CAPTULO 1:

OBJETO Y JUSTIFICACIN DEL

PROYECTO

-1-

1.1 OBJETO DEL PROYECTO

Uno de los sistemas de control de la produccin ms estudiados y aplicados en la
industria es el sistema Kanban. Este sistema fue originalmente desarrollado por la
compaa automovilstica japonesa Toyota en el ao 1953. Desde entonces se ha
mostrado como un sistema de produccin efectivo y ha sido adoptado por otras
importantes compaas como Omarck Industries, Black and Decker y Hewlett Packard.
Este sistema esta basado en el principio pull. En estos sistemas el inicio de los trabajos
no esta programado, sino que el comienzo de un trabajo es permitido al finalizar otro, o
dicho de otra forma, la finalizacin de un trabajo autoriza la produccin del siguiente.
La transmisin de las autorizaciones para producir y mover piezas se realiza mediante el
flujo de tarjetas entre los distintos centros de trabajo. Kanban significa tarjeta en
japons. El nmero de tarjetas es el principal parmetro de este tipo de sistemas, ya que
determina el nivel de inventario en proceso, WIP (Work In Process) en la planta.
Los sistemas pull (pull significa tirar en ingls) se muestran superiores a los sistemas
push (push significa empujar en ingls) en donde ambos pueden ser empleados
(Spearman et al, 1990, Roderick et al, 1992). Esta superioridad se puede explicar desde
el punto de vista del entorno, el tiempo que las piezas estn en el sistema y el control de
este.
Hay entornos en donde un sistema Kanban no puede ser empleado, como son aquellos
en donde se tienen ordenes de trabajo con tiempos de produccin cortos, o aquellos
donde se tienen tiempos de set-up (tiempos de puesta a punto) significativos, scrap loss
(perdidas por trabajos de desecho o piezas inservibles) o grandes e imprevisibles
fluctuaciones de la demanda. Estudios de simulacin realizados por Krejewski et al,
1987, ponen de manifiesto que las consideraciones sobre el entorno pueden ser la causa
principal para la superioridad de los sistemas pull sobre los push, dada la facilidad que
los sistemas pull tienen para mejorarlo.
Spearman y Zazanis, 1988, probaron que el WIP medio total y el flow time medio
(tiempo transcurrido desde que una pieza entra al sistema hasta que sale) del sistema
eran menores en un sistema pull que en un sistema push. Tambin hay evidencias de
que la varianza del flow time es menor en los sistemas pull que en los sistemas push
equivalente. Las varianzas reducidas y los tiempos medios del flow time implican unos
WIP y FGI (Finished Goods Inventory) reducidos para un lead time (tiempo de ciclo)
dado (Hopp et al, 1988).
El control del los sistemas pull es otra de sus ventajas sobre los sistemas push. Los
primeros son inherentemente ms fciles de controlar que los segundos, debindose esto
a dos razones. La primera es que el WIP es directamente observable en los pull y la
segunda es que los errores cometidos en el ajuste de los niveles de WIP afectarn a las
prestaciones de los sistemas pull en menor medida que los errores cometidos estimando
la capacidad de un sistema push (Spearman y Zazanis, 1988).

-2-

Es comn confundir el sistema de la produccin Kanban con la filosofa de produccin

justo a tiempo (Just In Time). Ambos aparecieron en la industria japonesa dentro de
una misma manera de entender la empresa. Su aplicacin suele hacerse de forma
conjunta, pero hay que tener en cuenta que son dos conceptos distintos. La filosofa
Justo a Tiempo no es slo una forma de gestionar los materiales que circulan por el
sistema, sino que afecta a todos los elementos de la empresa, involucrando desde la
direccin a los proveedores, pasando por los trabajadores. La idea central es ser lo ms
eficiente posible, eliminando cualquier tipo de gasto. El paradigma de gasto es la
existencia de inventarios, es decir, materiales que esperan a ser procesados ante las
mquinas o en almacenes, ocupando espacio, tiempo en su manipulacin y recursos
financieros. La filosofa Justo a Tiempo lo que propone es que las operaciones y
materiales se realicen y se reciban justo en el momento oportuno, ni antes ni despus. El
gasto aplicando esta filosofa se puede reducir de manera muy importante (Gaury,
2000).
La fabricacin aplicando la filosofa Just In Time persigue conseguir una serie de metas
(Domnguez, 1994) como son Cero defectos, Cero averas, Cero inventarios, Cero
plazos de entrega de los productos finales al cliente y la utilizacin de Cero papel.
El sistema de la produccin Kanban y todos los sistemas basados en tarjetas derivados
de l, como es el Conwip, son un instrumento para llevar a cabo la filosofa Justo a
Tiempo a nivel operativo.
El sistema CONWIP (CONstant Work In Process) fue introducido por Spearman et al,
1990 como un intento de ofrecer un sistema con los beneficios de los sistemas pull y
ms flexible que el sistema Kanban, pudiendo ser aplicado a un mayor nmero de
entornos productivos que este ltimo. El sistema Conwip trata de mantener constante el
inventario en proceso, WIP (Work In Process) en el sistema. Esto lo hace usando
tarjetas que se adjuntan a un trabajo al comienzo del sistema. Cuando este trabajo
finaliza en la ltima estacin de trabajo del sistema, la tarjeta es liberada y enviada de
nuevo al comienzo del sistema donde ser adjuntada a otro trabajo. Ningn trabajo
podr entrar al sistema sin su correspondiente tarjeta.
El mximo WIP permitido en el sistema viene determinado por el nmero de tarjetas
que en l circulan en un momento dado y su determinacin ser el principal problema al
que deban de enfrentarse a la hora de parametrizar dicho sistema de control de la
produccin.
Existen otras variantes ms modernas sobre el sistema Conwip que lo convierten en un
sistema adaptativo que reacciona ante variaciones del entorno productivo o del propio
sistema, como por ejemplo las producidas por averas de las mquinas o falta de
conformidad en los trabajos realizados y que hagan preciso el reprocesado de piezas.
Como hemos dicho anteriormente, el nmero de tarjetas es el parmetro ms importante
que debe ser establecido en un sistema Conwip. Existen dos modos de abordar el
problema de la determinacin del nmero de tarjetas a emplear en estos sistemas.

-3-

a) Por una parte esta el establecimiento de tarjetas, que dadas unas condiciones
de produccin, trata de determinar el nmero de tarjetas ptimo para la
consecucin de unos determinados objetivos. Se han propuesto diversos
procedimientos basados en modelos analticos (ver por ejemplo Hopp y
Spearman, 1991 Herer y Masin, 1997), modelos de simulacin (ver por
ejemplo Bonvik et al, 1997 Gaury et al, 2000) modelos hbridos simulacinanalticos (Luh et al, 2000). El nmero de tarjetas as determinado permanecer
estable a lo largo del periodo considerado.
b) El otro modo de determinar el nmero de tarjetas es de forma dinmica, es
decir, emplear un mecanismo de control dinmico. En la bibliografa hay pocas
contribuciones referentes al ajuste dinmico del nmero de tarjetas, siendo
conocidas las de Rees et al, 1987, que desarrollaron un mtodo de ajuste basado
en la inecuacin de Monden (Monden, 1983), la de Gupta y Al-Turki, 1997 que
aplica un sistema de control dinmico de tarjetas a un sistema Kanban de dos
tarjetas, la de Hopp y Roof, 1998 que desarrollaron el sistema STC (Statistical
Throughput Control) el cual fue concebido para ajustar de manera dinmica el
nmero de tarjetas en un sistema Conwip en entornos contra pedido, la de
Takahashi y Nakamura, 1999 que se basa en un estudio previo del sistema por
medio de simulacin, la de Tardif y Maaseidvaag, 2001 que propone un sistema
Conwip operando en un entorno contra stock y por ltimo la de Framin et al,
2003, que proponen un sistema de control dinmico de tarjetas, aplicable a
cualquier sistema de la produccin basado en tarjetas y que puede operar tanto
en entornos contra pedido como contra stock
El funcionamiento del sistema estudiado en el presente proyecto se encaja dentro de este
segundo grupo. Hay que tener en cuenta que estos sistemas contienen ms de un
parmetro a considerar y en el sistema objeto de estudio no se ha propuesto ningn
mtodo para optimizar los parmetros de funcionamiento del sistema. Por otra parte hay
que considerar que el nmero de parmetros a optimizar no es lo suficientemente
elevado como para emplear una tcnica heurstica de propsito general como por
ejemplo los algoritmos genticos. Sin embargo un estudio analtico -como por ejemplo
la teora de colas, programacin dinmica, etc- tampoco sera viable, ya que se
limitara a casos extremadamente sencillos y de poca utilidad prctica. Por ello se ha
pensado en utilizar la metodologa RSM (Response Surface Methodology.) como
metodologa de optimizacin del sistema objeto de estudio. La aplicacin de esta
tcnica nos permitir, a su vez, obtener un mayor conocimiento sobre la influencia en
las respuestas de los parmetros propios del sistema.
El objeto del proyecto es el estudio de un mtodo de optimizacin de una lnea de
fabricacin, de un solo producto, controlada mediante un sistema de control dinmico
de tarjetas. Los detalles sobre este sistema, similar al Conwip, se encuentra en Framin
et al, 2003. Los autores desarrollaron un procedimiento para controlar de forma
dinmica el nmero de tarjetas en sistemas de control de la produccin basados en
tarjetas, operando tanto en entornos contra pedido como contra stock, mejorando a los
existentes. El mtodo se basa en el compromiso entre el inventario de productos
terminados FGI y la demanda acumulada en un cierto instante, siendo el objetivo
-4-

conseguir un nivel de servicio (o tasa de salida) predeterminado minimizando a su vez

el WIP y los costes asociados a la demanda acumulada. El sistema ser estudiado con
detalle en el captulo 2.
Nosotros estamos interesados en estudiar la influencia que cada uno de los dos factores,
K (0) y E, tienen en el comportamiento del sistema y en hallar la configuracin que
permita un funcionamiento ptimo, entendiendo como tal, aquella que permita que se
alcance el nivel de servicio propuesto con el mnimo inventario en proceso.
Para este estudio se emplearan las tcnicas del diseo y anlisis de experimentos,
tambin llamadas DOE (Desing Of Experiments), y la metodologa de superficies de
repuesta, o metodologa RSM (Response Surface Methodology) (Montgomery, 1991).
Con el DOE estudiaremos la importancia relativa de los parmetros K (0), E, y con la
metodologa RSM la optimizacin de los mismos. El diseo estadstico de experimentos
se refiere al proceso para planificar el experimento de tal forma que se recaben datos
adecuados que puedan analizarse con mtodos estadsticos que llevarn a conclusiones
objetivas. La metodologa RSM es una coleccin de tcnicas matemticas y estadsticas
tiles en el modelado y en el anlisis de problemas en los que una respuesta de inters
recibe la influencia de diversas variables y donde el objetivo es optimizar esta respuesta.
Esta respuesta en funcin de las variables independientes se puede representar, en el
caso de dos variables, por medio de una superficie tridimensional, a la que se la llama
superficie de respuesta. El problema de la optimizacin lo afrontaremos utilizando
varias tcnicas propias de la metodologa RSM, como son el mtodo del ascenso ms
pronunciado, el anlisis cannico, el mtodo de la superposicin de las grficas de
contornos y la metodologa de optimizacin multirespuesta de la funcin desirability.
La experimentacin comenzar planteando un experimento de caracterizacin con la
finalidad de conocer cuales de los dos parmetros que definen el comportamiento del
sistema son significativos y si existe interaccin entre ellos. Se partir de un entorno
similar al empleado por Framian et al en la presentacin del sistema, denominado PS,
con un nivel de servicio predeterminado del 100%. A continuacin, comenzar la fase
de la experimentacin dedicada a la optimizacin aplicando metodologa RSM al
sistema anterior para un nivel de servicio predeterminado del 98%. Tras aplicar las
tcnicas propias de la metodologa RSM, se llega a descubrir que las soluciones
admisibles al problema planteado cumplen que la suma de los parmetros K (0) y E
permanece constante, propiedad que nos permite llegar a soluciones que parecen estar
muy prximas a la combinacin ptima. Tras la realizacin de una bsqueda exhaustiva
en todo el espacio de soluciones descubrimos que la solucin ptima al problema
planteado es una de las halladas en el paso anterior.
En este descubrimiento tiene gran importancia el empleo del mtodo grafico de
optimizacin multirespuesta de la superposicin de las grficas de contornos. Sin
embargo este mtodo es poco formal, por lo que en la siguiente fase de la
experimentacin se decide aplicar el mtodo RSM multirespuesta de la funcin
desirability (deseabilidad en ingls). Tras su estudio y aplicacin al sistema objeto de
este proyecto, se llega a la conclusin de que su uso no aporta grandes ventajas desde el
punto de vista computacional, sin embargo s que puede ser de gran utilidad su empleo
-5-

en el estudio de la superficie de respuesta en una zona de inters en la que estemos

interesados conocer el comportamiento de varias respuestas a la vez.
Los resultados obtenidos en el estudio experimental del sistema nos lleva a plantear una
heurstica que nos proporcione, con el menor nmero de simulaciones, la combinacin
de parmetros K (0) y E que haga que el sistema PS funcione con un nivel de servicio
predeterminado del 98% con el menos inventario en proceso. Se propone un mtodo de
bsqueda doble. Por un lado se aprovecha la propiedad anteriormente comentada, de
que las soluciones admisibles tienen la propiedad de que la suma de los parmetros K
(0) y E permanece constante, proporcionando esto la aparicin de la que llamaremos la
trayectoria de las soluciones admisibles. Se llegar a ella estudiando en un primer
paso, el sistema como si este fuera un sistema Conwip tradicional, para en un segundo
paso, recorrerla y hallar cul de las soluciones que la componen es la mejor desde el
punto de vista del criterio de bsqueda.
Por otro lado, al no tener seguridad de haber encontrado la combinacin ptima, se
aplicar, en un tercer paso, el mtodo de la funcin desirability a la vecindad de la
solucin anteriormente hallada, con el fin de estudiar si existe una solucin mejor al
problema planteado. El cuarto, y ltimo paso de la heurstica consistir en comparar las
soluciones halladas. La heurstica propuesta se aplicar al experimento ya realizado y se
ver como en este caso proporciona la solucin ptima.
Este resultado es prometedor, pero es necesario validar el comportamiento de la
heurstica propuesta aplicndola a distintos entornos de funcionamiento de la lnea,
como averas, reprocesado de piezas, desequilibrios en los tiempos de proceso o
fluctuaciones en la demanda. El nuevo sistema va a estar formado por cinco mquinas
con distintos tiempos de procesado (sistema desequilibrado). Tambin va ser diferente
el tiempo de llegada de la demanda. Tras aplicar la heurstica al nuevo sistema se
comprueba la calidad de la solucin proporcionada por esta realizando una bsqueda
exhaustiva en el espacio de soluciones. El resultado de este experimento de
confirmacin es que la heurstica propuesta vuelve a dar como resultado la combinacin
ptima.
Para el estudio del sistema, y debido al carcter estocstico del mismo, la lnea de
produccin objeto de este estudio, va a ser simulada empleando simulacin de eventos
discretos, con programas realizados en lenguaje ANSIC y que han sido aportados por el
tutor del proyecto. La lnea de produccin va ha ser del tipo serie (flow-shop),
compuesta por cuatro estaciones en tndem.

-6-

1.2 SUMARIO
El resto del documento se organiza como sigue: en el segundo captulo Sistemas
basados en tarjetas. El sistema Conwip adaptativo se presentan las caractersticas
generales de los sistemas de produccin, su clasificacin tradicional en sistemas pull y
push, y su clasificacin segn el mecanismo de control: Sistemas basados en tarjetas
(token-based), Sistemas basados en el tiempo (time-based) y Sistemas basados en
excedentes (surplus-based). El sistema Conwip, as como el Kanban, del cual deriva,
son instrumentos para llevar a cabo la filosofa Justo a Tiempo a nivel operacional, por
lo que tambin se presenta una breve introduccin a ella y al importante papel que
juegan los inventarios dentro de los gastos de una empresa. A continuacin, se
describen en profundidad el sistema Conwip y el mtodo de ajuste dinmico de tarjetas
presentado por Framin et al, 2003.
En el tercer captulo, titulado Simulacin. Modelado del sistema, se hace una
pequea introduccin sobre la simulacin como herramienta en la toma de decisiones,
comentando sus caractersticas, ventajes e inconvenientes. A continuacin se va a
describir con mayor detalle la simulacin de eventos discretos, que va a ser la
herramienta que vamos a utilizar en la realizacin de los experimentos. Debido al
carcter estocstico de los procesos objeto de estudio, esta va a ser la herramienta
adecuada para estudiar el sistema objeto del proyecto. Seguidamente, se describe el
modelo sobre el que se van ha realizar los experimentos y se exponen las hiptesis
consideradas. Termina este captulo con el clculo de los parmetros de simulacin
como son, el tiempo efectivo de simulacin (T-W), el warm-up o periodo de
calentamiento (W) y el nmero de rplicas (n).
El cuarto captulo cuyo ttulo es Diseo de experimentos y Optimizacin RSM
comienza con una descripcin del diseo de experimentos, siguiendo con la
presentacin los diseos factoriales y el diseo factorial 2k. El captulo termina con la
exposicin de la metodologa de la superficie de respuesta con la que optimizaremos el
sistema con los datos obtenidos en los experimentos.
El quinto captulo Estudio experimental del sistema se dedica a la
experimentacin. Primero se definen los escenarios en donde esta se desarrolla. A
continuacin se plantean los experimentos que se van a llevar a cabo. La
experimentacin est compuesta por dos fases bien diferenciadas. En la primera se
realiza un experimento de caracterizacin, cuyo objetivo es averiguar qu significacin
tienen los factores en la respuesta del sistema objeto de estudio y conocer si existen
interacciones entre ellos. En la segunda fase se va a llevar a cabo el proceso de
optimizacin propiamente dicho, para lo que se va a aplicar la metodologa RSM
(Response Surface Methodology) o metodologa de la superficie de respuesta. Esta fase
consta a su vez de tres partes. En la primera se realiza la experimentacin para un valor
predeterminado del nivel de servicio del 100%, Para el escenario y los datos de la lnea
y demanda considerados el nivel de servicio objetivo del 100% no es realista por lo que
se repite el proceso para un valor predeterminado del nivel de servicio del 98%. En la

-7-

tercera parte se estudia en profundidad la metodologa de optimizacin multirespuesta

RSM de la funcin desirability.
El en sexto captulo Propuesta de optimizacin se propone una heurstica que nos
permita buscar rpidamente la combinacin de parmetros que hagan que el sistema
funcione con el nivel de servicio predeterminado y con el menor inventario en proceso.
En el captulo sptimo Experimento de confirmacin se realiza un experimento
para comprobar que la heurstica funciona adecuadamente en un entorno diferente al
utilizado en los experimentos anteriores.
En el octavo captulo Conclusiones se exponen las conclusiones en vista a los
resultados obtenidos en las diversas experimentaciones. Tambin se proponen algunas
lneas generales de futuras investigaciones y como se podra aplicar esta metodologa a
un sistema multiproducto y/o multirespuesta.
Adems de los captulos descritos, se han introducido dos secciones finales:
Bibliografa y Anexo. Una dedicada a la bibliografa a la que se hace referencia a
lo largo de este documento y que ha servido de apoyo al desarrollo del trabajo y la otra
un anexo en el que se muestran los resultados obtenidos en las simulaciones realizadas
para el clculo de los parmetros de simulacin.

-8-

CAPTULO 2:
SISTEMAS BASADOS EN TARJETAS.
EL SISTEMA CONWIP ADAPTATIVO

-9-

2.1 INTRODUCCIN
En este captulo se van a describir con mayor detalle los aspectos ms importantes sobre
el sistema de control de la produccin Conwip. Antes de entrar en detalle es conveniente
hacer una breve introduccin a ciertos trminos en los que se apoya el sistema Conwip y
que comparte con el sistema Kanban del cual deriva.
Ambos son sistemas del tipo pull y basados en tarjetas. Tradicionalmente los sistemas
de control de la produccin se clasifican en sistemas push y pull, dependiendo de la
direccin que sigue la informacin dentro del proceso.
Los sistemas push (push significa empujar en ingls), son aquellos en los que la
produccin se programa de antemano en el plan maestro de produccin, obligando a
que este plan se cumpla. El inventario tiene un efecto de empuje. En la figura siguiente
se muestra el funcionamiento de este tipo de sistemas:

Figura 2.1 Funcionamiento sistema Push.

Los sistemas pull (pull significa tirar en ingls), son aquellos en los que la produccin
no esta programada de antemano, si no que la finalizacin de un trabajo autoriza el
comienzo del siguiente. La transmisin de la autorizacin se realiza haciendo circular
tarjetas entre las distintas estaciones de trabajo. El esquema de funcionamiento de este
tipo de sistemas se puede apreciar en la siguiente figura:

- 10 -

Figura 2.2 Funcionamiento sistema Push.

Otra clasificacin ms actual de los sistemas de produccin se basa en el mecanismo de

control usado (Gershwin, 2000). Tenemos tres tipos:
-

Sistemas basados en tarjetas (token-based): Un trabajo puede ser procesado en

una estacin dependiendo de la existencia de una tarjeta que as se lo permita.

Sistemas basados en el tiempo (time-based): El procesado de un trabajo en una

estacin se realiza de manera constante a cada cierto intervalo de tiempo.

Sistemas basados en excedentes (surplus-based): El procesado de un trabajo en

una estacin depender de la diferencia entre la cantidad de trabajo demandada y
la cantidad de trabajo producida.

