra que la zona de color verde esmeralda se ubica la zona de
interés, aunque, el punto óptimo se encuentra mas allá de esta zona, es decir, fuera de la región experimental, pero
mediante un escalamiento descendente es posible llegar hacia él. Ver Figura 4.15. En el caso del consumo de
energía, tanto la zona óptima y el punto óptimo se encuentra dentro de la región experimental ubicado en el
segmento de color rosa. Tal zona coincide con la obtenida en la anterior respuesta. Ver Figura 4.16. La zona óptima
para la resistencia a la tensión podemos observarla que se ubica en el segmento de color azul rey, el cual se puede
apreciar que es muy amplio logrando cubrir las zonas de las dos respuestas anteriores. Ver Figura 4.17. En el gráfico
de contornos obtenido en las respuestas estimadas para la resistencia al desgaste por abrasión, se puede apreciar que
la región de interés se sitúa en parte superior izquierda en color rojo, tal zona queda cubierta por el segmento de la
respuesta estimada para la resistencia a la tensión, pero muy lejana a los otros dos segmentos de las dos primeras
respuestas. Ver Figura 4.18

68
 Fig. 4.15 Gráfica de contornos para las respuestas Fig. 4.16 Gráfica de contornos para las respuestas
estimadas para la temperatura. estimadas en el consumo de energía.

Fig. 4.16 Gráfica de contornos para las respuestas Fig. 4.17 Gráfica de contornos para las respuestas
estimadas para la tensión a la ruptura. estimadas en la resistencia a la abrasión

Una vez observadas todas las gráficas de contornos, se pueden definir regiones comunes entre una respuesta y otra,
en este caso únicamente las respuestas; Temperatura final de descarga de la mezcla, consumo de energía y tensión a
la ruptura, ofrecen tener regiones comunes. Otra región común que se puede formar es mediante los segmentos
obtenidos por las respuestas resistencia a la tensión y resistencia al desgaste por abrasión.

Localizadas las zonas que predicen valores deseables similares entre algunas de las respuestas y empleando el
método de la función de deseabilidad para convertir el problema de optimización multivariado en un problema de
optimización univariado. Se tiene entonces que la superficie común de respuesta estimada se presenta en la Figura
4.18. En ésta se aprecia un plano con una ligera curvatura ofreciendo el valor más cercano a 1, es decir, la función
deseable. Observando la gráfica de contornos obtenida por la función deseable se encuentra que el segmento en color
gris que logra acercarse mas al valor deseable, el número uno. Ver Figura 4.19. Las condiciones óptimas de
operación obtenidas por esta función para las respuesta; Temperatura final de la mezcla, consumo de energía y
resistencia a la tensión, se pueden observar en la tabla 4.7.

69
 Tabla 4.8 Condiciones óptimas para el proceso de mezclado para las respuestas; Temperatura
final de la mezcla, consumo de energía y resistencia a la tensión.
Factor Nivel óptimo
A. Volumen de llenado de la cámara (%) 75.16
B: Velocidad de los rotores del mezclador (rpm) 43.67
Deseabilidad

Fig. 4.18 Gráfica de superficies de respuestas Fig. 4.19 Gráfica de contornos de respuestas
estimadas para la deseabilidad estimadas para la deseabilidad

4.3.2.5 Interpretación de los resultados.

• Quedó demostrado que es posible reducir la temperatura final de la mezcla, disminuyendo la velocidad de
los rotores, lo cual permite poder agregar los agentes de vulcanización y el azufre en el “Banbury”, ó bien
ejecutar las mezclas en un solo paso y solamente emplear el molino de rodillos para laminar la mezcla. Esto
permitirá reducir considerablemente el tiempo de ciclo en la operación mezclado y asegurar una correcta
dispersión del azufre y los agentes de vulcanización en la mezcla para evitar que la incorporación de estos
componentes a la mezcla sea en dos ó tres porciones del compuesto. Lo anterior permite asegurar que la
calidad en todos los lotes sea la misma. Adicionalmente se evita que el Banbury trabaje largos lapsos de
tiempo en vacío, debido a los tiempos muertos ó de espera que provocan las mezclas en dos pasos.

• Fue posible reducir el consumo de energía en alrededor de un 35 %, al momento de emplear velocidad baja
en lo rotores, lo cual contribuye de manera considerable a la reducción de consumo de ésta en combinación
de niveles bajos del porcentaje de llenado del mezclador. Lo anterior permite provocar trabajo mecánico
reducido sobre el compuesto, contribuyendo a obtener propiedades de resistencia a la tensión deseable en el
producto terminado.