Los sistemas Conwip y Kanban son sistemas del tipo pull y basados en tarjetas. Estos
dos sistemas son instrumentos para llevar a cabo la filosofa Justo a Tiempo (Just in
Time) a nivel operativo. Es muy comn confundir los trminos Just in Time y
Kanban, sin embargo son conceptos distintos. Ambos aparecieron en la industria
japonesa dentro de una misma manera de entender la empresa y su aplicacin suele
hacerse de forma conjunta. La idea central de esta filosofa radica en la eliminacin de
todo tipo de gasto. Dentro de los distintos tipos de gasto que nos podemos encontrar en
una empresa, el principal es la existencia de inventarios, es decir, materiales situados en
almacenes o esperando ante las mquinas su procesamiento, ocupando espacio, tiempo
y dinero. La filosofa Justo a Tiempo propone para su eliminacin que todas las
operaciones y materiales se realicen y se reciban justo en el momento preciso, ni antes
ni despus. Esto, junto al carcter estocstico de los sistemas de produccin hace que
llevarla a cabo sea una tarea compleja.
Los inventarios tambin se utilizan como una prueba de la existencia de otros
problemas, amortigundolos. Para explicar esto se suele emplear el smil del cauce de
un ro, donde el nivel de inventario es anlogo al nivel de las aguas y los problemas a
las piedras que estn en el fondo. Si el nivel de las aguas sube, es decir, aumenta el nivel
- 11 -

de inventario, la circulacin de los barcos no ofrece problema alguno, sin embargo, si el

nivel disminuye, las piedras aflorarn a la superficie y los barcos tendrn dificultades
para su navegacin. En el sistema de produccin aflorarn los problemas (de calidad,
de transporte, de mantenimiento de mquinas, etc), teniendo as la oportunidad de
afrontarlos y eliminarlos. (Daz, 1993).
La filosofa Justo a tiempo persigue (Domnguez, 1994) obtener diversas metas como
son:

Cero defectos: Si la calidad es perfecta, se eliminaran los costes asociados a la

mala calidad.

Cero averas: Se eliminaran todos los retrasos debidos a los fallos de equipos
durante las horas de trabajo.

Cero inventarios: Eliminara el gasto ms importante en la actividad productiva

y adems evitaramos estar disimulando otros problemas que estn afectando a
la lnea de produccin.

Cero plazo de entrega al cliente: Aumentara la competitividad en el mercado,

adems de disminuir los niveles de inventario y proporcionar mayor flexibilidad
a la lnea para adaptarse a la variabilidad de la demanda.

Cero papel: Simplificara las tareas administrativas de la empresa y eliminara

gran parte de la burocracia interna.

Pero por otro lado, la filosofa Justo a Tiempo tambin tiene una serie de
inconvenientes, a saber (Chase et al, 2002):

Se limita a la fabricacin repetitiva.

Requiere un nivel de produccin estable.

Los productos deben ser similares con un nmero limitado de opciones.

Requiere trabajo en proceso, ya que el trabajo procesado debe ser almacenado en

los almacenes intermedios de salida de cada estacin para que la siguiente
estacin lo retire.

Los proveedores deben afincarse cerca, ya que las entregas deben de ser
frecuentes y pequeas.

Es un procedimiento de prueba y error aplicado a un sistema real.

Desde su aparicin en el ao 1953, el sistema Kanban ha sido tradicionalmente el

sistema pull basado en tarjetas ms conocido y utilizado, siendo un instrumento de

- 12 -

aplicacin de la filosofa Justo a Tiempo. Ha sido estudiado por multitud de

investigadores y su aplicabilidad e implantacin industrial ha sido muy discutida. A
raz de l han surgido otros sistemas basados en los mismos principios, y filosofa,
como el sistema Stock Base (Bonvik et al, 1997) o el sistema Conwip (Spearman et al,
1990), que se describe en la seccin 2.2.

- 13 -

2.2 DESCRIPCIN SISTEMA CONWIP

En esta seccin nos centramos en describir el funcionamiento de un sistema de control
de la produccin del tipo Conwip, ya que el sistema objeto de estudio se basa en este.
El sistema de la produccin Conwip fue introducido por Spearman et al, 1990 como un
intento de presentar un sistema pull ms flexible que el sistema pull por excelencia
hasta aquel entonces, el sistema Kanban. (Framin et al, 2003). Con el trmino
Conwip se hace referencia a cualquier sistema que trata de mantener constante la
mxima cantidad de inventario en proceso (WIP, Work In Process). Normalmente sto
se hace usando un nmero limitado de tarjetas, en igual nmero que el nivel mximo de
WIP deseado. Las tarjetas son asociadas a un trabajo al comienzo de la lnea de
produccin y cuando ste llega a final de la lnea de produccin, la tarjeta es liberada y
se enva de vuelta al comienzo de la lnea donde ser asociada a otro trabajo. Este
mecanismo se puede observar en la figura 2.3:

Figura 2.3. Mecanismo de funcionamiento de un sistema Conwip.

Cuando el nmero de trabajos en proceso es igual al nmero de tarjetas del sistema,

ningn trabajo se podr incorporar al sistema, por lo que el WIP en ese momento ser el
mximo que pueda aceptar el sistema. Es obvio que ningn trabajo podr entrar al
sistema sin su correspondiente tarjeta.
Existen dos tipos de entornos en donde el sistema Conwip puede operar: el entorno
contra pedido y el entorno contra stock. En un entorno contra pedido la tarjeta vuelve al
comienzo de la lnea en el momento en el que el trabajo es procesado en la ltima
estacin de trabajo. Ver figura 2.4. En esta figura los almacenes intermedios se suponen
incluidos en cada estacin, con objeto de obtener una representacin ms clara.

- 14 -

Figura 2.4. Flujo de trabajo e informacin en un entorno contra Pedido

En un entorno contra stock, una vez procesada una pieza en la ltima estacin de la
lnea, pasa al almacn de productos terminados (Finished Goods Inventory, FGI) junto a
su tarjeta siendo esta liberada y enviada de vuelta cuando la pieza es entregada al
cliente. Ver figura 2.5. Al igual que en la figura 2.4 los almacenes intermedios se han
suprimido por claridad en la representacin.

FGI

Flujo de trabajo

Estacin

Flujo de informacin

Almacen

Figura 2.5. Flujos de trabajo e informacin en un entorno contra Stock

Los sistemas pull de control de la produccin, tales como el Kanban o el Conwip, son
considerados superiores a los sistemas push, tales como MRP y MRPII, en aquellos
escenarios de produccin donde ambos pueden ser empleados.(Spearman et al, 1990,
Roderick et al, 1992). Esta superioridad se pone de manifiesto principalmente en tres
aspectos: en el entorno, las colas y en el control.

- 15 -

Hay entornos en donde un sistema Kanban no puede ser empleado, como son aquellos
en donde se tienen ordenes de trabajo con tiempos de produccin cortos, o aquellos
donde se tienen tiempos de set-up significativos, scrap loss o grandes e imprevisibles
fluctuaciones de la demanda. Estudios de simulacin realizados por Krejewski et al,
1987, ponen de manifiesto que el tipo de entorno es la causa principal de la superioridad
de los sistemas pull sobre los push, dada la facilidad que los pull tienen para mejorarlo.
Los efectos de las colas fueron estudiados por Spearman y Zazanis, 1988, quienes
probaron que el WIP total y el flow time medio eran menores en un sistema pull que en
un sistema push. Tambin hay evidencia de que la varianza del flow time ser menor en
los sistemas pull que en un sistema push equivalente. Reducidas varianzas y tiempos
medios del flow time implican unos WIP y FGI reducidos para un lead time dado (Hopp
et al, 1988).
El control del los sistemas pull es otra de sus ventajas sobre los sistemas push. Los
primeros son inherentemente ms fciles de controlar que los segundos, debindose esto
a dos razones. La primera es que el WIP es directamente observable en los pull y la
segunda es que los errores cometidos en el ajuste de los niveles de WIP afectarn a las
prestaciones de los sistemas pull en menor medida que los errores cometidos estimando
la capacidad afectarn a las prestaciones de un sistema push (Spearman y Zazanis,
1988).
Las ventajas del sistema Conwip respecto al sistema MRP han sido extensamente
descritas (Herer y Masin, 1997, Hopp y Spearman, 1996) siendo las ms importantes:
o Observabilidad: WIP es directamente observable y mantener cierto nivel
de inventario es ms simple que establecer una tasa de salida del
sistema.
o Eficiencia: requiere menos WIP para obtener la misma tasa de salida.
o Variabilidad: los sistemas MRP tienen una mayor variabilidad a lo largo
del tiempo.
o Robustez: Conwip es menos sensible a variaciones del nivel de
inventario (WIP) que un sistema push bajo el mismo tipo de error.
Las ventajas del sistema Conwip respecto al Kanban son (Spearman et al, 1990):
o Mayor simplicidad en el nmero de parmetros, dado que Conwip
requiere solamente un contador de tarjetas, relajando las condiciones de
trabajo del sistema Kanban.
o Mayor robustez respecto a la variacin del tiempo de proceso.
o Mayor aplicabilidad a diferentes entornos productivos.

- 16 -

2.3 AJUSTE DINMICO DEL NMERO DE TARJETAS. EL

SISTEMA CONWIP ADAPTATIVO
Los sistemas pull son ms satisfactorios operando en entornos con demanda y tiempos
de ciclo (lead times) estables (Hall, 1983). Sin embargo muchos fabricantes se enfrentan
a entornos donde los proveedores y la demanda cambian constantemente, de manera
que la determinacin de los parmetros de funcionamiento del sistema no resulta una
tarea fcil.
Algunos autores proponen como alternativa al establecimiento esttico del nmero de
tarjetas un control dinmico sobre el mismo, que se ajuste tanto a los factores internos
del propio sistema productivo (por ejemplo averas) como a los factores externos al
sistema como por ejemplo las variaciones en la demanda. Segn el tipo de entorno, las
ms importantes aportaciones han venido dadas por Hopp y Roof, 1998, ofreciendo un
sistema adaptativo operando en un entorno contra pedido, y Tardif y Maaseidvaag,
2001, proponiendo un sistema adaptativo que opera en un entorno contra stock.
-. Hopp y Roof desarrollaron el denominado Sistema STC (Statistical Throughput
Control), el cual fue concebido para ajustar de manera dinmica el nmero de tarjetas
en un sistema Conwip en entornos contra pedido. El mtodo se basa en incrementar o
decrementar el nmero de tarjetas respecto a la variacin del tiempo entre operaciones
para ajustar la tasa de salida a un determinado objetivo. Una vez que la tasa de salida
objetivo es establecida, el tiempo entre operaciones es monitorizado, estableciendo unos
lmites de control estadsticos. Si el sistema est fuera de control estadstico, se
aadirn o retirarn tarjetas del sistema. El mecanismo consiste en establecer la tasa de
salida objetivo denominada , medida en trabajos por unidad de tiempo. Por otra parte
se monitoriza el tiempo entre operaciones finalizadas, considerando la media, , y la
desviacin estndar . En este caso la tasa de salida viene determinada por la inversa
del tiempo entre las salidas de trabajos en la ltima estacin.
Cuando la media del tiempo entre operaciones, , est por encima de la inversa de la
tasa de salida objetivo ms de 3 , el sistema se considerar fuera de los lmites de
control, por lo que se incrementar el nmero de tarjetas en una unidad. Por el contrario,
puede suceder que la media del tiempo entre operaciones est por debajo de la inversa
de la tasa de salida objetivo ms de 3 , por lo que el sistema estar fuera de los lmites
de control. En este caso se disminuir el nmero de tarjetas en una unidad.
Hay que tener en cuenta que hay que realizar un periodo de calentamiento (warm-up)
del sistema para poder establecer la media y desviacin estndar de la tasa de salida del
sistema. Este perodo de calentamiento se tendr en cuenta siempre que haya una
variacin en el nmero de tarjetas. Puede venir expresado en unidades de tiempo o
unidades producidas.

- 17 -

Por otra parte hay que considerar que la tasa de salida objetivo sea adecuada a los
lmites de capacidad del sistema.
De manera esquemtica, el procedimiento es el siguiente:
Paso 0: Establecer el nmero inicial de tarjetas, m , y el periodo de calentamiento, n.
Paso 1: Establecer la tasa de produccin objetivo, .
Paso 2: Poner a cero las estadsticas de la media del tiempo entre operaciones, , as
como la desviacin estndar, , hasta que se ha superado el periodo de
calentamiento, n .
Paso 3: Despus de completar cada trabajo, calcular la media de los tiempos entre
operaciones, y su desviacin estndar, .
Paso 4:

Si
a) >

b) <

+ 3 , incrementar el valor de m en una unidad.

3 , disminuir el valor de m en una unidad.

Paso 5: Ir a paso 3.
-.Tardif

y Maaseidvaag desarrollaron un procedimiento para controlar el nmero de

tarjetas en sistemas Conwip bajo entornos contra stock. El mtodo se basa en el
compromiso entre el inventario de productos terminados y la demanda acumulada en un
cierto instante, siendo el objetivo minimizar el WIP y los costes asociados a la demanda
acumulada. El sistema emplea cuatro parmetros (K, E, R, C). K es el nmero de
tarjetas inicial, E es el nmero de tarjetas extra, R es el umbral de liberacin y C es el
umbral de captura. Una tarjeta extra ser aadida cuando un cliente llegue y el nivel de
inventario est por debajo del umbral de liberacin R. Una tarjeta extra ser extrada si
el nivel de inventario en el almacn de productos terminados est por encima del umbral
de captura C. El nmero de tarjetas se mantendr en cualquier otro caso.
Los elementos del sistema propuesto por Tardif son una lnea de fabricacin
representada por MP, una cola P conteniendo las piezas terminadas, una cola D
conteniendo los pedidos no servidos y un casillero A en donde se encuentran las tarjetas
extra. Las variables dependientes del tiempo son N(t) representando el nmero total de
piezas en la cola P menos el nmero total de pedidos pendientes en la cola D en el
instante t y X(t) que es el nmero de tarjetas extra no usadas en el instante t. (Ver figura
2.6).

- 18 -

En cuanto llega la demanda de un cliente en el instante t, y antes de que la pieza sea

dada al cliente, si N(t)<=R y X(t)>0, una tarjeta extra es sacada del casillero A y
enviada a MP donde ser adjuntada a una pieza para su procesado. A continuacin una
pieza situada en la cola P libera su tarjeta y la pieza es entregada al cliente. Sin
embargo, si N(t) antes de que la pieza sea entregada es mayor que C, la tarjeta liberada
con la pieza no es enviada al MP si no que es recapturada y almacenada en A. Es
importante tener en cuenta que R debe ser estrictamente menor que C. En la figura 4 se
muestra un diagrama en el que se representa el proceso de captura y liberacin de
tarjetas extra, as como el flujo de piezas y tarjetas. Las lneas a puntos representan el
movimiento de material mientras que las lneas continuas representan el movimiento de
informacin y de tarjetas. Las lneas verticales finas representan la sincronizacin entre
material e informacin.
Llegada de un Cliente

si
N (t) <= R
y
x(t) > 0

S, Capturar Tarjeta Extra

no
MP

Piezas al Cliente
D

si
N (t) > C
y
x(t) < E
no

S, Liberar Tarjeta Extra

Tarjeta Extra a MP

Figura 2.6. Diagrama de flujo del sistema de Tardif y Maaseidvaag

Tardif y Maaseidvaag en una primera etapa de su estudio compararon su sistema

adaptativo frente a un Conwip no adaptativo, ambos controlando la misma lnea de
produccin MP, la cual estaba formada por cuatro mquinas en tndem, cuyos tiempos
de proceso estaban distribuidos segn una funcin exponencial de media 5, igual para
las cuatro mquinas. La demanda a su vez, estaba distribuida segn una funcin de
Poisson de media 10 constante en el tiempo. El modelado de los sistemas lo realizaron
por medio de sendas cadenas de Markov y las funciones objetivo, Z(K) para el Conwip
y Z(K,E,R,C) para el sistema adaptativo, se definan como Z(K)=I(K)+WIP(K)+bB(K) y
Z(K,E,R,C)=I(K,E,R,C)+WIP(K,E, R,C)+bB(K,E,R,C), correspondiendo, en ambos
casos, el primer termino al inventario esperado, el segundo al inventario en proceso

- 19 -

esperado y el ltimo a la lista de ordenes de pedido esperada, siendo b el coste por no

entregar una pieza a tiempo y hacer que el cliente espere, o dicho de otra manera, el
coste por demanda insatisfecha.
En primer lugar aplicaron al sistema Conwip un algoritmo desarrollado por
Liberopoulos y Dallery, 1995, para hallar el nmero ptimo de tarjetas, K, que
minimizaba la funcin de coste Z(K), obteniendo que el nmero ptimo de tarjetas era
de K=13, seguidamente y usando este mismo valor de K, calcularon el valor de la
funcin de coste del modelo adaptativo, Z(K,E,R,C), observando que los resultados
mejoraban al sistema Conwip con determinacin esttica de tarjetas y que el nmero
ptimo de tarjetas para el sistema Conwip no tenia por qu ser igual al nmero ptimo
de tarjetas del sistema adaptativo. A continuacin, y usando una bsqueda exhaustiva,
probaron diversos valores que parecan razonables de los parmetros K, E, R, C,
llegando a valores inferiores de la funcin de costes. Detectaron que la mejora en los
resultados de la funcin objetivo era ms sensible a los cambios en los parmetros R y C
que a los cambios en el nmero total de tarjetas. Esto les llev a pensar que debera
haber una combinacin ptima de estos valores K*, E*, R* y C*, empleando para su
bsqueda un algoritmo heurstico simple, basado en una estrategia secuencial de un
factor a la vez, consistente en buscar el menor valor de la funcin objetivo, haciendo
variar un parmetro y manteniendo al resto constantes. Llegaron a obtener una
combinacin, K=12, E=12, R=3 y C=4, que mejoraba al Conwip tradicional en
aproximadamente un 4.90%, demostrando que el sistema adaptativo era ms eficiente
que el sistema tradicional. Sin embargo, este algoritmo poda parar en un ptimo local y
no aseguraba llegar al ptimo del sistema, adems de no estudiar de un modo
exhaustivo los parmetros, ya que no se hacan variar en su conjunto, no pudiendo
detectar posibles interacciones entre ellos ni la importancia de cada uno de ellos en el
sistema.
La principal razn que llev a Tardif y Maaseidvaag a plantear su modelo adaptativo
fue la de sugerir un sistema que se adaptara a entornos variables. Por lo tanto, en una
segunda etapa, estudiaron el comportamiento de su modelo bajo este tipo de demanda,
comparando los resultados con la respuesta de un sistema Conwip tradicional sometido
a esa misma demanda. Para ello desarrollaron un modelo de cada tipo de sistema usando
esta vez la simulacin de eventos discretos. La demanda se distribua segn una funcin
aleatoria de Poisson siguiendo un patrn cclico formado por cinco periodos de 50
unidades de tiempo de duracin cada uno, en los que las medias eran de 6, 8, 10, 12 y
14, respectivamente. El patrn se repeta cclicamente durante el tiempo total de la
simulacin que fue de un milln de unidades de tiempo. Se compar el sistema
tradicional con K=13 y las diez mejores combinaciones del sistema adaptativo que
ofrecieron los mejores resultados en el caso de demanda constante, Ahora, con la
demanda variable se obtuvo una mejor combinacin con K=11, E=1, R=3 y C=4, que
ofreca una mejora del 8.87% sobre el sistema tradicional. Es particularmente
interesante observar que slo se necesitaba una tarjeta extra.
Es decir, Tardif y Maaseidvaag proponen un sistema Conwip adaptativo, capaz de
dominar completamente al sistema Conwip tradicional trabajando bajo ciertas
condiciones de variabilidad del entorno. En su estudio emplearon sistemas equilibrados,
- 20 -

debido a su mayor facilidad para ser estudiados mediante cadenas de Markov. Por otra
parte se dejan las puertas abiertas a futuros estudios en los que se empleen sistemas
desequilibrados (distintos tiempos de proceso), sistemas con reprocesado de piezas o
sistema que contemplen averas en las mquinas.
-.Framin et al, 2003, desarrollaron un procedimiento, denominado PS, que se basa en
monitorear la salida del sistema para comprobar si est por debajo o por encima de un
objetivo propuesto. El sistema emplea un cierto nmero de tarjetas extra, como en el
modelo propuesto por Tardif y Maaseidvaag. El objetivo es alcanzar una tasa de salida o
nivel de servicio objetivo, en entornos contra pedido y contra stock respectivamente. La
tasa de salida se define como (Hopp y Spearman, 1996):
Tasa de Salida (%) =

trabajos
* CTcuellodebotella *100
periodo

(1)

donde CT es el tiempo del ciclo en el cuello de botella. Es una medida del grado de
utilizacin del cuello de botella.
El nivel de servicio se expresa como (Hopp y Spearman, 1996):
Nivel de Servicio (%) =

Trabajos servidos a tiempo

* 100
Nmero de trabajos acabados

(2)

Tanto la tasa de salida como el nivel de servicio pueden ser monitorizados de dos
formas diferentes:

Tiempo de monitoreado fijo: La respuesta del sistema (tasa de salida o nivel de

servicio) es grabada cada cierto periodo de tiempo dado. Este procedimiento
presenta los inconvenientes de, por un lado, introducir un nuevo parmetro al
sistema y por otro del ajuste del intervalo de tiempo, ya que este ltimo depende
del tiempo de procesado de los trabajos y por lo tanto debera ser ajustado
especficamente para cada escenario en concreto.

Monitoreado basado en el nmero de piezas retiradas: En este procedimiento se

cuenta el nmero de piezas retiradas del sistema. Cuando el contador alcanza un
nivel predeterminado la respuesta del sistema se graba y el contador se pone a
cero. Este mtodo es similar al usado en los sistemas STC y en el de Tardif y
Maaseidvaag. Ambos mtodos usan un nivel de piezas retiradas igual a uno (por
ejemplo, la respuesta del sistema es grabada cada vez que una pieza es retirada
del sistema). La diferencia principal entre estos es que en el sistema STC se
aplica un tiempo de warm-up, que viene a valer del orden de 10 a 100 trabajos
retirados, dependiendo del tipo de experimento. El inconveniente del empleo
del empleo de tiempo de warm-up es que introduce un nuevo parmetro al
sistema.

- 21 -

Los autores proponen el uso de un nivel fijo igual a uno y no considerar periodo de
warm-up o calentamiento entre cambios.
El efecto del periodo transitorio en el sistema depende del correcto ajuste del intervalo
de tiempo anteriormente comentado o del nivel de piezas retiradas del sistema. Por una
parte, ser interesante elegir un intervalo de tiempo o un nivel de piezas retiradas
pequeo para obtener una respuesta del sistema rpida para un nivel de servicio o una
tasa de respuesta dada. Por otra parte, hay que tener en cuenta que si la respuesta del
sistema fijada no es estable, pequeos intervalos de tiempo o bajos niveles de piezas
retiradas pueden desencadenar fluctuaciones en el sistema, siendo en esta caso mejor
seleccionar un periodo de tiempo o nmero de trabajos alto. Para evitar estos efectos los
autores del sistema PS decidieron limitar el nmero mximo de tarjetas extras, as el
nmero de tarjetas en el sistema en cualquier instante esta limitado por:
Limite inferior = {0; nmero inicial de tarjetas nmero de tarjetas extra}
Limite superior = {nmero inicial de tarjetas + nmero de tarjetas extra}
Como ya se ha comentado anteriormente, el sistema PS se basa en monitorear la
respuesta del sistema y comprobar si esta se encuentra por debajo o por encima de un
objetivo de produccin dado. Segn nos encontremos en un entorno contra pedido o
contra stock, este objetivo se medir por la tasa de salida o el nivel de servicio
respectivamente. En un entorno contra pedido la respuesta es grabada por el sistema
cada vez que un trabajo sale del sistema y en un entorno contra stock cada vez que un
cliente llega al sistema.
El proceso de aadir o sustraer tarjetas del sistema se da cada vez que la respuesta del
sistema es monitoreada, momento en el que contador de piezas que son retiradas del
sistema se pone a uno. Esto induce una rpida respuesta del sistema y se corre el riesgo
de que el comportamiento de este se vuelva inestable, impidindolo el echo de estar
limitado el nmero de tarjetas extras, como ya se ha comentado.
El sistema PS funciona segn dos parmetros. Por un lado esta el parmetro K (0) que
corresponde con un nmero fijo de tarjetas que van a operar a lo largo de la lnea de
produccin. Por otro lado, se tiene el parmetro E que corresponde con el nmero de
tarjetas extras que se van a tener dispuesta en el casillero de tarjetas extra. El proceso de
aadir al sistema o sustraer de este, tarjetas extra va a ser el siguiente: si la tasa de salida
(o nivel de servicio) est por debajo de un objetivo predefinido y hay tarjetas extra
disponibles en el casillero, se aade una tarjeta extra al sistema. Si la salida (o nivel de
servicio) est por encima del objetivo predefinido, se retira una tarjeta extra del sistema
y se enva de nuevo al panel de control de tarjetas extra. En la figura 2.7 se muestra un
diagrama de flujo que explica el proceso. La notacin empleada es la siguiente:

x(t ) , nmero de tarjetas extra no usadas en el instante t.

E , nmero inicial de tarjetas extra.

- 22 -

K (t ) , nmero de tarjetas que operan en el sistema en el instante t.

(t ) , salida (o nivel de servicio) del sistema en el instante t.

, tasa de salida objetivo (o nivel de servicio objetivo).

Una pieza es acabada (Entorno contra pedido)

Un cliente llega (Entorno contra stock)
(t) es monitoreada

si
(t) <
y
x(t) > 0

si

K(t) = K(t) +1

no

K(t) = K(t) -1

si

si
(t) >
y
x(t) < E

FIN

Figura 2.7. Diagrama de flujo del sistema PS.

Framin, Gonzlez y Ruiz-Usano realizaron una serie de experimentos para comprobar

la validez del sistema PS trabajando en entornos contra pedido y contra stock. En el
primer caso lo compararon con un sistema STC operando en los mismos escenarios
propuestos por Hopp y Roof, 1998 y en el segundo con un sistema como el propuesto
por Tardif y Maaseidvagg, tambin operando en los mismos escenarios en los que estos
presentaron su modelo. En ambas series de experimentos, estos autores midieron la
respuesta transitoria y el estado estacionario que sigue a aquella. La respuesta transitoria
se utiliz como un indicador de la velocidad con la que cada sistema se adapta a los
cambios y el periodo estacionario como un indicador de la habilidad de cada sistema
para alcanzar el objetivo predeterminado.
Respecto al sistema STC el sistema PS mostr una respuesta ms rpida ante los
cambios y alcanzaba una tasa de salida ms cercana al objetivo. Respecto al sistema de
Tardif el sistema PS no mostr diferencias significativas ni en la respuesta transitoria ni

- 23 -

en la respuesta estacionaria. Este ltimo resultado era en cierto punto previsible dado
que el sistema PS se basa en el mecanismo usado por Tardif y Maaseidvaag.
El sistema PS se hace especialmente interesante por las ventajas que presenta:

Es un sistema que puede operar bajo entornos contra pedido y contra stock, no
como el sistema STC que slo puede operar en entorno contra pedido o como los
sistemas de Tardif y Maaseidvaag o Takahashi y Nakamura que slo lo pueden
hacer en entornos contra stock.

Puede aplicarse a todo los sistemas de control de la produccin del tipo pull, no
como, por ejemplo los sistemas STC y Tardif que slo son aplicables a sistemas
Conwip, o como los sistemas propuestos por Rees et al, 1987, y Gupta y AlTurki, 1997, que slo se pueden emplear en sistemas Kanban o el sistema de
Takahashi y Nakamura que esta diseado para ser empleado en sistemas Kanban
y Base-Stock.

El nmero de parmetros necesarios es de slo dos, K (0) y E por los cuatro que
son necesarios en el sistema de Tardif y Maaseidvaag.

No es necesario conocer a priori ciertos aspectos del escenario productivo, como

por ejemplo la demanda del prximo periodo, dato necesario en el sistema de
Gupta y Al-Turki, o el lead-time y la prediccin de la demanda para el sistema
de Rees et al. En otros sistemas, como el de Takahashi y Nakamura los autores
asumen que estos aspectos han de obtenerse mediante simulacin.

Sin embargo en los estudios del sistema propuesto (PS), no se ofreci ningn mtodo
para la optimizacin de los parmetros K (0) y E, por lo que el objeto del presente
proyecto es estudiar en profundidad la determinacin e importancia de los parmetros K
(0) y E. Emplearemos las tcnicas del diseo y anlisis de experimentos para conocer la
importancia de los parmetros y la metodologa de superficies de repuesta, para la
optimizacin de los mismos.
Por otra parte se dejan las puertas abiertas a futuros estudios en los que se extienda el
estudio a otros tipos de sistemas pull de control de la produccin. Tambin ser
interesante aplicar el sistema PS a sistemas desequilibrados (distintos tiempos de
proceso), sistemas con reprocesado de piezas, sistema que contemplen averas en las
mquinas y a entornos multiproducto.

- 24 -

CAPTULO 3:
SIMULACIN. MODELADO DEL SISTEMA.

- 25 -

3.1 INTRODUCCIN
El objetivo de este proyecto es hallar la combinacin ptima de los parmetros que
gobiernan un sistema de produccin Conwip adaptativo, segn el modelo PS. La
utilizacin de la simulacin mediante eventos discretos se hace imprescindible en este
caso, ya que al ser procesos estocsticos y, como se coment en la seccin 1.1, el
estudio mediante mtodos analticos/matemticos sera poco viable o limitado a casos
extremadamente sencillos y de poca utilidad prctica.
En primer lugar se va a realizar una breve descripcin de lo que es la simulacin,
comentando sus caractersticas, ventajas e inconvenientes y otros aspectos relacionados
con ella. Posteriormente se comentan los aspectos principales de la simulacin de
eventos discretos, herramienta que vamos a utilizar en la realizacin de los
experimentos.
En segundo lugar mostraremos el modelo de la lnea de produccin objeto de estudio y
presentaremos las hiptesis consideradas en l.
Finalmente, se determinarn los parmetros de simulacin necesarios para la realizacin
de las simulaciones. Estos parmetros son el tiempo efectivo de simulacin, el periodo
de calentamiento o warm-up y el nmero de rplicas.

- 26 -

3.2 SIMULACIN
Hoy en da la simulacin es una herramienta fundamental en el proceso de toma de
decisiones. Aunque parezca lo contrario, la simulacin es una tcnica muy antigua.
Desde hace bastante tiempo ya se han construido objetos con los que experimentar
dinmicamente, con el objeto de comprender la realidad y toda su complejidad, sin
necesidad de interactuar con el sistema real. Ms recientemente, con la aparicin de los
ordenadores, la simulacin digital cada vez est ms implantada. La simulacin digital
se define como una tcnica que permite imitar en un ordenador el comportamiento de un
sistema fsico o terico segn ciertas condiciones de operacin. Para analizar, estudiar y
mejorar el comportamiento de un sistema, el primer paso a seguir es desarrollar un
modelo conceptual que describa las dinmicas de inters para despus implantarlo en un
ordenador para poder analizar los resultados (Guash et al, 2002). En el campo de la
produccin, la simulacin se utiliza para determinar los niveles de inventario, los
procedimientos de mantenimiento, los programas de produccin, la planificacin de los
procesos, etc... (Chase et al, 2002).
Un sistema puede ser definido como una coleccin de objetos o entidades que
interactan entre s para alcanzar un cierto objetivo (Guash et al, 2002). El estado de un
sistema puede ser definido por un conjunto mnimo de variables. A estas variables se las
denominan variables de estado.
Los sistemas se pueden clasificar segn su comportamiento a lo largo del tiempo en
(Guash et al, 2002):

Sistemas Continuos: Son aquellos en las que las variables de estado evolucionan
de un modo continuo a lo largo del tiempo.

Sistemas Discretos: Son aquellos en los que las propiedades de inters del
sistema cambian en un cierto instante o secuencia de instantes, que normalmente
obedecen a un patrn peridico.

Sistemas Orientados a Eventos Discretos: Son anlogos a los anteriores, salvo

que ahora la secuencia de instantes obedece a un patrn aleatorio.

Sistemas Combinados: Son aquellos que combinan subsistemas continuos o

discretos respectivamente.

Como modelo del sistema se entiende a la descripcin de las caractersticas internas y

mecanismos de inters del sistema. Al proceso de abstraccin para obtener esta
descripcin se conoce como modelado. Un modelo debe representar aquellas
caractersticas del sistema que son de nuestro inters y ser una representacin abstracta
de la realidad lo suficientemente sencilla como para facilitar su mantenimiento,
adaptacin y reutilizacin (Guash et al, 2002).

- 27 -

Para que un modelo pueda ser procesado por un ordenador es necesario el uso de
modelos simblicos matemticos, los cuales reproducen con estructuras matemticas las
relaciones entre las propiedades fsicas del sistema que se pretende modelar. Para
garantizar una representacin eficiente del sistema real ha de tenerse en cuenta las
siguientes consideraciones:

Un modelo se desarrolla a partir de una serie de simplificaciones e hiptesis, por

lo tanto representa parcialmente la realidad.

Un modelo debe de construirse especficamente para una finalidad y debe de

formularse de modo que sea til para tal fin.

Un modelo debe de recoger los aspectos esenciales del sistema real y al mismo
tiempo debe de ser una representacin lo ms simple posible.

La tcnica de la simulacin ofrece como principales ventajas (Chase et al, 2002):

Por lo general la simulacin conduce a una mejor comprensin del sistema real.

La simulacin permite una compresin del espacio temporal, convirtiendo en

segundos o minutos lo que en la realidad son aos.

La simulacin no interfiere con el sistema real, por lo que este puede seguir
funcionando sin interferencias de ningn tipo.

La simulacin es mucho ms general que los modelos matemticos y puede

usarse cuando las condiciones no son las apropiadas para un anlisis matemtico
tpico.

La simulacin puede usarse como un juego para la experiencia de la

capacitacin.

La simulacin ofrece una representacin ms realista que un anlisis

matemtico.

La simulacin puede usarse para el estudio de situaciones transitorias mientras

que esto no puede hacerse generalmente con el anlisis matemtico.

Comercialmente se ofrecen muchos modelos que cubren una gran variedad de

temas.

La simulacin permite responder a preguntas del tipo Qu ocurrira si...?

Y como principales inconvenientes:

El desarrollo de un modelo de simulacin requiere mucho tiempo y esfuerzo y

esto no garantiza que produzca buenas respuestas.
- 28 -

La completa confiabilidad del modelo de simulacin no se puede probar. La

simulacin implica numerosas repeticiones de secuencias que se basan en
ocurrencias generadas de manera aleatoria y esto puede llevar a que un sistema
aparentemente estable se vuelva inestable ante una determinada combinacin de
eventos, aunque esta sea improbable.

La construccin de un modelo de simulacin puede llevar numerosas horas de

trabajo, as que el modelado de un sistema complejo puede resultar muy costoso.

La simulacin se basa en ocurrencias aleatorias, por lo que puede ser menos

exacta que el anlisis matemtico de un sistema representado por un modelo
matemtico.

La simulacin de modelos complejos puede llegar a requerir una gran cantidad

de tiempo de computacin.

La tcnica de simulacin carece de un enfoque estandarizado, por modelos

construidos por diferentes personas pueden variar considerablemente.

Para la simulacin de la lnea objeto del presente proyecto se parte de la identificacin

de esta con un sistema dinmico de eventos discretos, cuyas caractersticas se describen
a continuacin.
Un paradigma de simulacin para sistemas dinmicos de eventos discretos asume que el
sistema simulado slo cambia de estado en puntos discretos del periodo simulado, es
decir, que el modelo cambia de estado ante la ocurrencia de un evento. (Wainer, 2003).
Los modelos de eventos discretos son modelos dinmicos, estocsticos y discretos en
los que las variables de estado cambian en instantes no peridicos de tiempo,
correspondientes a la ocurrencia de un evento.
Un modelo de eventos discretos esta formado por los siguientes elementos (Guash et al,
2002):

Variables de estado: son el conjunto mnimo de variables que describen todos

los aspectos de inters del sistema. Cada conjunto de valores que toman estas
variables definen cada estado del sistema.

Eventos: Son acciones instantneas que pueden cambiar el estado del modelo.
No consumen tiempo y se pueden clasificar en:
-

Eventos condicionados: son aquellos eventos que para que ocurran es

necesario que se den ciertas condiciones.

Eventos no condicionados: son aquellos que estn planificados de

antemano y no necesitan de condicin alguna para que ocurra.
- 29 -

Otra clasificacin es:

-

Eventos endgenos o internos: son aquellos causados por condiciones en

el modelo.

Eventos exgenos o externos: son eventos externos al modelo.

Actividades: Son las tareas o acciones que tienen lugar entre dos eventos.
Generalmente, tienen duracin temporal conocida, aunque esto no significa que
sea constante. En procesos estocsticos su duracin, y por lo tanto su instante de
finalizacin se determina a partir de una distribucin de probabilidad.

Entidades: Son los objetos que constituyen o se mueven a lo largo del sistemas.
Se pueden agrupar en dos grupos:
-

Recurso o entidades permanentes, que son los medios gracias a los cuales
se pueden ejecutar las actividades. Definen quien o qu ejecuta la
actividad, su nmero permanece constante a lo largo de la simulacin y
suelen parametrizarse por caractersticas tales como capacidad, velocidad
o tiempo de ciclo.

Entidades temporales: Son los objetos que llegan, se procesan y salen del
sistema. Se crean y se destruyen a lo largo de la simulacin.

Atributos: Son las caractersticas que caracterizan a las entidades segn

propiedades de estas como puede ser el tamao, precio, prioridad, etc. Los
atributos son imprescindibles para controlar el flujo de entidades en el sistema.

Colas: Son estructuras que quedan determinadas a partir de una coleccin de

entidades temporales, ordenadas de una forma lgica. Las entidades que estn en
una cola sufren retardos de una duracin indeterminada.

- 30 -

3.3 MODELO e HIPTESIS

La utilizacin de la simulacin mediante eventos discretos se hace imprescindible en
este caso, ya que, al ser procesos estocsticos, el estudio mediante mtodos analticos o
matemticos sera poco viable.
Las herramientas de programacin que pueden utilizarse para llevar a cabo la
simulacin en un ordenador se clasifican en dos grandes grupos:
-

Los lenguajes de programacin de propsito general como pueden ser el Pascal,

Fortran, C ++, etc. La mayor ventaja que tienen es que son lenguajes conocidos
y la gran flexibilidad que ofrecen sus amplias libreras de instrucciones, que nos
permiten afrontar la programacin de cualquier tipo de modelo por complejo que
este sea. Como principal inconveniente presentan la gran cantidad de tiempo
que lleva su codificacin.

Los lenguajes de simulacin como el GPSS, Simscript, Siman, Slamsystem, etc...

y los entornos de simulacin como son el Arena, Witness o LeanSIM. Las
principales ventajas que presentan es su efectividad, bajo tiempo de
codificacin, fciles de programar e interfaces grficos. Como inconvenientes
presentan el alto tiempo de aprendizaje que requieren y una flexibilidad limitada.

En el presente proyecto se ha decido realizar la simulacin mediante el uso de un

programa escrito en lenguaje C. La simulacin de la lnea de produccin objeto de
estudio utilizando otras herramientas ms especficas se complicaba en exceso. Adems,
el uso de un programa especficamente escrito para este fin, nos permite hacer
variaciones en los parmetros de la lnea con gran facilidad.
El modelo ha sido proporcionado por el grupo de investigacin Organizacin
Industrial de la Universidad de Sevilla. TEP-134. Este modelo esta programado en
lenguaje C y requiere los siguientes parmetros de configuracin:

Nmero de estaciones de trabajo.

Entorno contra pedido, MTO o entorno contra stock, MTS (Ver seccin 2.2).

Horizonte de simulacin. Periodo de

simulacin. (ver seccin 4.4).

Tiempo de warm-up. Es el tiempo requerido para alcanzar el rgimen

estacionario en la simulacin. (ver seccin 4.4).

Tipo de distribucin de la demanda. Segn el valor que se le asigne a este

parmetro la demanda puede ser determinista o estocstica, pudiendo en este
ltimo caso elegir entre diferentes distribuciones estadsticas, entre las que se
encuentran la Normal, Poisson, Exponencial y Logaritmo Normal.
- 31 -

tiempo en el que transcurre cada

Tipo de distribucin del tiempo de procesado. Se configura de forma anloga

a como se hace la demanda.

Nmero de rplicas, n. Es el nmero de veces que una determinada

configuracin del modelo se va a repetir.

Nivel de significacin, , con el se calcula el grado de confianza 1- de los

intervalos de confianza, IC.

Nmero de tarjetas, K (0). Es el nmero de tarjetas usadas en el modelo PS.

(Ver seccin 2.3).

Nmero de tarjetas extra, E. Es el nmero de tarjetas extras empleadas en el

modelo PS. (Ver seccin 2.3).

La salida del programa viene dada por:

WIP medio. Es el inventario en proceso ponderado de todas las n rplicas

realizadas en cada simulacin.

Intervalo de confianza del WIP, IC (WIP). Es el intervalo de confianza en el

que se va ha encontrar el inventario en proceso, WIP, con un nivel de
significacin .

Desviacin estndar del WIP, STD WIP. Es la desviacin estndar

inventario en proceso correspondiente a las n rplicas.

Nivel de servicio medio. Es el nivel de servicio ponderado de las n rplicas

realizadas en cada simulacin en el caso de trabajar en un entorno contra
stock (ver expresin 2 de la seccin 2.3).

Intervalo de confianza del nivel de servicio medio, IC (servicio medio) Es el

intervalo de confianza en el que se va ha encontrar el nivel de servicio
medio, con un nivel de significacin , en el caso de trabajar en un entorno
contra stock

Desviacin estndar del nivel de servicio medio, STD servicio medio. Es la

desviacin estndar del nivel de servicio medio correspondiente a las n
rplicas, en el caso de trabajar en un entorno contra stock

Tasa de salida media. Es la tasa de salida ponderada de las n rplicas

realizadas en cada simulacin en el caso de trabajar en un entorno contra
pedido (ver expresin 1 de la seccin 2.3).

Intervalo de confianza de la tasa de salida media, IC (tasa media). Es el

intervalo de confianza en el que se va ha encontrar la tasa de salida media,
- 32 -

del

con un nivel de significacin , en el caso de trabajar en un entorno contra

pedido

Desviacin estndar de la tasa de salida media, STD tasa media. Es la

desviacin estndar de la tasa de salida media correspondiente a las n
rplicas, en el caso de trabajar en un entorno contra pedido.

La lnea de produccin va ha ser del tipo serie (flow-shop), compuesta por cuatro
estaciones en tndem, tal y como fue el modelo utilizado por Tardif en su estudio. Cada
estacin estar compuesta por una mquina, donde se realizarn el procesado del
trabajo, y un almacn intermedio de salida (o Output Buffer), donde el trabajo que sale
de la mquina va ha permanecer hasta que pueda pasar a la siguiente estacin. En la
siguiente figura se representa esta lnea de produccin:

Figura 3.1 Lnea de produccin objeto de estudio.

Los crculos representan a las mquinas y los tringulos a los almacenes intermedios.
Las materias primas entran al sistema directamente del almacn de materias primas o
desde otra seccin anterior, mientras que los trabajos terminados se almacenarn hasta
su salida del sistema, en el almacn intermedio de salida de la ltima estacin, llamado
FGI (Finished Goods Inventory).
En el presente estudio se han considerado las siguientes hiptesis:

En el sistema se procesa un nico tipo de trabajo. (ver por ejemplo Tardif y

Maaseidvaag, 2001, Bonvik et al, 1997 Duri et al, 2000).

Hay disponibilidad infinita de trabajos al comienzo de la lnea. (Tardif y

Maaseidvaag, 2001, Bonvik et al, 1997, Duri et al, 2000).

En cada mquina slo se procesa un trabajo a la vez, es decir, capacidad unitaria.

(Tardif y Maaseidvaag, 2001, Bonvik et al, 1997, Duri et al, 2000).
- 33 -

Las mquinas operan asincrnicamente, es decir, un trabajo es procesado si esta

presente y la autorizacin ha sido recibida. (Bonvik et al, 1997).

Los tiempos de procesado en las mquinas son aleatorios y distribuidos segn

una funcin exponencial de media conocida. (Tardif y Maaseidvaag, 2001, Duri
et al, 2000).