70
• Para el caso de la abrasión, aunque no se obtuvo una gráfica de deseabilidad como la obtenida en el caso de
la resistencia a la tensión, las condiciones de operación óptimas encontradas en las anteriores podrían
permitir lograr desgastes de abrasión bajos.

71
Conclusiones y Recomendaciones.
Conclusiones.

1. El modelo propuesto para generar innovación Tecnológica, basado en la integración de la técnica de QFD y
MSR, permitió optimizar el proceso empleado en la fabricación de suelas de hule vulcanizado, mejorando las
condiciones de operación al reducir el consumo de energía y el tiempo de ciclo de la operación de mezclado
(operación crítica de calidad). Se mantuvieron propiedades del producto como la resistencia al desgaste por
abrasión, y se mejoran otras como la resistencia a la tensión. El modelo aplicado permitió ampliar el
conocimiento sobre esta operación logrando una adecuada descripción del efecto de cada uno de los factores
estudiados sobre la calidad del producto.

2. El empleo de la técnica “QFD” posibilitó la reducción del número de experimentos, tras la identificación de la
operación crítica, y posteriormente, en la definición de sus variables críticas de calidad. Esto dio como resultado,
el poder utilizar un número reducido de variables o factores experimentales y evitando iniciar desde la etapa de
cribado e instalarse directamente en la etapa de búsqueda de segundo orden. Esta técnica facilitó la organización
de la información recabada, y experiencia que se contaba antes de comenzar con a trabajar con la MSR.
Además, centró la experimentación en la fase crítica del proceso y se consiguió eliminar los factores triviales.
Se logró la detección de las variables de salida que cumplieran directamente con las necesidades y
requerimientos.

3. En la industria, es práctica común que se desee hacer experimentos o pruebas con la idea de que al mover o
hacer algunos cambios sobre los materiales, método o condiciones de operación, se logre una mejora en un
proceso. Normalmente, todo esto se hace sobre la marcha, a prueba y error, con base en la experiencia y la
intuición. El modelo propuesto, permite por principio de cuentas hacer una planeación sobre la cantidad de
experimentos o pruebas que se van a realizar y el tiempo en el que se llevara a cabo. Esto puede ser de gran
utilidad al poder plasmar todo esto sobre un balance de costo que permita facilitar la toma de decisiones de los
directivos al momento de ser presentado un proyecto de innovación Tecnológica en algún proceso.

4. Si consideramos que para todo producto, podemos establecer un ciclo de vida y en comparación con el ciclo de
vida de los seres vivos, se caracteriza por una etapa de infancia, de introducción al mercado, caracterizada por un
crecimiento lento de la cantidad producida; una juventud ó crecimiento, en la que aumentan rápidamente los
niveles de producción; otra de madurez ó estancamiento y mantenimiento de los niveles de producción; para
finalmente llegar a la muerte o discontinuidad del producto y su eliminación del mercado. En este contexto el
modelo propuesto permite aumentar el ciclo de vida del producto. No obstante, este modelo tiene aplicabilidad
en cualquier etapa del ciclo de vida del producto, exceptuando la de muerte u obsolescencia. Esto es de gran
valor ya que una peculiaridad que tiene nuestra época, es la rápida obsolescencia de productos y procesos.

72
5. Mediante la integración de las técnicas QFD y MSR fue posible pasar de lo subjetivo hasta la obtención de
conocimiento preciso sobre el proceso.

6. Con la aplicación de este modelo se demostró que es posible perfeccionar las condiciones de operación
(consumo de energía y tiempo), permitiendo que algunas de las propiedades del producto mejoraran (tensión a la
ruptura) y otras se mantuvieran (desgaste por abrasión). Con tales evidencias se afirma el cumplimiento del
concepto de innovación tecnología en el campo de la optimización de procesos.

7. De manera general es de suma importancia que el personal que se encuentra en el área de ingeniería dentro de
las empresas pueda comprender los beneficios de los modelos de innovación tecnológica, el presente modelo es
una alternativa para generar estos beneficios en el corto plazo. Este podría ser el primer paso para que muchas
empresas adopten no solo un modelo, sino comiencen a crear grupos de innovación dentro de las organizaciones
para el desarrollo de productos con ventajas competitivas basados en la innovación tecnológica.