La lnea es equilibrada, es decir, las mquinas que componen la lnea operan

con los mismos tiempos de proceso. (Tardif y Maaseidvaag, 2001).

Las mquinas operan sin la posibilidad de averas.

No se tienen en cuenta los tiempos de set-up de las mquinas.

Los tiempos de inspeccin son nulos. (Duri et al, 2000).

No hay retraso en el transporte de las piezas entre las distintas estaciones que
componen la lnea, es decir, el transporte se considera instantneo. (Tardif y
Maaseidvaag, 2001, Bonvik et al, 1997, Duri et al, 2000).

Las tarjetas son transportadas a lo largo de la lnea sin retrasos. (Tardif y

Maaseidvaag, 2001, Bonvik et al, 1997, Duri et al, 2000).

La demanda es aleatoria, distribuida por una Exponencial de media conocida.

Para la demanda se ha adoptado el criterio Lost Sales, es decir, la demanda no

satisfecha se da por perdida. (Bonvik et al, 1997). Por demanda satisfecha
entendemos el que un cliente llegue y recoja el trabajo del FGI (Finisshed Good
Inventory) y por demanda perdida a aquella que llega y no espera si en el FGI
no hay ningn trabajo disponible.

No se consideran trabajos de desecho que haya que retirar del sistema, es decir,
no se considera scrap.

Se considera que el sistema opera dentro de un entorno contra stock (Make to

Stock, MTS). (Tardif y Maaseidvaag, 2001, Bonvik et al, 1997, Duri et al,
2000).La variable que mide la capacidad de un sistema operando en un entorno
de este tipo es el Nivel de Servicio, cuya formula es la siguiente:

Nivel de Servicio (%) =

Trabajos servidos a tiempo

* 100
Nmero de trabajos acabados

No se tienen en cuenta ningn tipo de costes.

- 34 -

(3)

Los escenarios en donde se van a realizar los experimentos son similares a los
empleados en la lnea de produccin que propuso Tardif y con la que se compar el
sistema PS (ver la seccin 2.3), la cual estaba formada por cuatro mquinas iguales, con
tiempos de procesado distribuidos segn una funcin exponencial de media 5. El tiempo
entre la llegada de cada cliente se distribua segn una funcin de Poisson de media 10.
El sistema objeto de estudio tambin est compuesto por cuatro mquinas iguales cuyos
tiempos de procesado van a venir definidos igualmente por una funcin de media 5. Sin
embargo, hemos credo que la demanda se representara de una manera ms real usando
una funcin exponencial. Para corroborar esto ltimo, realizamos una pequea serie de
pruebas piloto de los experimentos anteriores usando ambas distribuciones y en todas
obtuvimos valores muy altos del nivel de servicio para la distribucin de Poisson, del
orden de un 40-45% superior al nivel de servicio obtenido con la funcin exponencial a
igualdad de condiciones.
A la hora de elegir la media de esta funcin exponencial hay que tener en cuenta que un
valor grande permitira funcionar al sistema de una manera desahogada sin generar un
nmero significativo de clientes insatisfechos. Por el contrario, un tiempo de llegada
entre clientes medio muy pequeo llevara a la saturacin del sistema y sera muy difcil
satisfacer las necesidades de produccin por bueno que fuese el sistema. Tras la
realizacin de una serie de pruebas piloto los valores ms razonables se obtuvieron para
una funcin exponencial de media 8, por lo que este ha sido el valor tomado para el
resto de simulaciones.

- 35 -

3.4 DETERMINACIN DE LOS PARMETROS DE SIMULACIN

Al emplear un modelo de simulacin de eventos discretos es necesario definir los
parmetros de simulacin:
-

Horizonte de simulacin
Warm-up o periodo de calentamiento
Nmero de rplicas

El primer paso a seguir es definir el escenario que se va a utilizar para calcular estos
parmetros. Al ser el nuestro, un problema de optimizacin, no conocemos a priori la
mejor configuracin que define al sistema por lo que parece razonable partir de una
regin de experimentacin alrededor de la empleada por los autores de PS, en el
experimento en el que comparaban las prestaciones del sistema PS con las del sistema
propuesto por Tardif y Maaseidvaag. La configuracin elegida fue K (0) = 2 y E = 8.
Estos autores partieron de un nmero de tarjetas bajo que les permitiera el estudio del
periodo transitorio. El parmetro E fue elegido tras la realizacin de una serie de
pruebas piloto y el nivel de servicio objetivo fue del 100% debido a que el sistema de
Tardif y Maaseidvaag esta diseado para operar al mximo nivel de servicio.
Estos valores de K (0) y E se han tomado como los puntos centrales de sendos intervalos
de radio dos, dentro de los cuales se han elegido de forma totalmente aleatoria los
valores de K (0) y E, de una batera de cinco experimentos que se han utilizado en el
clculo de los parmetros de simulacin. Para ello se ha usado la funcin
ALEATORIO.ENTRE (inferior, superior) del programa Excel de Microsoft, donde el
lmite inferior del intervalo ha sido de 1 y el superior de 4 para el parmetro K (0) y de 6
y 10 para el parmetro E. Los resultados obtenidos han sido los siguientes (Tabla 3.1):

Experimento 1
Experimento 2
Experimento 3
Experimento 4
Experimento 5

K
4
3
2
3
2

E
10
8
9
7
7

Tabla 3.1 Experimentos usados en el clculo de los parmetros de simulacin.

La simulacin requiere para su desarrollo conocer el horizonte de simulacin (T), el

tiempo de warm-up o calentamiento (W) y el nmero de rplicas (n). En el instante
inicial todas las colas y mquinas estn vacas. Una vez la simulacin comienza hay un
periodo transitorio en el que aquellas se van llenando, fluctuando el sistema hasta que se
llega a un periodo de funcionamiento estable. Al primer periodo se le denomina tiempo
de warm-up, o de calentamiento, y en l no se miden las estadsticas del sistema. A
continuacin se entra en un periodo de funcionamiento estable, siendo este el tiempo
- 36 -

efectivo de simulacin, a lo largo del que se miden todas las estadsticas y valores que
nos van a permitir determinar el funcionamiento del sistema. Tanto el warm-up como el
tiempo efectivo de simulacin tienen que ser lo suficientemente largos. Si el warm-up es
corto, los valores obtenidos podran corresponder a una situacin concreta a corto plazo
y si el tiempo efectivo de simulacin fuera a su vez corto, los valores obtenidos no
representaran al funcionamiento buscado a largo plazo. Tampoco interesa un valor
excesivamente largo para estos, ya que el tiempo total de experimentacin sera muy
largo, consumiendo recursos computacionales intilmente. El tiempo efectivo de
simulacin, el warm-up y el nmero de rplicas se ha obtenido como se explica a
continuacin.

- 37 -

3.4.1 TIEMPO EFECTIVO DE SIMULACIN

El tiempo efectivo de simulacin es la diferencia entre el tiempo de simulacin (T) y el
tiempo de warm-up (W). En esta primera serie de experimentos el tiempo de warm-up
se ha elegido de 30.000 unidades de tiempo, un valor lo suficientemente alto como para
asegurar que el sistema va a funcionar fuera del periodo transitorio. El valor inicial del
horizonte de simulacin ha sido de 100.000 unidades tiempo, decreciendo a intervalos
de 5.000 unidades, siendo el ltimo valor de 35.000 unidades de tiempo. Esto significa,
teniendo en cuenta que el tiempo de warm-up era de 30.000 unidades, que el tiempo
efectivo de simulacin ha variado desde 70.000 unidades de tiempo hasta 5.000, en
intervalos de 5.000 unidades de tiempo, habiendo un total de catorce intervalos, por lo
que se han realizado catorce simulaciones de cada experimento. Cada una de las
simulaciones ha estado compuesta de cincuenta rplicas y se ha considerado un nivel de
significacin del 99% en los clculos estadsticos. Para cada conjunto de cincuenta
rplicas se ha obtenido el intervalo de confianza para el WIP y para el nivel de servicio,
representndose los resultados a continuacin (grficas 3.1 y 3.2):

0,500
0,450

IC (99) WIP

0,400
0,350

Exp-1

0,300

Exp-2

0,250

Exp-3

0,200

Exp-4
Exp-5

0,150
0,100
0,050
5000 15000 25000 35000 45000 55000 65000 75000

T-W
Grfica 3.1. Intervalos de confianza para el inventario en proceso. Clculo de T-W.

- 38 -

IC (99) Nivel Servicio

7,000
6,000

Exp-1
Exp-2
Exp-3
Exp-4
Exp-5

5,000
4,000
3,000
2,000
1,000
5000

15000 25000 35000 45000 55000 65000 75000

T-W
Grfica 3.2. Intervalos de confianza para el nivel de servicio. Clculo de T-W.

Se observa que conforme los tiempos efectivos de simulacin van aumentando, los
intervalos de confianza van siendo menores. A partir de 35.000 unidades de tiempo el
valor de los intervalos de confianza se mantienen dentro de unos lmites aceptables, por
lo que este va ser el valor tomado para el tiempo efectivo de simulacin de aqu en
adelante.

- 39 -

3.4.2 WARM-UP
Para la siguiente batera de simulaciones el valor inicial del warm-up va ha ser de
30.000 unidades de tiempo, que junto con el valor del tiempo efectivo de simulacin
elegido en el apartado anterior, hace un horizonte de simulacin de 65.000 unidades de
tiempo. El valor del warm-up va ir disminuyendo de 1.000 unidades en 1.000 unidades
de tiempo hasta un valor final de 1.000. Esto hace un total de treinta simulaciones para
cada configuracin del sistema, realizndose tambin cincuenta rplicas de cada
simulacin. Los resultados obtenidos para los intervalos de confianza del WIP y el nivel
de servicio han sido (grficas 3.3 y 3.4):

0,220
0,200
Exp1

IC (99) WIP

0,180

Exp2
0,160

Exp3
Exp4

0,140

Exp5

0,120
0,100
0

5000

10000

15000

20000

25000

30000

Grfica 3.3. Intervalos de confianza para el inventario en proceso. Clculo de W.

IC (99) Nivel Servicio

2,900
2,700
Exp1

2,500

Exp2

2,300

Exp3

2,100

Exp4
Exp5

1,900
1,700
1,500
0

5000

10000

15000

20000

25000

30000

Grfica 3.4. Intervalos de confianza para el nivel de servicio. Clculo de W.

- 40 -

En este caso no hay una disminucin del tamao de los intervalos de confianza tan clara
como en el apartado anterior, por lo que parece ser que el warm-up no influye en gran
medida en el funcionamiento de este tipo de sistemas. Sin embargo tomamos un warmup de 18.000 unidades de tiempo para tener una cierta garanta de evitar los efectos
transitorios.

- 41 -

3.4.3 NMERO DE RPLICAS

La ltima tanda de experimentos se destina a hallar el nmero de rplicas (n) que se van
a realizar de cada simulacin. El tiempo efectivo de simulacin y el tiempo de warm-up,
van a ser, como se ha comentado anteriormente, T-W= 35.000 y W=18.000 unidades de
tiempo. El valor de partida de n es de cincuentas rplicas, reducindose de cinco en
cinco, haciendo un total de diez simulaciones para cada una de las cinco
configuraciones del sistema. Los resultados obtenidos se recogen en las grficas 3.5 y
3.6.

0,450

IC (99) WIP

0,400
0,350

Exp-1

0,300

Exp-2
Exp-3

0,250

Exp-4
Exp-5

0,200
0,150
0,100
5

15

25

35

45

N Rplicas (n)

IC (99) Nivel Servicio

Grfica 3.5. Intervalos de confianza para el inventario en proceso. Clculo de n.

7,000
6,500
6,000
5,500
5,000
4,500
4,000
3,500
3,000
2,500
2,000

Exp-1
Exp-2
Exp-3
Exp-4
Exp-5

15

25

35

45

N Rplicas (n)

Grfica 3.6. Intervalos de confianza para el nivel de servicio. Clculo de W.

- 42 -

Se aprecia como los intervalos de confianza tienden a disminuir conforme aumenta el

nmero de rplicas, aunque para menos de 30 rplicas se observa un empeoramiento
significativo del tamao de estos. A partir de 30 rplicas se estabiliza la disminucin del
tamao de los intervalos, por lo que el valor elegido como nmero de rplicas para
todas las simulaciones va a ser este.
A modo de resumen tenemos que los tres parmetros que se van a utilizar en todas las
simulaciones van a ser T-W= 35.000 unidades de tiempo, W=18.000 unidades de
tiempo y n=30 rplicas.
En el anexo se recogen todos los valores obtenidos en todas las simulaciones y rplicas
realizadas en la obtencin del tiempo efectivo de simulacin, el warm-up y el nmero
de rplicas.

- 43 -

CAPTULO 4:
DISEO DE LOS EXPERIMENTOS Y
OPTIMIZACIN RSM

- 44 -

4.1 INTRODUCCIN
El diseo de experimentos es una potente herramienta que se usa ampliamente en el
mundo de la ingeniera, ya sea para mejorar o desarrollar un proceso de fabricacin, ya
sea para el diseo y mejora de productos. Las aplicaciones en el primer caso pueden ser
por ejemplo:
Mejoras en el rendimiento del proceso
Reduccin en el tiempo de desarrollo
Reduccin de costos

Y en el segundo caso pueden ser:

Evaluacin y comparacin de diseos bsicos
Evaluacin de materiales alternativos
Seleccin de los parmetros del diseo para hacer robusto el producto
Determinacin de los parmetros clave del diseo que afecta al
funcionamiento del mismo.

Un experimento se define como una prueba o serie de pruebas en las que se hacen
cambios deliberados en las variables de entrada de un proceso o sistema para observar e
identificar las razones de los cambios que pudieran observarse en la respuesta de salida
(Montgomery, 1991).
Un proceso o sistema puede representarse con el modelo de la figura 4.1:

- 45 -

Factores controlables
X1
Xp

Entradas

Proceso

Salida
Y

Z1 Z2
Zq
Factores no controlables
Figura 4.1 Modelo general de un proceso o sistema

donde el proceso puede ser una combinacin de mquinas, personas, mtodos u otros
recursos que transforman cierta entrada en una salida que tiene una o ms respuestas
observables. Algunas variables del proceso x1, x2, ..., xp son controlables, mientras que
otras z1, z2, ..., zq no son controlables. A los distintos valores que toman los factores se
les denominan niveles. Supongamos un experimento de laboratorio en el que se
pretende obtener la mayor concentracin de un compuesto C a partir de otros dos A y B.
La reaccin qumica se realiza en un reactor en el que se puede fijar la temperatura pero
no la humedad. El proceso ser la reaccin qumica mediante la cual se obtiene el
producto C. Los compuestos A, B y la temperatura sern factores controlables y la
humedad ser un factor no controlable. La salida o respuesta ser el compuesto C. De
los compuestos A y B se tienen varias concentraciones, que sern los distintos niveles
que tomarn cada uno de ellos, de la misma forma que los diferentes valores que tome
la temperatura sern los niveles de esta. A las diferentes formas de llevar a cabo y
plantear este experimento se las denominan estrategias de experimentacin.
Una estrategia sera la del enfoque de la mejor hiptesis, consistente en que el
experimentador selecciona una combinacin de los factores que intervienen en el
experimento, probndolos y ver que pasa. Segn sea la respuesta obtenida acta. Esta
estrategia puede dar buenos resultados si el experimentador tiene gran experiencia en la
realizacin de ese tipo de experimentos y profundos conocimientos del sistema que est
estudiando. Sin embargo este enfoque presenta dos serias desventajas. La primera es
que el experimentador no obtenga los resultados deseados en la hiptesis inicial, por lo
que deber hacer otra combinacin. Esto se puede repetir por mucho tiempo sin llegar a
resultados satisfactorios, consumiendo recursos intilmente. La segunda es que el
experimentador obtenga un resultado satisfactorio en la hiptesis inicial, dando esa
combinacin por buena, suspendiendo las pruebas sin garanta de haber llegado a la
mejor combinacin.
Otra estrategia es el enfoque secuencial de un factor a la vez. Este mtodo consiste en
seleccionar una combinacin de partida, para posteriormente ir variando sucesivamente
- 46 -

Concentracin de C (gr/l)

un solo factor manteniendo el resto de los factores constantes. Una vez hallada la mejor
respuesta para ese factor, se fija su valor y hace variar al siguiente de los factores hasta
obtener otro mximo de la respuesta, repitindose el proceso hasta hallar el mximo
valor de la respuesta correspondiente al ltimo de los factores, lo cual no garantizara
que fuera el ptimo del sistema. Veamos la aplicacin de esta estrategia al ejemplo del
experimento de laboratorio comentado anteriormente. Por motivos de claridad
supongamos que el experimentador decide no tener en cuenta la humedad debido a que
su influencia es muy pequea en la respuesta y que la temperatura se mantiene constante
a lo largo de todo el experimento, por lo que no la tiene en cuenta. El punto inicial es
una concentracin de A de 6 gramos por litro y una de B de 3 gr/l, obtenindose una
concentracin de C de 4 gr/l. Mantiene fijo el valor de la concentracin de B
obtenindose los siguientes valores, grfica 4.1:
8
7
6
5
4
3
5

10

15

20

Concentracin de A (gr/l)

Grfica 4.1. Resultados de la estrategia de un factor a la vez para la concentracin de C, manteniendo

fija la concentracin de B.

Concentracin de C (gr/l)

Podemos observar en la grfica como para un valor de A de 12,5 gr/l tenemos una
mxima concentracin de C de 7,2 gr/l, luego repetimos el proceso, variando la
concentracin de B y manteniendo constante la de A en el valor de 12,5 gr/l. Se obtienen
los siguientes resultados, grfica 4.2:
10
9
8
7
6
5
2

10

12

14

16

Concentracin de B (gr/l)

Grfica 4.2. Resultados de la estrategia de un factor a la vez para la concentracin de C, manteniendo

fija la concentracin de A.

- 47 -

Vemos que el mximo valor de C es de 8,1 gr/l y se ha obtenido para una concentracin
de B de 13,5 gr/l. Esta estrategia nos ha llevado a un valor de concentracin de C de 8.1
gr/l, para unas concentraciones de los factores A y B de 12,5 gr/l y 13,5 gr/l
respectivamente. Aparentemente el procedimiento esta bien organizado, conduce al
ptimo y los resultados son muy fciles de analizar, sin embargo esta estrategia tiene
dos graves carencias. La primera es que no asegura que alcancemos al ptimo global,
slo un ptimo aparente. Observemos la figura 4.2:

Conc e ntrac in de B (gr/l)

15
9

12
9

6. 5
6

7
7. 2

12

15

18

20

Conc entrac in de A (gr/l)

Figura 4.2. Curvas de nivel de la concentracin de C, trayectorias de la estrategia de un factor a la vez y ptimo
global.

En ella se representa la concentracin de C mediante curvas de nivel y las dos

trayectorias seguidas en las dos secuencias propuesta por la estrategia de un factor a la
vez. La secuencia seguida donde la concentracin de B se ha mantenido constante se
representa por una lnea roja, y la secuencia para la concentracin de A constante e igual
a 12,5 gr/l, se representa por una lnea azul. Se observa claramente que no hemos
alcanzado el ptimo global. Estas curvas de nivel representan puntos de la superficie de
respuesta con igual valor. Mas adelante profundizaremos en el estudio de la superficie
de respuesta y se ver con detalle un mtodo que nos proporcionar el ptimo global de
una manera muy aproximada.
La segunda carencia de esta estrategia es que no tiene en cuenta posibles interacciones
entre factores. Hay interaccin entre factores cuando uno de los factores no produce la
misma respuesta con niveles diferentes de otro factor. El uso de grficas ayuda al
- 48 -

experimentador a detectar este fenmeno. Supongamos que en el departamento de I+D

de un fabricante de neumticos estn desarrollando un neumtico y se quiere que sea
muy eficiente en situaciones de frenada. Entre los mltiples compuestos que se quieren
probar en su composicin se tienen dos polmeros, el E y el F. Cada uno de estos
polmeros se puede usar en porcentajes de 2% y el 4%, por lo que tenemos dos niveles
de cada uno. Se realiza en un principio dos pruebas para cada factor, cada una de ellas
con un nivel, manteniendo la misma composicin en el resto de compuestos que forman
el neumtico. En estas pruebas se mide la distancia de frenado para una velocidad
constante V, obtenindose los siguientes resultados, grficas 4.3 y 4.4:

11

Distanci frenado (m)

Distancia frenado (m)

11
10

10

7
2%

2%

4%

4%
Polmero F

Polmero E

Grfica 4.3. y 4.4. Distancia de frenado en funcin de los polmetros E y F.

Distancia frenado (m)

Ante estos resultados los experimentadores piensan que usando ambos polmeros en la
composicin del neumtico sus efectos se sumaran, reduciendo aun ms la distancia de
frenado, por lo que deciden realizar cuatro pruebas ms, usando las cuatro
combinaciones posibles entre los dos niveles de cada uno de los dos factores
obtenindose grfica 4.5:

12
11
Polmero F al 2%

10
9

Polmero F al 4%

8
7
2%

4%
Polmero E

Grfica 4.5. Interaccin entre los porcentajes de polmero E y F.

Se observa que las rectas se cruzan, indicando que hay interaccin entre los factores,
obtenindose una distancia de frenado de 7.5 metros para la combinacin del polmero
E en su nivel E1 con el polmero F en su nivel F2. Por el contrario, si las rectas del

- 49 -

polmero F al 2 y al 4% hubieran sido paralelas, como se puede ver en la grfica 4.6, no

hubiera habido interaccin entre los dos factores, ya que la variacin de la distancia de
frenado por el empleo del factor F no se vera afectada por el factor E.

Distancia frenado (m)

12

11
Polmero F al 2%

10

Polmero F al 4%
9

8
2%

4%
Polm ero E

Grfica 4.6. Caso de no-interaccin entre los porcentajes de polmero E y F.

La estrategia que tiene en cuenta la existencia de interacciones es la usada en el

experimento factorial, en la que los factores se hacen variar en conjunto, en lugar de uno
a la vez. Esta estrategia la veremos con ms detalle en el siguiente apartado.
Para obtener conclusiones vlidas y objetivas en el desarrollo de un experimento, han de
analizarse los datos obtenidos por medio de mtodos estadsticos. Cualquier problema
experimental incluye dos aspectos esenciales: el diseo del experimento y el anlisis
estadstico de los datos. Para ello han de cumplirse tres principios bsicos como son la
realizacin de rplicas, la aleatorizacin y la formacin de bloques (Montgomery,
1991).
La realizacin de rplicas consiste en repetir el experimento bsico. Posee dos
propiedades. En primer lugar permite obtener una estimacin del error experimental,
estimacin que se convierte en una unidad de medicin bsica para determinar si las
diferencias observadas en los datos son en realidad estadsticamente diferentes. En
segundo lugar, si se usa la media muestral para estimar el efecto de un factor en el
experimento, se tendr una estimacin ms precisa. Por ejemplo, si en el experimento
del fabricante de neumticos, el experimentador solo realiza una rplica con el polmero
E, la diferencia observada podra ser resultado del error experimental, sin embargo si se
usa un nmero de rplicas n lo suficientemente grande y el error experimental es lo
suficientemente pequeo, y se observa que la media de las distancias de frenado para el
porcentaje del 2% es mayor que la media de las distancias para el porcentaje del 4%,
puede deducirse con cierta certeza que un neumtico fabricado con el 4% de polmero E
produce mejores resultados que uno fabricado con un 2%.

- 50 -

Hay que distinguir entre rplicas y mediciones repetidas. Un ejemplo de mediciones

repetidas es medir cuatro veces con un calibre del dimetro de un tubo que se obtiene a
lo largo de un experimento de mecanizados. Las diferencias que se observan son
debidas a la variabilidad del aparato de medida.
La aleatorizacin es fundamental en el uso de los mtodos estadsticos en el diseo
experimental. Se entiende como tal que tanto la asignacin del material como el orden
en que se van a realizar las pruebas o ensayos se determinan al azar. Las observaciones
han de ser variables aleatorias independientes.
La formacin de bloques es una tcnica de diseo que se utiliza para mejorar la
precisin de las comparaciones que se hacen entre los factores de inters. Un bloque es
un conjunto de condiciones experimentales relativamente homogneas. Supongamos en
el ejemplo de los neumticos que el polmero E lo proporcionan dos proveedores
distintos. Debido a la variabilidad de un proveedor a otro, y a que no hay inters en este
efecto, el experimentador considera este como un factor perturbador. El polmero de
cada proveedor formara un bloque, por lo que el experimentador dividira las
observaciones en dos grupos que se ensayan en cada bloque.

- 51 -

4.2 DISEO FACTORIAL

Los diseos factoriales se usan en experimentos que incluyen varios factores cuando es
necesario estudiar el efecto conjunto de los factores sobre una respuesta. En general, los
diseos factoriales son los ms eficientes para este tipo de experimentos. Las ventajas
que aportan son que permiten la estimacin de los efectos de un factor con varios
niveles de los factores restantes, produciendo conclusiones que son vlidas para un
determinado rango de condiciones experimentales.
El efecto de un factor se define como el cambio en la respuesta producido por un
cambio en el nivel de ese factor promediado para los niveles de los otros factores,
(Montgomery, 1991). En el ejemplo anterior del neumtico tenamos dos factores, el
polmero E y el polmero F, variando ambos entre los niveles del 2% y el 4%. En la
figura 4.3 se representa este experimento, indicando en los vrtices del cuadrado el
valor de la respuesta:

7.5

11

10

2%

4%

Polmero F

4%

2%

Polmero E

Figura 4.3. Experimento factorial de dos factores con dos niveles.

E y F eran los factores de inters primario, y a su efecto se le llama efecto principal. El

efecto principal de E puede calcularse como la diferencia promedio entre la respuesta
con el nivel bajo de F y la respuesta con el nivel alto de F, numricamente esto es:

E=

(11 + 9) (7.5 + 10) = 1.25

2

Lo que significa que cuando el factor E pasa de su nivel bajo al alto, la distancia de
frenado se incrementa en 1,25 metros. De manera similar se calcula el efecto principal
F, que es:

- 52 -

F=

(7.5 + 11) (10 + 9) = 0.25

2

Se observa que la distancia de frenado disminuye en 0.25 metros al pasar del nivel bajo
de F al nivel alto. Esto significa que ambos factores interaccionan. El efecto de la
interaccin se puede hallar calculando el efecto de E con el nivel bajo de F, E = (9-10) =
-1 y el efecto de E con el nivel alto de F, E = (11-7.5) = 3.5, siendo la magnitud del
efecto de la interaccin EF el promedio de estas dos cantidades: EF = 3.5-(-1) = 4.5,
valor que indica que la interaccin puede ser grande comparada con los efectos
principales.
Las observaciones de un experimento factorial se pueden describir por un modelo,
siendo las formas ms habituales el modelo de regresin, el modelo de las medias y el
modelo de los efectos fijos, (Montgomery, 1991). Supongamos un experimento factorial
general de dos factores, A y B, con a y b niveles respectivamente y n rplicas. El modelo
de regresin vendra dado por:

y = 0 + 1 x1 + 2 x2 + 12 x1 x2 +

(4)

donde y es la repuesta, 1, 2 y 12 son parmetros cuyos valores han de determinarse, x1

es una variable que representa al factor A, x2 es una variable que representa al factor B y
es un termino del error aleatorio. Los parmetros de este modelo estn relacionados
con las estimaciones de los efectos, as, los parmetros 1, 2 y 12 son la mitad del
valor del efecto A, B y de la interaccin AB respectivamente. El parmetro 0 se estima
con el promedio de todas las respuestas.
Este modelo es especialmente til cuando uno o ms de los factores son cuantitativos, y
queremos usar el diseo de experimentos para la optimizacin de un proceso. Su
representacin grfica se llama superficie de respuesta, de cuya descripcin y anlisis
no centraremos ms adelante, ya que va a ser la herramienta que vamos a utilizar para
optimizar el problema objeto de este proyecto.
El modelo de las medias se definira como:

i = 1, 2,..., a
j = 1, 2,..., b
k =1, 2,..., n

yijk = ij + ijk

(5)

donde yijk es la observacin ijk-sima, ij es la media de los niveles i-simo y j-simo de

los factores A y B respectivamente, y ijk es un componente del error aleatorio que
incorpora todas las dems fuentes de variabilidad del experimento, incluyendo las
mediciones, variabilidad de factores no controlables, diferencias entre materiales de
prueba a los que se aplica el experimento, variabilidad con el tiempo, condiciones
ambientales, etc. Se considera que el error tiene media cero, de tal modo que E(yij) = ij.

- 53 -

El modelo de los efectos fijos sera:

i = 1, 2,..., a
j = 1, 2,..., b
k =1, 2,..., n

yi jk = + i + j + ( )i j + ijk

(6)

donde es comn a todos los factores y se llama media global, i es el efecto del nivel
i-simo del factor A, j es el efecto del nivel j-simo del factor B, ()ij es el efecto de
la interaccin entre A y B , y ijk es un componente del error relativo. Se supone que
los efectos de los tratamientos se definen como las desviaciones de la media global, por
a
b
lo que = 0 y = 0 , similarmente se tiene que los efectos de las
i =1

j =1

interacciones se definen de tal modo que

( ) = ( )
b

i =1

ij

j =1

ij

= 0 . Habr abn

observaciones en total ya que tenemos n rplicas.

Estos dos ltimos modelos son modelos estadsticos lineales ya que la variable de
respuesta yijk es una funcin lineal de los parmetros del modelo. El modelo de los
efectos es el ms intuitivo ya que los efectos de los factores y de las interacciones (i, j
y ()ij , respectivamente) representan las desviaciones de cuando se aplican los
factores. Por esto se encuentra con mayor frecuencia en la literatura. Es necesario que
los experimentos se realicen de forma totalmente aleatoria y suponer que los errores del
modelo son variables aleatorias que siguen una distribucin normal e independiente con
media cero y varianza 2, constante para todos los niveles de los factores. Esto implica
que las observaciones siguen una distribucin normal de media (+i+ j+ ()ij) y
varianza 2. Los objetivos sern probar hiptesis apropiadas acerca de los efectos, tanto
de los principales como de sus posibles interacciones, de los distintos niveles de cada
factor y estimarlos. Por ejemplo, la posible igualdad de los efectos de los a distintos
niveles del factor A se probara con la hiptesis:

H 0 :1 = 2 = L = a = 0
H 1 : al menos una i 0
A Ho se le denomina hiptesis nula y a H1 hiptesis alternativa.
La posible igualdad de los efectos de los b distintos niveles de B con:

H 0 : 1 = 2 = L = b = 0

H 1 : al menos una j 0

Y la determinacin de si los factores interactan entre si se probara por:

- 54 -

H 0 : ( )ij = 0
H 1 : al menos una ( )ij 0
Estas hiptesis se demuestran mediante el anlisis de varianza de los factores, con el
que se analiza la variabilidad total, estudiando la variabilidad de cada uno de los
componentes del experimento. La variabilidad global de los datos se mide con la suma
de cuadrados total corregida, SST. Intuitivamente, su uso se explica por que una medida
estndar de la variabilidad es la varianza muestral, y si se divide SST por los grados de
libertad (abn-1) se obtiene la varianza muestral de las respuestas obtenidas en el
experimento. Tengamos, (Montgomery, 1991):
b

yi .. = yijk

yi .. =

j =1 k =1
a

y. j . = yijk

y. j . =

i =1 k =1
n

yij . = yi jk

yij . =

y... = yijk
i =1 j =1 k =1

bn
yij .
an
yij .

n
y
y... = ...
abn

k =1

yi ..

i = 1, 2,..., a

(7)

j = 1, 2,..., b

(8)

i = 1, 2,..., a
j = 1, 2,..., b

(9)
(10)

SS T = ( yijk y ... ) = ( yi .. y ... ) + ( y . j . y ... ) + ( yij . yi .. y . j . + y ... ) + ( yijk yij . ) =

2

i =1 j =1 k =1

i =1 j =1 k =1

bn yi.. y ... + an y . j . y ... + n yij . yi .. y . j . + y ... + yijk yij .

i =1

j =1

i =1 j =1

i =1 j =1 =1

(11)
Simblicamente se puede escribir, (Montgomery, 1991):

SST = SS A + SS B + SS AB + SS E

(12)

donde a SSA se le llama la suma de cuadrados debida al factor A, a SSB se le llama la

suma de cuadrados debida al factor B, a SSAB la suma de cuadrados debida a la
interaccin entre los factores A y B, y a SSE la suma de cuadrados debida al error.
El nmero de grados de libertad asociados a cada suma de cuadrados es el siguiente:

- 55 -

Efecto
A
B
Interaccin AB
Error
Total

Grados de libertad
a-1
b-1
(a-1)(b-1)
ab(n-1)
abn-1

La asignacin de los grados de libertad puede justificarse por que los efectos
principales, A y B, tienen a y b niveles respectivamente, y por lo tanto (a-1) y (b-1)
grados de libertad. Los grados de libertad de la interaccin son los ab-1 grados de
libertad de todos los niveles menos el nmero de grados de libertad de los dos factores
principales A y B con lo que tenemos, ab-1-(a-1)-(b-1)= (a-1)(b-1). Para cada uno de los
ab niveles tenemos n rplicas con (n-1) grados de libertad, con lo que habr ab(n-1)
grados de libertad para el error. Si sumamos los grados de libertad de los efectos
principales, la interaccin y el error, tendremos los grados de libertad totales, estando en
consonancia con lo indicado en la ecuacin simblica de SST.
Cada suma de cuadrados dividida por sus grados de libertad es un cuadrado medio y sus
valores esperados son:
a

bn i2

SS
E ( MS A ) = E A = 2 + i =1
a 1
a 1
b

(13)

an j

(14)

SS
j =1
E (MS B ) = E B = 2 +
b 1
b 1
a

n ( )ij
2

SS AB
= 2 + i =1 j =1
E (MS AB ) = E
(a 1) (b 1)
(a 1) (b 1)

SS E
E (MS E ) = E
= 2
ab(n 1)

(15)

(16)

Si la hiptesis nula de los efectos del factor A, de los efectos del factor B y la
interaccin AB fuera verdadera, tendramos que los cuadrados medios MSA, MSB, MSAB
y MSE serian estimadores insesgados de la varianza 2, sin embargo, si la hiptesis nula
fuera falsa, habra diferencias entre los cuadrados medios MSA, MSB, MSAB y MSE,
siendo MSA, MSB y MSAB mayores que el cuadrado medio del error MSE. Basta dividir el
cuadrado medio de los factores A, B y la interaccin AB por el cuadrado medio del error
para probar la significacin de los efectos principales y su interaccin.

- 56 -

Suponiendo que el modelo de los factores fijos es adecuado y que los trminos del error,
ijk, siguen una distribucin normal e independiente con varianza 2 constante, entonces
los cocientes anteriormente comentados, MSA/ MSE, MSB/ MSE y MSAB/ MSE se
distribuyen como una distribucin F con a-1, b-1 y (a-1)(b-1) grados de libertad en el
numerador, respectivamente, y con ab(n-1) grados de libertad en el denominador,
siendo la regin crtica la cola superior de la distribucin F. Cada uno de estos cocientes
va ha ser el estadstico de prueba F0 para la hiptesis nula, H0, de que no hay diferencias
entre los efectos del factor correspondiente al cuadrado medio del numerador,
rechazndose H0 si para cada efecto se cumple lo siguiente, (Montgomery, 1991):

Efecto A

F0 > F ,a 1,ab ( n1)

Efecto B

F0 > F ,b 1,ab ( n 1)

Efecto de la interaccin AB

F0 > F ,( a 1)(b 1),ab ( n1)

A modo de resumen, todos los pasos del anlisis de varianza se muestran en la siguiente
tabla, (Montgomery, 1991):

Fuente de
variacin

Suma de
cuadrados

Grados
de
libertad

Factor A

SS A

a-1

Factor B

SS B

b-1

Interaccin

SS AB

(a-1)(b-1)

Error

SS E

ab(n-1)

Total

SST

abn-1

Cuadrado medio

F0

SS A
(a 1)
SS B
MS B =
(B 1)

MS A
MS E
MS B
F0 =
MS E

MS A =

MS AB =

SS AB

(a 1) (b 1)

MS E =

F0 =

F0 =

MS AB
MS E

Condicin de rechazo

F0 > F ,a 1,ab ( n 1)

F0 > F ,b1,ab ( n1)

F0 > F ,( a 1)(b 1),ab ( n1)

SS E
ab(n 1)

Tabla 4.1. Tabla del anlisis de varianza para el diseo factorial de dos factores, A y B, con a y b niveles,
respectivamente, n rplicas y descrito con el modelo de factores fijos.

Todos los conceptos vistos hasta ahora se han aplicado a un experimento factorial de
dos factores. Para el caso general con k factores no hay ms que aadir los trminos
correspondientes, siendo el planteamiento del problema anlogo a lo visto hasta ahora.

- 57 -

En la realizacin del anlisis de varianza se ha supuesto que el modelo describe de una

manera adecuada las observaciones y que los errores siguen una distribucin normal e
independiente con media cero y varianza 2, constante, aunque desconocida. Si estas
condiciones se cumplen, el anlisis de varianza es una prueba exacta de las hiptesis de
igualdad de los efectos de los factores y de su interaccin. Sin embargo, es comn que
estos supuestos no se cumplan, por lo que para dar por bueno el anlisis de varianza,
hay que verificar su cumplimiento. La herramienta que se utiliza para ello es el anlisis
grfico de los residuales. Los residuales del modelo factorial de dos factores son,
(Montgomery, 1991):

ei jk = yijk y ijk

(17)

donde y ijk es una estimacin de la observacin yijk correspondiente y, puesto que el

valor y i jk = yi jk los residuales quedan como, (Montgomery, 1991):

eijk = yijk yij .

(18)

En el anlisis grfico de los residuales se suelen emplear tres pruebas, como son la
comprobacin de normalidad, la representacin de los residuales frente al tiempo y la
representacin de los residuales contra los valores ajustados.
La comprobacin de normalidad se realiza mediante una grfica de probabilidad normal
para los residuales, donde estos deben aparecer como una muestra de una distribucin
normal independiente con centro en cero si se cumple el supuesto de que los errores se
distribuyen como una normal independiente de media cero y varianza 2. Si la grfica
tiene la apariencia de una recta, esto indicara que se cumple el supuesto. Es frecuente
que un residual sea mucho ms grande que cualquiera de los otros, llamndosele punto
atpico. Las causas de la aparicin de un punto atpico pueden ser un error en los
clculos, un error al copiarlo, etc. Para detectar si un punto es atpico se examinan los
residuales estandarizados, (Montgomery, 1991):

dij =

eij
MS E

(19)

Si los errores son una distribucin normal independiente de media cero y varianza 2,
NID (0, 2), los residuales estandarizados debern ser aproximadamente normales con
media cero y varianza uno, por lo que cerca del 68% de ellos debern estar dentro de los
lmites 1, cerca del 95% dentro de 2 y prcticamente todos dentro de 3, as que si dij
es mayor de tres, estamos ante un punto atpico potencial.
La representacin de los residuales frente al tiempo de realizacin de la prueba busca
detectar correlaciones entre los residuales. Si en esta representacin se observa que los
residuales siguen un patrn indicara que el supuesto de independencia no se cumplira.
En la representacin de los residuales contra los valores ajustados los supuestos se
- 58 -

satisfacen si los residuales no muestran ningn tipo de estructura. Ejemplos de estas

representaciones se muestran en los ejemplos de las secciones 4.3 y 4.4 de este mismo
captulo.

- 59 -

4.3 DISEO FACTORIAL 2k

Los diseos factoriales ms usados son aquellos que tienen k factores con dos niveles
cada uno, por lo que nos vamos a centrar en este caso. A estos experimentos se les llama
diseo factorial 2k y cada rplica completa del experimento estar formada 2x2x...x2=
2k observaciones. Este tipo de diseos se usan ampliamente en los experimentos de
seleccin de factores en las etapas iniciales del trabajo experimental, ya que nos
permiten determinar cuales de los factores implicados en el proceso son realmente
significativos en el desarrollo de este, pudiendo prescindir de los que no lo son. Los
factores pueden ser cualitativos, como pudieran ser mquinas, operadores, procesos, o
cuantitativos, como serian presiones, temperaturas, concentraciones, etc. A cada uno de
los dos niveles se les denominan alto y bajo o + y - respectivamente.
Supongamos un diseo factorial 23 genrico, formado por los factores A, B y C, del que
se tienen n rplicas. El modelo estadstico lo formaran 3 efectos principales, 3

interacciones de dos factores y

3

3

interacciones de tres factores. En orden estndar,

estas combinaciones se escriben como (1), a, b, ab, c, ac, bc y abc, notacin que
significa que el factor representado por la letra minscula se encuentra en su nivel alto y
los factores ausente se encuentran en su nivel bajo, as por ejemplo, la combinacin ab
significa que los factores A y B se encuentran en su nivel alto y el factor C en el bajo.
Con estos smbolos tambin se representan los totales de las n rplicas para cada
combinacin. Esto se ve claramente en la figura 4.4:
abc

bc
+ alto
Factor C

ac

ab

+ alto

- bajo
(1)
- bajo

- bajo
Factor A

+ alto

Figura 4.4. Representacin del diseo genrico 23.

- 60 -

El experimento se representa por su matriz de diseo:

Ensayo

Combinacin
de
tratamientos

1
2
3
4
5
6
7
8

(1)
a
b
ab
c
ac
bc
abc

Efecto factorial
I
+
+
+
+
+
+
+
+

A
+
+
+
+

B
+
+
+
+

AB
+
+
+
+

C
+
+
+
+

AC
+
+
+
+

BC
+
+
+
+

ABC
+
+
+
+

Tabla 4.2. Matriz del diseo genrico 23.