8. Los modelos que contribuyan a llevar a las empresas a conseguir la innovación tecnológica cobran gran
importancia en la actualidad. Se dice que a partir del primer día del presente siglo, se produce una innovación o
un desarrollo tecnológico en cualquier campo del conocimiento humano por segundo. Es por eso que para
triunfar e incluso para sobrevivir, las organizaciones no se pueden considerar definitivamente instaladas en un
mercado, ni en una tecnología determinada. Deben, por lo contrario, adoptar una postura de búsqueda de la
innovación y una estrategia de innovación, es decir, modelos como el propuesto en este trabajo de tesis.
Comenzar por este tipo de innovaciones en las empresas permitirá manejar de mejor manera los recursos para
hacer más eficientes sus operaciones, obtener ganancias que le permitan, a mediano plazo, invertir en
innovaciones sobre nuevos productos ó nuevas líneas de negocio.

9. Por todo lo anteriormente expuesto y en base a los resultados obtenidos, en el caso de aplicación del modelo
propuesto en este trabajo, podemos afirmar que la hipótesis planteada se probó y que los objetivos se cumplieron
de manera satisfactoria.

73
Recomendaciones.

1. El modelo propuesto puede servir para determinados tipos de procesos, excluyendo su aplicación a los que
tienen que ver con ensambles y manufactura, debido a que cada operación se puede considerar como un
subproceso. En estos casos las fases de definición de las variables críticas de operación, requieran de un
trabajo intenso con matrices QFD.

2. En la fase 1 del modelo propuesto, es posible apoyarse de técnicas como diagrama de Pareto, diagramas
causa-efecto, sesiones de Rainstorming e inclusive tan sofisticadas como el método Delphi.

3. Así como la calidad de un producto puede ser medida por su conformidad. La función de pérdida, Genichi
Taguchi considera que las inconsistencias en la calidad del producto repercuten en que los objetivos de
calidad no se alcancen exactamente, dando como resultado gasto, desperdicio, pérdida de clientes y pérdida
de oportunidad en el mercado. La utilización del presente modelo puede contribuir a la reducción de la
función de perdida, al definir de manera cualitativa y cuantitativa las operaciones que afectan la calidad del
producto y cómo es su efecto a bien de poderlas controlar. Sin embargo, según el objetivo que se persiga,
puede ocurrir que el control de estas operaciones deba ser automatizada, requiriendo para ello un amplio
desarrollo en dispositivos eléctricos y electrónicos de control, que permitan el ajuste de las condiciones de
operación cuando existan desvíos del objetivo de calidad.

4. La aplicación de la MSR requiere que la variable de salida sea medible, esto nos lleva a tener en
consideración, que tanto el aparato y el método empleado deben de tener un funcionamiento consistente y
evitar que al momento de efectuar las pruebas, los resultados no detecten diferencia (errores de tipo I).

5. La aplicación de la MSR requiere del dominio y conocimiento de técnicas estadísticas y matemáticas, es por
ello que mediante la utilización de software estadístico especializado es posible facilitar el trabajo. Esto no
exime al experimentador de tener conocimientos sobre principios básicos como: aleatorización, repetición,
ortogonalidad, rotabildad y bloqueo, los cuales tienen que ver directamente con que los datos obtenidos sean
confiables para la validez de su análisis.

6. La aplicación de la MSR y la técnica de QFD, requiere de conocimientos específicos, por lo que las
empresas que deseen aplicar tanto una técnica como otra, requieren desarrollar a su personal invirtiendo en
capacitación.

7. Según la complejidad del proceso en donde se deseé la aplicación del modelo propuesto, las matrices QFD
deben ser adaptadas de acuerdo con las necesidades y la información con que se cuente.

74
8. El principal trabajo a futuro de la presente tesis se encuentra en la aplicación del modelo propuesto en otros
procesos de transformación de polímeros, (p.e. extrusión, inyección ó moldeo por inyección reactiva). Por
otro lado el principal reto de este modelo es su aplicación y adaptación a procesos de manufactura.