El primer paso en la construccin de la matriz de diseo es rellenar las columnas de los

efectos principales partiendo de un signo negativo cambindolo por un signo positivo
cada 2p elementos, siendo p = 1 para el primer efecto principal, p = 2 para el segundo y
as hasta el k efecto principal. Una vez tengamos rellenas las k columnas de los efectos
principales, la construccin de las columnas de los efectos de las interacciones es
inmediata, bastando multiplicar las columnas de los efectos principales implicados en la
interaccin. As, la columna AC es el resultado de multiplicar las columnas de los
efectos principales A y C.
A partir de la matriz del diseo el clculo de los efectos de los factores y sus
interacciones es inmediato. El efecto del factor A viene dado por, (Montgomery, 1991):
A=

1
[ (1) + a b + ab c + ac bc + abc]
4n

(20)

Siendo n el nmero de rplicas y las letras en minscula las cantidades totales de las n
rplicas para la combinacin dada. La cantidad entre corchetes se obtiene multiplicando
la columna del factor A con la de las combinaciones de los tratamientos y representa al
contraste entre las cuatro combinaciones de los tratamientos de la cara derecha del cubo
de la figura 4.4. De manera similar se calculan los efectos de los factores B y C,
(Montgomery, 1991):
B=

1
[ (1) a + b + ab c ac + bc + abc]
4n

(21)

C=

1
[ (1) a b ab + c + ac + bc + ac]
4n

(22)

- 61 -

Las interacciones se calculan de forma anloga, teniendo entre corchetes los contrastes
de las combinaciones de los tratamientos, (Montgomery, 1991).
AB =

1
[(1) a b + ab + c ac bc + abc]
4n

(23)

AC =

1
[(1) a + b ab c + ac bc + abc]
4n

(24)

BC =

1
[(1) + a b ab c ac + bc + abc]
4n

(25)

ABC =

1
[ (1) + a + b ab + c ac bc + abc]
4n

(26)

Las sumas de cuadrados necesarias para el anlisis de varianza se van a calcular tambin
fcilmente, (Montgomery, 1991):

(Contraste)

SS =

8n

(27)

Todo lo presentado hasta ahora se puede ampliar sin problemas al diseo general 2k.
Bastar con construir la matriz de diseo para los k factores y a partir de ella calcular los
efectos principales, efectos de las interacciones y las sumas de cuadrados segn las
formulas, (Montgomery, 1991):
AB L K =

2
(Contraste ABLK )
n2 k

(28)

SS A BLK =

1
2
(Contraste ABLK )
k
n2

(29)

El anlisis estadstico de un diseo 2k consta de los pasos siguientes, (Montgomery,

1991):
1. Estimar los efectos de los factores
2. Formar el modelo inicial
3. Realizar las pruebas estadsticas
4. Refinar el modelo
5. Analizar los residuales
6. Interpretar los resultados
- 62 -

En el primer paso estimamos los efectos de los factores y sus interacciones, como ya se
ha comentado y a continuacin se examinan sus signos y magnitudes, lo cual nos dar
una idea preliminar de cmo se desarrolla el experimento, indicndonos cuales pueden
ser importantes y en que direccin debern ajustarse.
Normalmente, para formar el modelo inicial se elige el modelo completo con todos los
factores e interacciones. En el paso tercero se va a realizar el anlisis de varianza para
probar formalmente la significacin de los efectos principales y las interacciones. El
anlisis de varianza para un diseo factorial 2k con n rplicas se muestra en la siguiente
tabla:

- 63 -

Fuente de
variacin

Suma de
cuadrados

Grados de
libertad

Cuadrado medio

SSA

MSA = SSA

SSB

MSB=SSB

SSK

MSK=SSK

AB

SSAB

MSAB=SSAB

AC

SSAC

MSAC=SSAC

JK

SSJK

MSJK = SSJK

ABC

SSABC

MSABC = SSABC

ABD

SSABD

MSABD = SSABD

IJK

SSIJK

MSIJK = SSIJK

ABCK

SSABCK

MSABCK=SSABCK

Error

SSE

2k(n-1)

Total

SST

n2k-1

F0

Condicin de
rechazo

k
efectos principales

MS A
MS E
MS B
F0 =
MS E
F0 =

F0 > F

,1, 2 k ( n 1 )

F0 > F

,1, 2 k ( n 1 )

MS K
MS E

F0 > F

MS AB
MS E
MS AC
F0 =
MS E

F0 > F

F0 =

,1, 2 k ( n 1 )

k

2

interacciones de dos
factores

F0 =

,1, 2 k ( n 1 )

F0 > F

,1, 2 k ( n 1 )

MS JK
F0 =
MS E

F0 > F

MS ABC
MS E
MS ABD
F0 =
MS E

F0 > F

,1, 2 k ( n 1 )

k

3

interacciones de
tres factores

F0 =

,1, 2 k ( n 1 )

F0 > F

,1, 2 k ( n 1 )

MS IJK
MS E

F0 > F

MS ABC ... K
MS E

F0 > F

F0 =

,1, 2 k ( n 1 )

k
k

interacciones de k
factores

MS E =

F0 =

SS E
n2 k 1

Tabla 4.3. Tabla del anlisis de varianza para el diseo factorial 2k con n rplicas.

- 64 -

,1, 2 k ( n 1 )

En el cuarto paso se refina el modelo eliminando los efectos no significativos del

modelo completo. La adecuacin del modelo y la posible violacin de los supuestos se
analizan en el quinto paso mediante el anlisis de los residuales y por ltimo, en el sexto
paso, se interpretan los resultados usando las grficas de los efectos principales, las
grficas de las interacciones o la superficie de respuesta y las grficas de contornos.
Para ilustrar este proceso vamos a utilizar un sencillo ejemplo.
En un taller de modelismo necesitan realizar prototipos de piezas, para ello se tiene una
resina de poliuretano que se vierte en moldes de silicona. Esta resina necesita para su
fraguado mezclarse con un endurecedor. Desgraciadamente, no tienen documentacin
fiable acerca del proceso de fraguado. Saben que este depende de la proporcin de
endurecedor y de la temperatura a la que se produzca el proceso. Por otro lado estn
interesados en colorar la resina con un determinado tinte y quisieran saber si la
presencia de este hace variar el tiempo de fraguado. Deciden disear un experimento
factorial 23, en el que el factor A va a ser la temperatura cuyo nivel bajo a ser de 25 C y
el alto de 45 C. El factor B va a ser la proporcin de endurecedor, cuyo nivel bajo va a
ser del 20% y el alto de 30%, y el factor C va a ser el tinte, cuyo valor bajo va ser que
no esta presente en el proceso y el valor alto que si va a estar presente, en un proporcin
fija del 10%. Una caracterstica de este experimento es el hecho de que los factores A y
B son factores cuantitativos y el factor C es cualitativo. En la tabla 4.4 y en la figura 4.5
podemos ver grficamente el experimento diseado en este taller:

Factor A (C)
Factor B (%)
Factor C

Niveles de los factores

Nivel Bajo (-1)
25
20
No

Nivel Alto (1)

45
30
S

Tabla 4.4. Niveles de los factores implicados en el ejemplo de diseo factorial 23.

abc

bc

Factor C

ac

ab

30 %(+)

NO (-)
(1)
25 C (-) Factor A

20 %(-)
45 C (+)

Figura 4.5. Representacin del ejemplo de diseo 23.

La matriz del diseo:

- 65 -

(1)
a
b
ab
c
ac
bc
abc

I
+
+
+
+
+
+
+
+

A
+
+
+
+

B
+
+
+
+

AB
+
+
+
+

C
+
+
+
+

AC
+
+
+
+

BC
+
+
+
+

ABC
+
+
+
+

Tabla 4.5. Matriz del diseo del ejemplo de diseo factorial 23.

Se deciden realizar dos rplicas, lo que hace un total de 16 observaciones que se

realizan de forma totalmente aleatoria. La variable de respuesta va a ser el tiempo de
fraguado de la resina bajo las distintas combinaciones de los factores. Este tiempo va a
venir dado en minutos. En la tabla 4.6 se muestran los resultados obtenidos en cada una
de las 16 observaciones. En esta tabla se muestran tambin las variables independientes
naturales y codificadas en 1 y 1, a las que corresponde cada respuesta. El proceso de
codificacin de las variables cuantitativas es inmediato con el empleo de las formulas:

1 =

1 35

Variables
naturales
1 2 3
25 20 no
45 20 no
25 30 no
45 30 no
25 20 si
45 20 si
25 30 si
45 30 si

10

Variables
codificadas
x1 x2 x3
-1 -1 -1
1
-1 -1
-1
1
-1
1
1
-1
-1 -1
1
1
-1
1
-1
1
1
1
1
1

2 =

2 25
5

Respuestas
Rplica 1

Rplica 2

1590
1217
1090
491
1704
1083
1004
513

1420
1207
790
470
1500
1193
1105
641

Tabla 4.6. Respuestas obtenidas en el ejemplo de diseo factorial 23.

Una vez el experimento esta diseado se pasa a realizar los clculos estadsticos. En
primer lugar de calculan los efectos de los factores y las interacciones, y a continuacin
las suma de cuadrados.

- 66 -

A
B
C
AB
AC
BC
ABC
Error
Total

EFECTOS
-423,50
-601,25
58,50
-45,00
-47,25
47,00
38,25

SS
Contribucin porcentual
717409,00
31,07
1446006,25
62,63
13689,00
0,59
8100,00
0,35
8930,25
0,39
8836,00
0,38
5852,25
0,25
99871,00
4,33
2308693,75
100,00

Tabla 4.7.Contribucin porcentual de cada suma de cuadrados en el ejemplo de diseo factorial 23.

Observando las sumas de los cuadros se puede observar en un primer momento que los
efectos principales A y B dominan el proceso. Tambin llama la atencin su signo
negativo, que significa que aumentando tanto la temperatura como la proporcin de
endurecedor, disminuir el tiempo de fraguado. En la ltima columna de la tabla 4.7. se
expone la contribucin porcentual de cada uno de los trminos a la suma de cuadrados
total. Como se puede observar slo los factores A y B representan el 93.70 % de la
variabilidad total, mientras que el factor C y las interacciones de los factores representan
apenas el 2 %. Tambin parece lgico pensar que la temperatura va a influir ms en la
disminucin del tiempo de fraguado ya que su contribucin es prcticamente el doble
que la de la proporcin de endurecedor.
En el anlisis de varianza que se muestra en la tabla 4.8. se puede confirmar esto. Para
que un efecto o sus interacciones sean significativas se deba de cumplir la condicin
F0 > F ,1,8 . Se eligi un nivel de significacin = 0.05, que utilizando la funcin del
programa Excel DISTR.F.INV , da un valor de F0.05,1,8 = 5.32.

A
B
C
AB
AC
BC
ABC
Error
Total

EFECTOS
SS
-423,50 717409,00
-601,25 1446006,25
58,50
13689,00
-45,00
8100,00
-47,25
8930,25
47,00
8836,00
38,25
5852,25
99871,00
2308693,75

g.d.l
1
1
1
1
1
1
1
8
15

MSS
717409,00
1446006,25
13689,00
8100,00
8930,25
8836,00
5852,25
12483,875

Fo
57,47
115,83
1,10
0,65
0,72
0,71
0,47

Fo Tablas
5,32
5,32
5,32
5,32
5,32
5,32
5,32

Tabla 4.8. Anlisis de varianza de los datos del ejemplo de diseo factorial 23.

- 67 -

Se observa que el proceso de fraguado va a depender de la temperatura y de la

proporcin de endurecedor. La presencia de tinte no es un factor significativo, por lo
que se podr colorear la resina con l, sin que esto afecte al tiempo de fraguado.
Tampoco hay interacciones significativas entre estos los factores, por lo que el
aumento de cualquiera de los factores A y B disminuirn el tiempo de fraguado de un
modo independiente, como se aprecia si se grafica la respuesta media en cada nivel:

1300,00

Respuesta Media

1200,00
1100,00
1000,00
900,00
800,00
-1,5

-1

-0,5

0,5

1,5

Factor A

Grfica 4.7. Factor A frente a la respuesta media en el ejemplo de diseo factorial 23.

1450,00

Respuesta Media

1350,00
1250,00
1150,00
1050,00
950,00
850,00
750,00
-1,5

-1

-0,5

0,5

1,5

Factor B

Grfica 4.8. Factor A frente a la respuesta media en el ejemplo de diseo factorial 23.

- 68 -

A tenor de estos resultados, en el taller realizaran el fraguado a una temperatura de 45

C, mezclarn el endurecedor en una proporcin del 30 % y usarn el tinte segn
necesiten que la pieza resultante est coloreada o no.
El modelo de regresin que va describir al experimento va ser:
= 0 + 1 x1 + 2 x 2 =1663.63-211.75 x1-300.62 x2
Donde el coeficiente de regresin 0 se estima con el promedio de todas las respuestas,
y los coeficientes , con la mitad del valor de los efectos A y B respectivamente.
1

Los regresores x1 y x2 son las variables codificadas de los distintos niveles de los
factores A y B respectivamente.
El siguiente paso pretende verificar la adecuacin del modelo para lo que se va a
emplear el anlisis grfico de los residuales para lo que se va a emplear tres grficas. La
primera de ellas va a representar la probabilidad normal de los residuales, en la segunda
los residuales frente a las respuestas predichas por el modelo anterior y en la tercera los
residuales frente al orden en el que se han realizado las observaciones. Para la
realizacin de estas tres grficas hay que calcular previamente los valores de los
residuales. A continuacin se muestras estos valores y las tres grficas:

Respuestas Prediccin Residuales

1590,00
1576,00
14,00
1420,00
1576,00 -156,00
1217,00
1152,50
64,50
1207,00
1152,50
54,50
1090,00
974,75
115,25
790,00
974,75
-184,75
491,00
551,25
-60,25
470,00
551,25
-81,25
1704,00
1576,00
128,00
1500,00
1576,00
-76,00
1083,00
1152,50
-69,50
1193,00
1152,50
40,50
1004,00
974,75
29,25
1105,00
974,75
130,25
513,00
551,25
-38,25
641,00
551,25
89,75
Tabla 4.9. Residuales del ejemplo de diseo factorial 23.

- 69 -

% de probabilidad normal

En la grfica 4.9 se representa la probabilidad normal de los residuales. Los puntos

graficados tienen la apariencia de una recta, salvo el punto que se encuentra ms hacia
la derecha. En general no se aprecia una desviacin marcada de la distribucin normal,
por lo que la damos por correcta.

99
95
90

70
50
30
20
10

-184.75

-106

-27.25

51.5

130.25

Residuales

Grfica 4.9. Grfica de probabilidad normal residuales en el ejemplo de diseo 23.

En la grfica 4.10. se han representado los residuales frente a los valores del tiempo de
fraguado estimados por el modelo de regresin. En la que no se observa ningn patrn
que haga sospechar la inadecuacin del modelo:

- 70 -

200,00
150,00

Residuales

100,00
50,00
0,00
0,00
-50,00

500,00

1000,00

1500,00

2000,00

-100,00
-150,00
-200,00

Tiempo Fraguado predicho

Grfica 4.10. Residuales frente a en el ejemplo de diseo 23.

En la grafica de los residuales frente al orden de realizacin de la observacin, tampoco

se aprecia ningn patrn que haga pensar que el modelo es inadecuado, como se pude
observar en la grfica 4.11:

200,00
150,00

Residuales

100,00
50,00
0,00
-50,00

10

15

20

-100,00
-150,00
-200,00
Nmero de observacin

Grfica 4.11. Residuales frente al orden de observacin en el ejemplo de diseo 23.

Si se representa la respuesta dada por el modelo de regresin ajustado que se ha

hallado, frente a los regresores x1 y x2, obtendremos una superficie, denominada

- 71 -

superficie de respuesta. En el siguiente captulo se estudia con detalle el significado de

esta y la metodologa de la mxima pendiente que nos ser muy til cuando la
apliquemos a este ejemplo para hallar la temperatura y la proporcin que minimizan el
tiempo de fraguado.

- 72 -

4.4 SUPERFICIE DE RESPUESTA. MTODO DE LA MXIMA

PENDIENTE
La metodologa de la superficie de respuesta, o metodologa RSM (Response Surface
Methodology, Cornell, 1990), es una coleccin de tcnicas matemticas y estadsticas
tiles en el modelado y en el anlisis de problemas en los que una respuesta de inters
recibe la influencia de diversas variables y donde el objetivo es optimizar esta respuesta,
empleando para ello un nmero reducido de experimentos.
En la mayora de los problemas RSM la relacin entre la respuesta y las variables
independientes no se conoce. La respuesta y de un experimento depende de los niveles
de los factores y a la funcin y = f(x1, x2,...,xk) + que relaciona los niveles x1, x2,..., xk
de k factores, 1, 2,.., k, se la llama funcin de respuesta, donde representa el ruido
o error observado. Si la respuesta esperada se denota por E(y) = f(x1, x2,...,xk)=, y se
representa f(x1, x2,...,xk)=, obtenemos una superficie llamada superficie de respuesta,
(Montgomery, 1991, Cornell, 1990).
En general la superficie de respuesta se representa como en la figura 4.6, (ver
Montgomery, 1991 Cornell, 1990, por ejemplo), donde se representa contra los
niveles x1, x2,..., xk (en este caso slo ante x1 y x2 por claridad), aunque esta no es la
nica forma de representarla. En numerosas ocasiones se representan los contornos de
la superficie, trazndose las lneas de respuesta constante en el plano x1 y x2, figura 4.7,
llamada grfica de contornos, (Montgomery, 1991, Cornell, 1990).

C5

25
C4

20
15

C3 Factor B

Respuesta
10

C2

C5
C3

0
1

Factor B

C1

C1
1

Factor A

Factor A

Figura 4.6. Superficie de repuesta.

Figura 4.7. Grfica de contorno.

En casi todos los problemas de optimizacin no se conoce la relacin entre la respuesta

y las variables independientes que la determinan, por lo tanto tampoco se conoce la
forma de la superficie de respuesta. El objetivo de la metodologa RSM es determinar
una funcin que se ajuste a la superficie de respuesta real de la manera ms exacta
posible, con el fin de usarla para estimar el ptimo buscado o determinar una regin del
espacio de los factores en la que se satisfagan determinadas condiciones de operacin.
- 73 -

La funcin ajustada que se suele emplear es una ecuacin polinomial que puede ser de
primer o segundo grado. Si la respuesta est bien modelada por una funcin lineal de las
variables independientes, la funcin aproximada ser un polinomio de primer orden,
llamado modelo de superficie de respuesta de primer orden, (Montgomery, 1991)
(Cornell, 1990):

y = 0 + 1 x1 + 2 x 2 + L + k x k +

(30)

A los parmetros desconocidos 0, 1,, k se les denomina coeficientes de regresin y

a las variables independientes x1, x2,xk, regresores. El termino representa el ruido o
error observado.
Si en la superficie de respuesta real hay curvatura, el modelo lineal no se puede ajustar a
ella con la suficiente exactitud, por lo que debe usarse en este caso un polinomio de
orden superior, llamado modelo de superficie de respuesta de segundo orden,
(Montgomery, 1991) (Cornell, 1990):
k

i =1

i =1

y = 0 + i xi + ii x 2 i + i j xi x j +

(31)

i< j i< j

Los i son los coeficientes de regresin para los trminos de primer orden, los ii son los
coeficientes para los trminos cuadrticos puros, los ij son los coeficientes para los
trminos cruzados y representa el ruido o error observado.
Los parmetros de estos modelos se estiman mediante el mtodo de mnimos cuadrado.
En casi todos los problemas RSM se usan uno o ambos polinomios. La RSM es un
proceso secuencial que comienza aproximando la funcin de respuesta con el modelo de
primer orden, modelo que representa a un hiperplano de k dimensiones. Cuando
estamos en un punto lo suficientemente alejado del ptimo, el sistema presenta una
curvatura moderada y el modelo de primer orden se ajustar de manera apropiada.
Conforme vayamos acercndonos a la vecindad del ptimo, la superficie se ir curvando
ms y el modelo de primer orden ya no se ajustar a su curvatura, por lo que habr que
aproximar la funcin de respuesta por un modelo de segundo orden que la tenga en
cuenta mediante los trminos cuadrticos, x2i, y los trminos de los productos cruzados,
xixj.
Los modelos ajustados de primer orden y segundo orden se obtienen sustituyendo los
coeficientes de regresin del modelo de superficie de respuesta de primer y segundo
orden, respectivamente, por sus estimaciones, obtenindose la respuesta aproximada, ,
(Montgomery, 1991, Cornell, 1990):
k

y = 0 + i x i
i =1

- 74 -

(32)

i =1

i =1

y = 0 + i xi + ii x 2 i + i j xi x j

(33)

i< j i< j

Para medir la adecuacin del modelo que se pretender ajustar, ya sea de primer orden
como de segundo, se emplean las pruebas de significacin de los coeficientes, el anlisis
grfico de los residuales y la prueba de falta de ajuste. Con la prueba de significacin se
pretende comprobar que todos los trminos del modelo propuesto son significativos.
Con el anlisis de los residuales que las respuestas aproximadas ofrecidas por el modelo
son lo suficientemente prximas a las reales. Con la prueba de la falta de ajuste que la
superficie de respuesta proporcionada por el modelo ajustado recoge con suficiente
exactitud la curvatura de la real.
La utilidad de ambos modelos ajustados se mide con ciertas pruebas de hiptesis que
requieren que el error siga una distribucin normal e independiente con media cero y
varianza 2, resultando por tanto, que las respuestas tengan una distribucin normal e
independiente con media 0+ki=1 ixi y varianza 2.
La prueba de significacin de los coeficientes del modelo ajustado requiere al menos
nk+1 valores de la respuesta. La prueba de hiptesis en este caso es (Montgomery,
1991, Cornell, 1990):

H 0 : 1 : 2 = L = k = 0

H 1 : al menos una j 0
donde el rechazo de H0 implica que al menos uno de los regresores x1, x2,..., xk
contribuye de modo significativo al modelo. El procedimiento de prueba es un anlisis
de varianza de las distintas fuentes de variacin que contribuyen a la variacin total de
los datos. La variacin total recibe el nombre de suma de cuadrados total SST que se
divide en la suma de cuadrados debida al modelo o a la regresin, SSR, ms la suma de
cuadrados residual o debida al error, SSE, (Montgomery, 1991) ( Cornell, 1990):
2

SST = ( yi y )

(34)

i =1

SS R = ( y i y )

(35)

i =i

SS E = ( y i yi )
i =1

La tabla del anlisis de varianza es:

- 75 -

(36)

Fuente de
variacin

Suma de
cuadrados

Grados de
libertad

Regresin

SS R

Residual

SS E

n-k-1

Total

SST

n-1

Cuadrado medio

F0

MS R
SS R
F0 =
MS E
k
SS E
MS E =
(n k 1)

MSR =

Condicin de
rechazo

F0 > F , k , n k 1

Tabla 4.10. Tabla del anlisis de varianza de la significacin de los coeficientes estimados.

Adems de esta prueba se puede hacer un anlisis del ajuste del modelo con el
coeficiente de determinacin mltiple R2, que es la proporcin total de la variacin de
las respuestas yi, con respecto a la media que se puede explicar con la ecuacin de
regresin ajustada. R2 se calcula como, (Montgomery, 1991, Cornell, 1990):

R2 =

SS R
SST

(37)

La siguiente prueba a la que siempre deber someterse el modelo que se pretende ajustar
es la del anlisis grfico de los residuales. Este anlisis se hace anlogamente a como se
ha comentado en las secciones 4.2 y 4.3 de este mismo captulo.
La prueba de falta de ajuste (Montgomery, 1991, Cornell, 1990), ser la que cierre la
batera de pruebas que siempre habr que hacer para estar seguros de que el modelo
ajustado es adecuado. Para la realizacin de esta prueba se requiere que se cumpla:

n > k+1, es decir, el nmero de puntos del experimento debe de exceder al

nmero de trminos en el modelo ajustado.

Al menos 2 rplicas deben obtenerse en uno o ms puntos del experimento para

estimar la varianza del error.

Si se cumplen estas condiciones, la suma de cuadrados residual, SSE, se puede

descomponer en la suma de cuadrados debida al error puro, SSPE, y en la suma de
cuadrados debida a la falta de ajuste, SSLOF, es decir, (Montgomery, 1991, Cornell,
1990):

SSE = SSPE + SSLOF

(38)

Supongamos que tenemos ni observaciones de la respuesta en el nivel i-simo de los

regresores xi, i =1, 2,..., m. Sea yij la observacin j-sima de la respuesta en xi, i =1, 2,...,

- 76 -

n y j =1, 2,..., ni con n = mi=1 ni observaciones en total. Entonces SSPE se obtiene

como, (Montgomery, 1991, Cornell, 1990):

SS PE = ( y ij y i )
m

ni

(39)

i =1 j =1

Si se satisface el supuesto de la varianza constante, SSPE es una medida independiente

del modelo del error puro ya que para calcular SSPE slo se usa la variabilidad de las
respuestas, y, en cada nivel xi. Hay ni-1 grados de libertad del error puro en cada nivel
xi, as que el nmero total de grados de libertad asociados con SSPE es, (Montgomery,
1991, Cornell, 1990)
m

(n
i =1

1) = n m

(40)

Donde m es el nmero de regresores.

La suma de cuadrados debida a la falta de ajuste se obtiene como, (Montgomery, 1991,
Cornell, 1990):
m

SS LOF = n i ( yi y i )

(41)

i =1

El significado de SSLOF es que si los valores ajustados i estn cerca de las respuestas
promedio y i correspondientes, entonces hay un fuerte indicio de que el modelo
aproximado de primer orden es lineal. Si las i se desvan mucho de las y i entonces es
probable que el modelo ajustado no sea lineal. Hay mp grados de libertad asociados
con SSLOF por que hay m niveles de x, y se pierden p grados de libertad porque deben
estimarse p parmetros del modelo. SSLOF es ms cmodo calcularla mediante la
diferencia, (Montgomery, 1991, Cornell, 1990):

SSLOF = SSE - SSPE

(42)

Para la prueba de falta de ajuste el estadstico, (Montgomery, 1991, Cornell, 1990) es:

SS LOF
F0 =

SS PE

(m p )

(43)

(n m )

Rechazndose la hiptesis de suficiencia de ajuste con un nivel de significacin

cuando el valor calculado del estadstico es mayor que Fm-p,n-m,.. Cuando la F calculada
no es mayor, el cuadrado medio residual es utilizado para estimar la varianza 2 y
tambin se usa para probar la significancia del modelo. Cuando esta hiptesis se
rechaza, se debe elevar el grado del modelo aproximado aumentando trminos de
- 77 -

producto cruzado y/o trminos de mayor grado en x1, x2,..., xk. Si se requieren puntos
adicionales para estimar coeficientes, estos se aaden. Se renen los datos y se vuelve a
hacer el anlisis.
Como ya se ha comentado anteriormente, la metodologa RSM es un proceso secuencial
que suele empezar por el ajuste de un modelo de primer orden. Si este modelo propuesto
pasa las pruebas anteriormente expuestas, se podr considerar adecuado y se podr usar
el mtodo de la mxima pendiente con l.
El mtodo de la mxima pendiente es un proceso por el que nos movemos
secuencialmente a lo largo de la superficie de respuesta en la direccin de la mxima
pendiente en el sentido del mximo ascenso, si se quiere ir en busca del mximo, o en el
sentido del mximo descenso si se busca el mnimo. Este mtodo se emplea tanto en
problemas de maximizacin como en problemas de minimizacin, en cuyo caso se
denomina mtodo del descenso ms pronunciado.
La direccin de mximo ascenso, en la que aumenta ms rpido, es paralela a la
normal de la superficie de respuesta y se suele tomar la trayectoria que pasa por el
centro de la regin de inters, por lo tanto los pasos a lo largo de ella son proporcionales
a los coeficientes de regresin, i . El tamao de los pasos los elige el experimentador y
las coordenadas de los puntos sobre la trayectoria del ascenso ms pronunciado se
determinan por el siguiente algoritmo, (Montgomery, 1991):
1. Se elige el tamao del paso en una de las variables del proceso, x j , eligindose
normalmente la variable con mayor coeficiente de regresin en valor absoluto,

j .
2. El tamao del incremento de las otras variables se calcula por:

x i =

i
j

i = 1, 2,, k; i j

(44)

x j

3. Se convierte x i de variables codificadas a variables naturales.

Se calculan puntos sobre esta trayectoria hasta que se deja de observar un incremento
en la respuesta. A continuacin se ajusta un nuevo modelo, determinndose una nueva
trayectoria de ascenso y se repite el proceso, hasta que el nuevo modelo no cumpla con
la hiptesis de ajuste, proponindose un nuevo modelo de orden superior que tenga en
cuenta la curvatura de la superficie de repuesta.
Este nuevo modelo requerido va a ser el modelo de superficie de respuesta de segundo
orden:

- 78 -

i =1

i =1

y = 0 + i x i + ii x 2 i + ij x i x j +

(45)

i< j i< j

Si en el sustituimos los coeficientes por sus estimaciones, obtenemos el modelo

ajustado:
k

i =1

i =1

y = 0 + i xi + ii x 2 i + ij xi x j

(46)

i< j i< j

La adecuacin de este modelo tambin se mide con las pruebas de hiptesis de la

significacin de los coeficientes estimados, el anlisis de los residuales y la prueba de
falta de ajuste, anlogamente a como se hacia en el caso del modelo de primer orden.
Si nuestro objetivo es maximizar la respuesta, estamos interesados en hallar un punto
x1s, x2s,..., xks, donde se va a cumplir que sus derivadas parciales
/x1=/x2==/xk=0, (Montgomery, 1991). Sin embargo, esta condicin es
necesaria pero no suficiente, ya que esta condicin la cumplen tambin los puntos de
mnima respuesta y los puntos de silla. A todos estos puntos se les conoce como puntos
estacionarios. Por lo tanto lo primero que hay que hacer es localizar al punto
estacionario y en segundo lugar caracterizarlo, es decir, averiguar de que tipo se trata, si
un mximo, si un mnimo o un punto de silla. En las figuras 4.8, 4.9 y 4.10 se ilustran
los tipos de puntos estacionarios:

0
0

-40

-40
-80

-120
-160

-120

-200

-160
-6

-200

-2
X1

2
-2

6
10

-10

-6

X2

Figura 4.8. Superficie de respuesta con un mximo

- 79 -

-80

200
200

160

160

120
y

120
y

80

80

40

40

0
-6

-2
2

X1

-2

6
10

-10

-6

2
X2

Figura 4.9. Superficie de respuesta con un mnimo.

150
150

100

100
50

-50

50

-50

-100
-6

-100

-2
X1

2
-2

6
10

-10

-6

X2

Figura 4.10. Superficie de respuesta con un punto de silla.

La localizacin de un punto estacionario se obtiene expresando el modelo de segundo

orden en forma matricial, (Montgomery, 1991):

- 80 -

y = 0 + x' b + x' Bx

(47)

donde:
x1
x
x = 2
M

xk

11

B=

b = 2
M

12

1k

2
2 k
L
22
2
O
M
simetrica
kk
2

siendo b un vector (k x 1) con los coeficientes de regresin de primer orden y B una

matriz simtrica (k x k) cuya diagonal principal esta formada por los coeficientes de los

trminos cuadrticos puros, ii , y los elementos de fuera de la diagonal corresponden a

la mitad de los coeficientes cuadrticos mixtos, i j i j. La derivada de con respecto
a los elementos del vector x igualada a cero es:

y
= b + 2 Bx = 0
x

(48)

Despejando, el punto estacionario ser:

1
x s = B 1 b
2

(49)

y sustituyendo en el modelo de segundo orden este valor, obtendremos la respuesta

aproximada en l:

1
y s = 0 + x' s b
2

(50)

Hallado el punto estacionario tenemos que averiguar de qu tipo es, para lo que
podemos usar la grafica de contornos, siempre que haya dos o tres variables
independientes, o el anlisis cannico. Este ltimo consiste en expresar el modelo de
ajuste en la forma cannica del modelo aproximado, (Montgomery, 1991):

y = y s + 1 w 2 1 + 2 w 2 2 + L + k w 2 k

(51)

usando un nuevo conjunto de variables independientes transformadas, w1, w2,wk cuyos

ejes representan los ejes principales de la superficie de respuesta, con el origen en el
punto estacionario xs. Las i son los autovalores de la matriz B y son constantes. El

- 81 -

signo y la magnitud de los autovalores i caracterizan al punto estacionario y la

superficie de respuesta de la siguiente manera:

Si todos los i son positivos, el punto estacionario, xs, es un mnimo.

Si todos los i son negativos, el punto estacionario, xs, es un mximo.
Si los i tienen signos diferentes, el punto estacionario, xs, es un punto de silla.

Adems, la superficie de respuesta tendr una mayor inclinacin en la direccin wi para

el autovalor i con mayor valor absoluto.
El diseo del experimento va a ser esencial para que la aplicacin de la metodologa
RSM sea posible. Anteriormente se ha comentado la necesidad de la estimacin del error
experimental y la de aadir puntos al experimento si se esta ajustando un modelo de
primer orden y se hace necesario el ajuste de otro de segundo orden si la curvatura de la
superficie de respuesta real as lo requiere. El diseo del experimento va a depender de
si el modelo a ajustar es de primer o segundo orden.
Si el modelo que se quiere ajustar es de primer orden:
k

y = 0 + i xi +

(52)

i =1

el diseo a emplear es uno de primer orden ortogonal, ya que son los nicos que
minimizan la varianza de los coeficientes de regresin, i . Si todos los elementos que
estn fuera de la diagonal de la matriz (XX) son cero, se dice que el diseo es
ortogonal. Si expresamos el modelo anterior en forma matricial:

y = X +

(53)

La matriz X se define como la matriz de los niveles de las variables independientes del
modelo. Esta matriz y el resto de las que forman el modelo se muestran a continuacin:

y1
y
y = 2
M

yn

1 x11
1 x
21
X =
M M

1 x n1

x12
x 22
M
xn 2

L x1k
L x 2 k
M

L x nk

0

= 1
M

k

1

= 2
M

n

Los diseos factoriales 2k son diseos de primer orden ortogonales, sin embargo el
diseo factoriales 2k no permite la estimacin del error experimental por lo que se hace
necesario aadir rplicas que normalmente van a ser aadidas en el punto central del
diseo. Se recomienda que el nmero de rplicas en el centro sea de tres a cinco. Ni la
ortogonalidad del diseo ni los coeficientes i no se van a ver afectados por esta

- 82 -

medida, aunque si el coeficiente o , ya que este se estima con el promedio de todas las
observaciones del experimento. Hay que tener en cuenta al usar estos diseos que los
niveles bajos y altos de los factores deben de estar codificados en los niveles 1 y 1
respectivamente. Grficamente la adicin de puntos centrales a un diseo 22 se puede
observar en la figura 4.11:

(-1,1)

Factor B

(1,1)

(0,0)

(-1,-1)

(1,-1)
Factor A

Figura 4.11. Diseo 22 con puntos centrales.

Factor C

Para el ajuste de modelos de segundo orden el diseo ms ampliamente usado es el

diseo central compuesto. Este diseo consta de un factorial 2k con nf puntos, 2k puntos
axiales y nc puntos centrales. En la figura 4.12 se muestra un diseo central compuesto
con tres factores:

Factor A

Figura 4.12. Diseo central compuesto con tres factores.

- 83 -

A la hora de plantear un diseo de este tipo hay que especificar el nmero de puntos
centrales y la distancia al centro. El nmero de puntos centrales suele estar
comprendido entre tres y cinco. El valor va a depender del nmero de puntos del
factorial 2k, nf, y debe de ser elegido de manera que el diseo resulte rotable (Box y
Hunter, 1957). El que un diseo sea rotable significa que la varianza de la respuesta
predicha en algn punto x, V [ y ( x)] , sea la misma en todos los puntos x que estn a la
misma distancia del punto central del diseo, es decir, que la varianza de la respuesta
predicha sea constante en esferas concntricas con centro en el punto central del diseo.
Esta propiedad es importante que la tenga un diseo destinado a la optimizacin, ya que
a priori se desconoce la forma de la superficie de respuesta y la situacin del punto
ptimo, siendo interesante disponer de un diseo que proporcione la misma precisin
en todas direcciones. Para un diseo central compuesto el valor tpico del parmetro
es:
= (nf)1/4

(54)

Factor C

A veces, debido a la naturaleza de los factores, estos no pueden tomar determinados

valores, y no es posible ajustar los puntos axiales determinados por el anterior valor de
. En estos casos una posible solucin es el uso de un diseo central compuesto con
centros en las caras. Estos diseos son una variante de los diseos centrales compuestos
en los que el parmetro toma el valor 1. En la figura 4.13 se muestra la forma de la
regin experimental para un diseo de este tipo con tres factores:

Factor A

Figura 4.13. Diseo central compuesto con centros en las caras para tres factores.

Lo visto en este apartado lo podemos aplicar al ejemplo del taller de modelismo visto en
el apartado 4.3. Los encargados del taller disearon un experimento factorial 23 para
intentar averiguar en qu medida se vea afectado el tiempo de fraguado de una resina
de poliuretano con la temperatura, la proporcin de endurecedor y la presencia o no de
un tinte. Llegaron a la conclusin de que el tiempo de fraguado dependa de la
temperatura y en menor medida de la proporcin de endurecedor. La presencia de tinte
no le afectaba y no haba interacciones entre los tres factores estudiados. Tras el
desarrollo del experimento decidieron realizar el proceso de mezcla y fraguado de la
resina a una temperatura de 45 C y a una proporcin de endurecedor del 30%.
Posteriormente, y tras los resultados del experimento anterior, se interesaron en hallar
- 84 -

las condiciones que minimizaban el tiempo de fraguado, por lo que decidieron aplicar
el mtodo de la mxima pendiente, aunque, en este caso, sera ms correcto decir el del
descenso ms pronunciado ya que se trata de un problema de minimizacin.
Al igual que en el experimento del ejemplo de la seccin 4.3 la temperatura iba a ser el
factor A y la proporcin de endurecedor el factor B:
Niveles de los factores
Nivel Bajo (-1)
25
20

Factor A (C)
Factor B (%)

Nivel Alto (1)

45
30

Tabla 4.11. Niveles de los factores implicados en el ejemplo RSM.

Estas fueron las variables independientes naturales, que por comodidad en los clculos
se codificaron en el intervalo (1 y 1), usando las expresiones:

1 =

1 35
10

2 =

2 25
5

Factor B Proporcin de Endurecedor (%)

Para estimar el error experimental el diseo se iba a aumentar con cinco observaciones
en el punto central del rea que defina los niveles anteriores de los factores A y B. Este
punto fue el correspondiente a una temperatura de 35 C y a una proporcin de
endurecedor del 25%. En la figura 4.14. se puede apreciar con claridad la regin de
exploracin empleada:

30 %

25 %

20 % -1
-1
1
0
35 C
25 C
45 C
Factor A Temperatura (C)

Figura 4.14. Regin de experimentacin del factorial 22 del ejemplo RSM.

- 85 -

Se realizaron, de forma totalmente aleatoria, nueve observaciones en total, obtenindose

los siguientes resultados:
Variables naturales Variables codificadas Respuestas
1
2
x1
x2
y
25
20
-1
-1
1505
45
20
1
-1
994
25
30
-1
1
940
45
30
1
1
481
35
25
0
0
754
35
25
0
0
1020
35
25
0
0
901
35
25
0
0
910
35
25
0
0
937
Tabla 4.12. Datos del ejemplo RSM.

Aplicando los mtodos para diseos factoriales 22, obtuvieron el anlisis de varianza del
experimento:

Termino Efectos
SS
Porcentaje g.d.l
A
-485 235225,00 40,82
1
B
-539 290521,00 50,42
1
AB
26
676,00
0,12
1
Error
49790,00
8,64
5
Total
576212,00 100,00
8

MSS
235225,00
290521,00
676,00
9958,00

Fo
Fo Tablas
23,62
6.61
29,17
6.61
0,07
6.61

Tabla 4.13. Anlisis de varianza del factorial 22 del ejemplo RSM.

Analizando la tabla anterior se observa que la interaccin de los dos factores no result
significativa por lo que este trmino no fue incluido en el modelo que se pretenda
ajustar. Con el valor de los efectos de los factores principales A y B se estimaron los
coeficientes de regresin 1, 2. Cada uno de ellos vale la mitad del efecto
correspondiente. El coeficiente 0 se estim con el promedio de las 9 observaciones. El
modelo de primer orden ajustado resultante fue:
y = 0 + 1 x1 + 2 x 2 =938-242.5 x1-269.5 x2

siendo x1 y x2 las variables codificadas.

- 86 -

A continuacin sometieron al modelo ajustado a la prueba de significacin de los

coeficientes estimados, a la prueba de falta de ajuste y al anlisis grfico de los
residuales y para comprobar su adecuacin.
Las primeras dos pruebas se muestran en la siguiente tabla:
Termino
Regresin (Modelo)
Residual
(Falta de ajuste LOF)
(Error puro)
Total

SS
525746,00
50466,00
13376,80
37089,20
576212,00

g.d.l
2
6
2
4
8

MSS
Fo
262873,00 31,253
8411,00
6688,40
0,721
9272,30

Fo Tablas
5,14
6,94

Tabla 4.14.Anlisis de varianza para la prueba de significacin y falta de ajuste del modelo ejemplo RSM.

Observando la tabla se puede ver que la condicin de rechazo de la hiptesis de

significacin se cumple, 31.253 > 5.14, por lo que se rechaz la hiptesis nula, siendo
por tanto el modelo ajustado significativo.
Para la prueba de la falta de ajuste se cumple que el estadstico Fo es menor que F0.05, 2,4
(0.721 < 6.94), por lo tanto se acept la hiptesis de que el modelo ajustado de primer
orden era lineal.
El anlisis grfico de los residuales efectuado al modelo se muestra a continuacin:
Respuestas Prediccin Residuales
1505
1450,00
55,00
994
965,00
29,00
940
911,00
29,00
481
426,00
55,00
754
938,00
-184,00
1020
938,00
82,00
901
938,00
-37,00
910
938,00
-28,00
937
938,00
-1,00
Tabla 4.15. Respuestas predichas y residuales del modelo de primer orden ajustado del ejemplo RSM.

- 87 -

99
95
90

70
50
30
20
10

-184

-117.5

-51

15.5

82

Residuales
Grfica 4.12. Probabilidad normal de los residuales del modelo de primer orden del ejemplo RSM.

200,00
150,00

Residuales

100,00
50,00
0,00
0,00
-50,00

500,00

1000,00

1500,00

2000,00

-100,00
-150,00
-200,00

Tiempo Fraguado predicho

Grfica 4.13. Residuales frente a la respuesta predicha del modelo de primer orden del ejemplo RSM.

- 88 -

200,00
150,00

Residuales

100,00
50,00
0,00
-50,00 0

10

-100,00
-150,00
-200,00
Nmero de observacin

Grfica 4.14. Residuales frente al orden de observacin del modelo de primer orden.

El la grfica de la probabilidad normal se aprecia que los puntos graficados siguen

aproximadamente una lnea recta. Esto significa que se puede decir que el supuesto de
normalidad se cumple. Por otro lado se puede observar que la mayora de los puntos
estn en la rama de la derecha. Los responsables de taller interpretaron que esto se poda
deber al pequeo tamao de la muestra y que no supona una desviacin de la
normalidad. Las otras dos grficas, la de los residuales frente a la respuesta predicha y
frente al orden de realizacin de las observaciones, no muestran ningn patrn. A la luz
de los resultados que se obtuvieron en este anlisis el modelo fue dado por adecuado.
Una vez comprobado que el modelo de primer orden era vlido, el paso siguiente fue
aplicar el algoritmo que les iba a permitir moverse por la trayectoria de mximo
descenso.
Se decidi que el punto de partida de la trayectoria de mximo descenso fuese el punto
central. La variable con mayor coeficiente de regresin en valor absoluto era la x2, por
lo que la pendiente de la trayectoria de mximo descenso iba a venir dada por el
cociente 242.5/269.5. El tamao de paso elegido para la proporcin de endurecedor fue
de 2.5 %, que corresponda con un incremento de la variable codificada x2=0.5. El
paso de la temperatura fue por tanto de 4.5 C, que corresponda con un incremento de
0.45 en la variable codificada x1. Se fueron calculando puntos de esta trayectoria hasta
que se observ un aumento del tiempo de fraguado. En la tabla 4.16 se muestran los
puntos de la trayectoria de mximo descenso y las respuestas halladas a lo largo de ella.
En la grfica 4.15 se grafican estas ltimas:

- 89 -

Pasos

Variables codificadas
x1
x2
0
0
0,45
0,50
0,45
0,50
0,90
1,00
1,35
1,50
1,80
2,00
2,25
2,50
2,70
3,00
3,15
3,50
3,60
4,00
4,05
4,50
4,50
5,00

Origen

Origen+
Origen+2
Origen+3
Origen+4
Origen+5
Origen+6
Origen+7
Origen+8
Origen+9
Origen+10

Variables naturales
1
2
35
25
4,5
2,5
39,5
27,5
44,0
30,0
48,5
32,5
53,0
35,0
57,5
37,5
62,0
40,0
66,5
42,5
71,0
45,0
75,5
47,5
80,0
50,0

Respuesta
Y

721
548
401
279
184
114
70
52
60
93

Tabla 4.16. Trayectoria de mximo descenso y repuestas del modelo ejemplo RSM.

Tiempo de Fraguado (min)

730
630
530
430
330
230
130
30
1

7
8
Pasos

10

11

12

13

Grfica 4.15. Tiempo de fraguado obtenido a lo largo de la trayectoria del mximo descenso para el
modelo ejemplo RSM.

Se observa que el tiempo de fraguado va disminuyendo hasta el octavo paso, donde se

obtiene un valor de 52 minutos. A partir de este los valores empiezan a crecer. A la luz
de estos resultados los responsables del taller ajustaron otro modelo lineal de primer
orden alrededor del punto correspondiente al octavo paso correspondiente a una
temperatura de 71 C y a una proporcin de endurecedor del 45 %. Con estos valores las
variables codificadas vendran dadas por las expresiones:

1 =

1 71
10

- 90 -

2 =

2 45
5

Factor B Proporcin de Endurecedor (%)

La nueva regin de exploracin se muestra en la figura 4.15:

50

45 %

40 % -1
-1
1
0
61 C
81 C
71 C
Factor A Temperatura (C)

Figura 4.15. Regin de experimentacin para el segundo modelo lineal del ejemplo RSM.