75
Glosario de Términos Técnicos.
Aceite nafténico: Plastificante natural derivado del petróleo.
Aceite: Solapi 100: Aceite nafténico.
Aceleración: Se denomina a la operación de agregar agentes acelerantes en las mezclas.
Ácido Esteárico: Activador para el sistema de vulcanización.
Aleatorización: Consiste en hacer corridas experimentales en orden aleatorio; este principio aumenta la posibilidad
de que el supuesto de independencia de los errores se cumpla.
Antilux: Agente de protección contra la oxidación.
Azufre: agente inorgánico empleado para vulcanizar el hule natural ó sintético.
Banbury: Mezclador para hule vulcanizado.
Bloqueo: Es nulificar o tomar en cuenta en forma adecuada todos los factores que pueden afectar la respuesta
observada.
Brea: Auxiliar para proceso.
CaCO3: Carbonato de Calcio, carga no reforzante.
CE: Concurrent Engineering (Ingenieria Concurrente).
DBCA: Diseños en Bloques Completos al Azar.
DBIB: Diseños en Bloques Completos Balanceados
DCC: Diseño Central Compuesto.
DEG: Dietilenglicol activador para las cargas.
DOP: Plastificante.
Error aleatorio: Es la variabilidad observada que no se puede explicar por los factores estudiados; y resulta del
pequeño efecto de los factores no estudiados y del error experimental.
Error experimental: Componente del error aleatorio que refleja los errores del experimentador en la planeación y
ejecución de experimento.
Factores controlables: Son variables de proceso que se pueden fijar en un punto o en un nivel de operación.
Factores estudiados: Son las variables que se investigan en el experimento para observar cómo afectan o influyen
en la variable de respuesta.
Factores no controlables: Son variables que no se pueden controlar durante la operación normal del proceso como
la luz, temperatura, humedad ambientales, etc.
GEDS: German Engeineering Desing System ( Sistema alemán de diseño industrial).
Hisil: Sílice precipitada utilizada comúnmente como carga reforzante.
Irganox: Agente de protección contra la oxidación.
Master negro: Mezcla maestra hecha con hule, negro de humo y aceite nafténico.
Matriz de diseño: Es el arreglo formado por las diferentes condiciones de proceso que serán corridas incluyendo las
repeticiones.
MBT: 2-Mercaptbenzotiazol, acelerador de la vulcanización de rápida actividad del grupo de los mercaptos.
MBTS: Disulfuro de dibenzotiazol acelerador de la vulcanización perteneciente a la clase de los mercaptos de

76
actividad rápida.
Mezcla Maestra: Mescla de hule con aditivos en donde con ausencia deliberada de alguno de ellos, por lo general
de azufre.
Microtard A: Agente retardador de la vulcanización.
Millán azul: Pigmento azul.
Molino de rodillos: Mezclador abierto compuesto de dos rodillos que giran en sentido contrario a diferentes
velocidades, empleado para laminar mezclas de hule.
MSR: Metodología de Superficie de Respuestas.
AR: Hule Natural.
OCP: Operación Critica del Proceso.
Poliglikol E-4000: Activador para las cargas de gran actividad.
Prensa de vulcanización: Equipo en donde se efectúa la operación de vulcanización.
Prevulcanización: Vulcanización prematura de los compuestos al momento de ser mezclados.
QFD: Quality Function Deployment (despliegue de las Funciones de Calidad).
Reómetro de torque: Equipo empleado para determinar el tiempo de vulcanización de las mezclas de hule.
Repetición: Correr más de una vez un tratamiento o combinación de factores.
RIM: Reaction Injection Molding
Siamil HTFL: Carga no reforzante.
TBBS: N-Tertbutil-2-benzotiazil sulfenamida acelerador de la vulcanización perteneciente a la clase de las
sulfenamida de actividad rápida.
Tiempo reometrico: Tiempo de vulcanización al 90 %.
Tinivin P: Agente protector contra los rayos U. V.
TMTDS: Disulfuro de tetrametil tiuramio acelerador de la vulcanización perteneciente a la clase de los tiuramios de
actividad ultrarrápida.
TMTMS: Monosulfuro de tetrametil tiuramio acelerador de la vulcanización perteneciente a la clase de los tiuramios
de actividad ultrarrápida
TQC: Total Quality Control (Control Total de Calidad).
Unidad experimental: Es la muestra de artículos que es necesario producir en una condición para obtener una
medición o dato representativo.
Variable de respuesta: Es la característica del producto cuyo valor interesa mejorar mediante el diseño de
experimentos.
VCC: Variable Crítica de Calidad.
Vulcanización: Efecto químico en el cual son unidas las cadenas poliméricas del hule con el azufre formado una red
tridimensional, promovido principalmente por el calor y la presión.
ZnO: Oxido de zinc, activador para el sistema de vulcanización.

77
Referencias.
Aguayo F. y Soltero V. (2003) "Metodología del Diseño Industrial: Un enfoque desde la Ingeniería Concurrente".
Alfa-Omega. México.

Akao, Y. (1990) "Despliegue de las funciones de calidad QFD: Integración de necesidades del cliente en el diseño
del producto" Productivity Press. Cambrigde Massachussets.

Akao, Yoji.. (1983). " Quality Funtion Deployment incluiding Cost, Reliability, and Technology Deployment (partes
1 y 2): Designing Quality, Cost an Reliability". Quality, Vol. 13, No. 3, JSQC.

Barcelo, Miquel. (1992). "Tecnología y PYME en España". Economía industrial. Num. 284. Marzo-Abril.

Battini, P. (1994) "Innovar para ganar". Ed. Limusa. Mexico.

Berry, M. y Taggart, J. (1994) "Managing technology and innovation:a review". R & D Management, vol. 24,num. 4,
Octubre.

Box G. E. P. y Draper N. (1987). "Empirical model-building and responce surfaces". Wiley, Neva York.

Box, G., et., al. (1978) "Estadistics for Experiementers". John Willey & Sons, Nueva York.
Castaño E. Y Domínguez J. (2003) "Experimentos: Estrategia en ciencia y tecnología".Centro de Investigaciones en
Matemáticas, Guanajuato, Gto. México.

Dean A. y Voss D. "Design and Analysis of Experiments" 1999, Edit. Springer, Nueva York.

Gaynor, G., (1999) "Management of Technology: Description, scope and implicatios". Handbook of Management of
technology.Capitulo 1. McGaw-Hill. Nueva York.

Gonzalez, M., y Mandado, E. (1989) "La innovación tecnológica y su gestión.". Edit. Marcombo. Barcelona, España.

Gutiérrez H. y de la Vara R. "Análisis y Diseño de Experimentos" 2004, Edit. Mc GrawHill, México, D. F.

Gutiérrez H. Y de la Vara, R. (2004) "Control Estadística de la Calidad y Seis Sigma". Mc Graw Hill, México.

Hasegawa, A., et. al., 1983, "Quality/cost technology Deployment Chart for New Product Development". Quality,
Vol. 13, No3, pp 92-97, JSQC.

Kanz J. y Lam D. (1999). "Technology, strategy and competitiveness" Handbook of Technology

Koyatzu, M., Zeon, R. y Kubota, I. (1993), “Despliegue de funciones de calidad en industrias de procesos”;
Integracion de las necesidades del cliente; Capitulo 9 Productivity Press.

Management. Capitulo 6. McGaw-Hill. Nueva York.

Lawson J., Madrigal J., Erjavec J. (1992) "Estrategias Experimentales para el Mejoramiento de la Calidad en la
industria". Edit. Iberoamericana S.A. de C. V., México D. F.

Manzur Glenn. "QFD black belts notes", Japan Business Consultants, E.U., 2002..

Montgomery D. (2001) "Diseño y Análisis de Experimentos". Edit Limusa Wiley, Segunda Edición, México D. F.

Murria, A., Immelt, J. y Berezowitz, W. (1999) "Six Sigma Method". United Pantent and Trade mark office, patente
6'675,135 B1, 2004.

78
Myers R. y Montgomery D., "Response Surface Methodology: process and product optimization using designed
experimets",2002, Edit John Wiley & Sons, Inc., Segunda Edicion, Nueva York.

Palacios, J. (2006) "Administración de la Calidad". Edit. Trillas, México D. F.

Patterson, M. (1999) "Innovation: Managing the process" Handbook of Technology Management, Cap. 10. McGraw-
Hill. Nueva York.

Pedrosa, A., Suárez T. (2003). "Hacia una ventaja competitiva".Instituto Tecnológico y de Estudios Superiores de
Occidente, Tlaquepaque, Jalisco/ Universidad Autónoma de Yucatán, Mérida, Yucatán. México.

Ridderstrale J. y Norstrom, K. (2000) "Funky Business: El Talento Mueve al Capital". Edit. Printice Hall. Madrid,
España.

Rothwell, Roy. (1992). "Successful indutrial innovation: critical factor for the 90s" R&D Management. Vol.22, num.
3.

Ruiz M. y Mandado E. (1989) "La innovación tecnológica y su gestión" Ed. Marcombo. Barcelona, España.

Shaker, A. et., al. (1995) "Transforming Technological Pioneering into Competitive Advantage", Acad. Management
Executive: 17, Feb.

Tucker, R. (2006).”Driving Growth Through innovation” Foro de Innovación y nuevos negocios organizado por la
Secretaria de Desarrollo Económico Sustentable. Leon, Gto.

Ulrich, K. y S. Eppinger, "Diseño y Desarrollo de productos: Enfoque Multidisciplinario", 2004, McGraw-Hill Edit.
Interamericana.

Urquidi, V. L., (2006) “Otro siglo perdido / políticas de desarrollo en América Latina (1930-2005)” Fondo de cultura
económico. México

Von-Zeigler, A. (2005). "Innovación y desarrollo de productos". Ciencia y Desarrollo, Vol. 31, Num. 189. México.

79