Se volvieron a realizar cinco observaciones en el punto central, obteniendo un total de

nueve. Estas observaciones se realizaron de forma aleatoria, obtenindose los
siguientes resultados:
Variables naturales Variables codificadas Respuestas
1
2
x1
x2
y
121
61
40
-1
-1
181
81
40
1
-1
43
61
50
-1
1
94
81
50
1
1
56
71
45
0
0
49
71
45
0
0
54
71
45
0
0
47
71
45
0
0
56
71
45
0
0
Tabla 4.17. Datos para el segundo modelo lineal del ejemplo RSM.

El anlisis de varianza del nuevo experimento se muestra en la tabla 4.18:

- 91 -

Termino Efectos
SS Porcentaje g.d.l MSS
A
55,5 3080,25 17,82
1 3080,25
B
-82,5 6806,25 39,38
1 6806,25
AB
-4,5
20,25
0,12
1
20,25
Error
7378,14 42,69
5 1475,63
17284,8
Total
100,00
8
9

Fo
2,09
4,61
0,01

Fo Tablas
6,61
6,61
6,61

Tabla 4.18. Anlisis de varianza del factorial 22 del segundo modelo lineal del ejemplo RSM.

Teniendo en cuenta los resultados obtenidos se observa que el modelo no es

significativo, aun as, los responsables del taller tomaron el modelo ajustado como:
y = 0 + 1 x1 + 2 x 2 =77.89+27.75 x1-41.25 x2

y decidieron realizar la batera de pruebas destinadas a probar la adecuacin del modelo.

Las pruebas de la significacin del modelo y de la falta de ajuste ofrecieron los
siguientes resultados:
Termino
Modelo
Residual
(Falta de ajuste LOF)
(Error puro)
Total

SS
9886,50
7398,39
7329,19
69,20
17284,89

g.d.l
2
6
2
4
8

MSS
4943,25
1233,06
3664,59
17,30

Fo
4,01

Fo Tablas
5,14

211,83

6,94

Tabla 4.19. Anlisis de varianza para la prueba de significacin y falta de ajuste del segundo modelo
lineal del modelo ejemplo RSM.

Los resultados obtenidos muestran por un lado que el modelo ajustado no es

significativo, ya que no se cumple la condicin de rechazo de la hiptesis nula,
F0 > F.05, 2,6 , y por el otro que tampoco se puede considerar que el modelo se ajuste a la
curvatura de la verdadera superficie de respuesta. Para ello se debera cumplir la
condicin: F0 < F.05, 2, 4 , y como se puede observar en la tabla anterior esta no se cumple.
Con estos resultados el modelo ya no se poda dar por bueno, por lo que se decidi no
realizar el anlisis grfico de los residuales.
La prueba de falta de ajuste indicaba que la superficie de respuesta real presentaba una
curvatura que un modelo lineal de primer orden no poda aproximar, por lo que se
decidi ajustar un modelo de segundo orden:
y = 0 + 1 x1 + 2 x 2 + 11 x12 + 22 x 22 + 12 x1 x 2

- 92 -

(55)

Para poder ajustar este modelo se hacia necesario aadir cuatro puntos axiales al
diseo y convertir este en un diseo central compuesto. Se pretendi que este diseo
fuese rotable, con los que los nuevos cuatro puntos vendran a estar situados en los
puntos (, 0) y (0, ), eligindose = (4)0.25 = 1.4142.
La nueva regin de experimentacin qued como sigue:

Factor B Proporcin de Endurecedor (%)

(71 C,52,07 %)
(0,1,4142)
(61 C,50 %)
(-1,1)

(-1,4142,0)
(56,86 C,45 %)

(81 C,50 %)
(1, 1)

(0,0)
(71 C,45 %)

(-1,-1)
(61 C,40 %)

(1,4142,0)
(85,14 C,45 %)

(1, -1)
(81 C,40 %)
(0,-1,4142)
(71 C,37,93 %)

Factor A Temperatura (C)

Figura 4.16. Regin de experimentacin del diseo central compuesto del ejemplo RSM

Se realizaron las observaciones de los cuatro puntos axiales y el diseo central

compuesto qued como se puede observar en la tabla siguiente:

- 93 -

Variables naturales Variables codificadas Respuestas

1
2
x1
x2
y
61
40
-1
-1
121
81
40
1
-1
181
61
50
-1
1
43
81
50
1
1
94
56.86
45.00
-1.414
0.000
77
85.14
45.00
1.414
0.000
174
71.00
37.93
0.000
-1.414
143
71.00
52.07
0.000
1.414
42
71
45
0
0
56
71
45
0
0
49
71
45
0
0
54
71
45
0
0
47
71
45
0
0
56
Tabla 4.20. Datos del diseo central compuesto del ejemplo RSM.

Se realiz el anlisis de varianza del modelo completo, ofreciendo los siguientes

resultados:
Termino
A
B
A^2
B^2
AB
Error
Total

Efectos
SS
62,04
7699,08
-76,96 11845,34
73,48
9388,83
40,48
2849,09
-4,50
20,25
217,40
32019,99

Porcentaje
24,04
36,99
29,32
8,90
0,06
0,68
100,00

g.d.l
1
1
1
1
1
7
12

MSS
Fo
Fo Tablas
7699,08 247,90
5,59
11845,34 381,40
5,59
9388,83 302,31
5,59
2849,09 91,74
5,59
20,25
0,65
5,59
31,06

Tabla 4.21. Anlisis de varianza del modelo de segundo orden propuesto para el ejemplo RSM.

Analizando los resultados obtenidos se aprecia que la interaccin AB no result

significativa por lo que el modelo iba a quedar de la forma:

y = 52.40 + 31.02 x1 34.48 x 2 + 36.74 x12 + 20.24 x 22

Este modelo deba de pasar la batera de pruebas necesarias para probar su adecuacin.
Las dos primeras pruebas a las que se someti fueron la de significacin de sus
coeficientes y la prueba de la falta de ajuste. En la tabla siguiente se pueden observar los
resultados obtenidos en ambas pruebas:

- 94 -

Termino
Modelo
Residual
(Falta de ajuste LOF)
(Error puro)
Total

SS
31782,34
237,65
168,45
69,20
32019,99

g.d.l
4
8
4
4
12

MSS
7945,59
29,71
42,11
17,30

Fo
Fo Tablas
267,472
3,84
2,434

6,39

Tabla 4.22.Anlisis de varianza para la prueba de significacin y falta de ajuste del modelo de segundo
orden del ejemplo RSM.

El modelo result significativo ya que F0 > F.05, 4,8 y por lo tanto la hiptesis nula se
rechaz. La prueba de falta de ajuste tambin la pas el modelo propuesto, ya que se
cumpli la condicin F0 < F.05, 4, 4 , lo cual significaba que no se rechazaba la hiptesis
nula, con lo que el modelo se ajustaba a la superficie de respuesta real.
La ltima prueba a realizar para probar la adecuacin del modelo es el anlisis grfico
de los residuales. A continuacin se muestran los resultados que se obtuvieron:
Respuestas Prediccin Residuales
121
116,83
4,17
181
178,88
2,12
43
39,87
3,13
94
101,92
-7,92
77
82,00
-5,00
174
169,75
4,25
143
147,29
-4,29
42
38,46
3,54
56
52,40
3,60
49
52,40
-3,40
54
52,40
1,60
47
52,40
-5,40
56
52,40
3,60
Tabla 4.23. Respuestas predichas y residuales del modelo de segundo orden ajustado del ejemplo RSM.

- 95 -

% de probabilidad normal

99
95
90

70
50
30
20
10

-7.92

-4.88

-1.83

1.21

4.25

Residuales

Grfica 4.16. Probabilidad normal de los residuales del modelo de segundo orden del ejemplo RSM.

8,00
6,00

Residuales

4,00
2,00
0,00
0,00
-2,00

50,00

100,00

150,00

200,00

-4,00
-6,00
-8,00

Tiempo Fraguado predicho

Grfica 4.17. Residuales frente a las respuestas predichas del modelo de segundo orden del ejemplo RSM.

- 96 -

8,00
6,00

Residuales

4,00
2,00
0,00
-2,00

10

12

14

-4,00
-6,00
-8,00
Nmero de observacin

Grfica 4.18. Residuales frente al orden de las observaciones del modelo de segundo orden del ejemplo
RSM.

En la grfica de la probabilidad normal se aprecia que los puntos siguen

aproximadamente una lnea recta. Esto indica que el modelo cumple el supuesto de
normalidad. Observando la grfica podemos apreciar que ambas ramas tienen
aproximadamente la misma longitud, indicando esto que no se aprecia ningn sesgo.
Por otro lado, tambin se puede observar que la rama de la derecha es ms gruesa que la
de la izquierda, significando esto que los residuales positivos son algo ms grandes que
los negativos en valor absoluto. En el taller interpretaron que el modelo no violaba los
supuestos de normalidad. En las otras dos grficas no se aprecia que los puntos sigan
ningn patrn. Como consecuencia de estos resultados el modelo fue dado por bueno.
El modelo ajustado en variables codificadas qued de la siguiente forma:

y = 52.40 + 31.02 x1 38.48 x 2 + 36.74 x12 + 20.24 x 22

y en variables naturales como:

y = 3669,63 49,07 x1 80,55 x 2 + 0.37 x12 + 0.81x 22

Con los resultados obtenidos era de esperar que este modelo representaba de una
manera bastante aproximada la curvatura de la verdadera superficie de respuesta por lo
que se decidi usarlo para hallar un punto estacionario y caracterizarlo mas tarde, es
decir, determinar si se trataba de un mximo, un punto de silla o del mnimo buscado.
El primer paso de este proceso fue expresar el modelo ajustado en la forma matricial:

y = 0 + x' b + x' Bx

- 97 -

(56)

donde:

0
36.74
31.02
x
B
=
x = 1 b =
0

20.24

38.48
x2
El punto estacionario vendria dado por la formula:

1
x s = B 1b
2

(57)

resultando:

0.42
xs =

0.95
El punto estacionario, expresado en variables naturales, vino dado por una temperatura
de 66.78 C y una proporcin de endurecedor del 49.75 %.
Usando la frmula:

1
y s = 0 + x' s b
2

(58)

se estim la respuesta en el punto estacionario que proporcionaba el modelo ajustado,

resultando un tiempo de fraguado de 27.56 minutos, prcticamente la mitad del tiempo
de fraguado que se obtuvo con una temperatura de 71 C y una proporcin de
endurecedor del 45%.
Por ltimo quedaba por saber si el punto hallado era un mnimo. Para ello era necesario
expresar el modelo ajustado en forma cannica:

y = y s + 1 w 21 + 2 w 2 2

(59)

donde 1 y 2 son los autovalores de la matriz B. Para hallarlos se plante el

determinante:
|B- I| = 0
36.74
0

0
=0
20.24

- 98 -

(60)

obtenindose:

1 = 36.74
2 = 20.24
El modelo en forma cnica quedaba:

y = y s + 36.74 w 21 + 20.24 w 2 2
observndose que los dos autovalores resultaron positivos, lo que quiere decir que el
punto estacionario era un mnimo. Para confirmar los resultados obtenidos, en el taller
realizaron una muestra de resina a una temperatura de 66 C y una proporcin de
endurecedor del 49 %, obteniendo un tiempo de fraguado de 28 minutos, lo que
significa que el tiempo de fraguado se haba reducido en ms de 450 minutos en
comparacin con las condiciones iniciales de operacin, que recordemos, fueron de 45
C y el 30 %.

- 99 -

CAPTULO 5:
ESTUDIO EXPERIMENTAL DEL SISTEMA

- 100 -

5.1.- INTRODUCCIN
Una vez conocidos los parmetros de simulacin, en el presente captulo, nos centramos
en definir los distintos experimentos a realizar para comprobar la capacidad de la
metodologa RSM de obtener soluciones adecuadas al problema objeto de estudio.
Los parmetros de simulacin que se van a utilizar son los calculados en el captulo 3,
apartados 3.4.1, 3.4.2 y 3.4.3. El horizonte de simulacin (T) hallado fue de 53.000
unidades de tiempo, el Warm-up (W) de 18.000 y en nmero de rplicas (n) de 30.
Cada simulacin se va a realizar empleando un programa realizado en lenguaje C y
proporcionado por el grupo de investigacin Organizacin Industrial de la Universidad
de Sevilla, TEP-134. Las hiptesis, caractersticas, entradas y salidas de este se
comentan en la seccin 3.3 del captulo 3.
Uno de los objetivos de los sistemas de control de la produccin es maximizar el nivel
de servicio con el menor inventario en proceso (WIP). Este criterio va a ser el utilizado
para determinar cuando una determinada combinacin de los parmetros K (0), E va a
ser mejor que otra.
De las diferentes salidas que proporciona el modelo vamos a considerar como respuesta
al nivel de inventario medio de las 30 rplicas que componen cada simulacin. La
desviacin estndar del nivel de servicio medio, STD servicio medio, nos va a hacer
falta para el clculo de la suma de cuadrados del error y el WIP medio como valor a
tener en cuenta a la hora de determinar cuando una combinacin es mejor que otra.
Tambin se van a considerar los intervalos de confianza del nivel de servicio para
determinar la admisibilidad de las soluciones.
Para la realizacin de las simulaciones se emplear un ordenador personal Pentium II a
350 MHz. Tras la realizacin de una serie de pruebas piloto el tiempo medio de
simulacin obtenido para 30 rplicas ha sido de 55 segundos. Por lo general, en nuestro
caso, cada experimento esta compuesto por cuatro o cinco simulaciones, por lo que el
tiempo consumido en cada uno de ellos ha sido de aproximadamente cuatro o cinco
minutos respectivamente.
El proceso de experimentacin se va a dividir en dos fases. En la primera se va a
plantear un experimento factorial 22 con el fin de caracterizar el proceso, es decir,
determinar cuales de los factores que controlan un sistema PS son los que afectan a la
variable de respuesta y en qu medida, adems de conocer si existen interacciones
significativas entre ellos. Las variables de respuesta que se van a estudiar son el nivel
de servicio medio y el inventario en proceso medio. La herramienta estadstica que en
diseo de experimentos se emplea para este fin es el anlisis de varianza. En el captulo
4 se explica con detalle esta herramienta estadstica. Con los resultados arrojados por el
anlisis de varianza se podrn determinar los factores e interacciones significativos.
Estos factores e interacciones se tomaran para formar parte de un modelo de regresin

- 101 -

con el que podremos aproximar la respuesta del modelo. Este modelo debe ser
verificado y para ellos se emplear el anlisis de los residuales. Si este es positivo, el
modelo se puede dar por bueno y se podr realizar un anlisis grafico de los factores e
interacciones significativos. En nuestro caso los factores son los dos parmetros de los
que depende un sistema PS, el nmero de tarjetas K (0) y en nmero de tarjetas extra
E. En esta primera fase de la experimentacin se emplea un nivel de servicio
predeterminado = 100%, ya que este fue el valor con el que Framian et al
propusieron su modelo.
La segunda fase va a ser la optimizacin propiamente dicha. En esta se van a aplicar las
tcnicas estadsticas RSM (Response Surface Methodology) vistas en detalle en la
seccin 4.4. Como se recordar, esta metodologa consiste en ajustar un modelo de
regresin a la variable o variables de salida del sistema, que en nuestro caso son el nivel
de servicio medio y el inventario en proceso. Este modelo describe una superficie,
llamada superficie de respuesta, de dimensin una unidad mayor al nmero de factores
que la componen y de cuyo estudio se pretende extraer la combinacin de los
parmetros K (0) y E con los que el sistema PS va a operar de la forma ms cercana a
nuestros deseos, que no son otros que el sistema funcione con un nivel de servicio lo
ms cercano posible al predeterminado () con el menor inventario en proceso posible
(WIP).
Esta fase a su vez se va dividir en tres partes. En la primera se parte de la misma regin
experimental usada en la fase anterior aumentando las observaciones al punto central,
ya que en esta fase necesitamos ajustar un modelo que recoja la curvatura de la
superficie de respuesta real. La metodologa RSM es un proceso secuencial a lo largo
del cual se van ajustando modelos a la superficie de respuesta real con el fin de
movernos por las superficies de respuesta que estos determinan, de modo que podamos
encontrar un punto de la superficie que se aproxime ms a los valores que estamos
buscando. Si el modelo es de primer orden se emplea el mtodo de la mxima pendiente
y si es de segundo orden se emplea el anlisis cannico.
En esta fase de la experimentacin, tras ajustar varios modelos y emplear ambos
mtodos, se llega a la conclusin de que este sistema PS operando con un nivel de
servicio predeterminado del 100% no es econmicamente viable desde el punto de vista
del inventario en proceso, por lo que se emprende el mismo proceso aplicado al mismo
sistema pero esta vez con un nivel de servicio predeterminado del 98%.
En esta segunda parte de esta fase de la experimentacin se repiten los procesos
llevados a cabo en la parte anterior, llegando a un punto en el que no se puede avanzar
ms a lo largo de la superficie de respuesta por los mtodos de la mxima pendiente y el
anlisis cannico.
La solucin que se busca depende del compromiso del nivel de servicio y del inventario
en proceso, por lo que se decide el empleo del mtodo grfico de optimizacin
multirespuesta de la superposicin de las grficas de contornos. Este mtodo consiste en
proyectar las superficies de respuesta (grfica de contornos) para el nivel de servicio y
para el inventario en proceso a la vez, y estudiar grficamente en que zona se cumplen
- 102 -

las condiciones de bsqueda, es decir, nivel de servicio medio del 98% con el menor
WIP. De las distintas combinaciones que cumplen esta condicin, se estudian aquellas
que son soluciones admisibles. Por soluciones admisibles se entienden aquellas que
tienen un intervalo de confianza para el nivel de servicio en el que el valor del 98% est
incluido. Del anlisis de estas soluciones se observa que todas ellas cumplen la
propiedad de que sus parmetros K (0) y E suman un valor constante.
Su representacin es un lnea recta que la denominamos trayectoria de las soluciones
admisibles. Analizando las combinaciones que forman parte de esta pseudotrayectoria, llegamos a una combinacin que parece ser la que mejor cumple las
condiciones de bsqueda. Para comprobar esto se realiza una bsqueda exhaustiva en
todo el espacio de las soluciones y se demuestra que efectivamente es as. Esto abre las
puertas para pensar en un mtodo de bsqueda que nos permita llegar a esta
combinacin con el menor nmero de simulaciones y por tanto, con el menor consumo
de tiempo y de recursos computacionales, pero antes creemos conveniente el estudio de
un mtodo de optimizacin multirespuesta ms formal que el de superposicin de las
grficas de contorno.
En la tercera parte de esta fase se estudia la metodologa RSM multirespuesta. Esta
metodologa se basa en utilizar una funcin denominada desirability (deseabilidad en
ingls). La idea es emplear una funcin que si esta prxima a los valores deseados toma
el valor uno y si esta lejos toma el valor cero. Hay una funcin desirability por cada una
de las respuestas que intervienen en el proceso, y segn se pretenda maximizar,
minimizar o conseguir un determinado valor, as es la funcin desirability a emplear.
Adems, cada una de estas funciones depende de un exponente, llamado peso, que hace
que jueguen un papel ms o menos relevante. El valor de este peso lo decide el
experimentador, segn sean sus intereses. El papel de todas las funciones desirability
que intervienen en un experimento lo recoge el ndice D, que se define como la media
geomtrica de las funciones desirability que intervienen. Este ndice toma valores
comprendidos entre cero y uno, tomando un valor ms cercano a uno conforme ms se
acerque el conjunto de las funciones desirability al deseo del experimentador.
En esta ltima parte de la experimentacin se aplica esta metodologa en la misma
regin de experimentacin a la que anteriormente se le haba aplicado el mtodo de
superposicin de las graficas de contornos. Se realiza una batera de experimentos con
distintas combinaciones de pesos, desde la ms moderada a aquella que expresa con
mayor exigencia las condiciones de bsqueda. Se llega a la conclusin de que el empleo
de esta metodologa no aporta una ventaja significativa al anlisis de latrayectoria de
las soluciones admisibles, ya que slo parece capaz de proporcionar soluciones
alrededor de esta pseudo-trayectoria, sin embargo si que puede ser muy til para
estudiar la respuesta de las dos variables de salida en una regin de inters, como se
ver en el captulo seis al proponer un mtodo de bsqueda de la solucin ptima.

- 103 -

5.2.-DETERMINACION DE LOS FACTORES SIGNIFICATIVOS

El objeto del presente proyecto es la optimizacin de una lnea de fabricacin, de un
solo producto, controlada mediante un sistema Conwip adaptativo como el propuesto
por Framin et al. (ver la seccin 2.3). Este sistema est definido por dos parmetros K
(0) y E, donde:

K (0), es el nmero de tarjetas fijo que van a circular por el sistema.

E, es el nmero de tarjetas extra, que segn sea el nivel de inventario en el

almacn de productos terminados, van a ser aadidas o extradas del sistema.

Segn el valor tomado por estos dos parmetros as ser el comportamiento del sistema,
por lo que estos dos parmetros van a ser los dos factores que se van a analizar.
A continuacin se ha de definir la regin de experimentacin, para lo que es necesario
definir qu valores van a tomar cada uno de los factores. En su estudio, Framin et al,
realizaron un experimento destinado a comparar las prestaciones del sistema PS con las
del sistema propuesto por Tardif y Maaseidvaag. En l la combinacin que emplearon
fue K (0) = 2 y E =8. Se ha decidido que esta sea el punto en el que nos vamos a basar
para hallar la regin de experimentacin inicial. El nivel de servicio objetivo fue el del
100% debido a que el sistema de Tardif y Maaseidvaag esta diseado para trabajar al
mximo nivel de servicio. Ya que la referencia que tenemos es este modelo, los
experimentos que vamos a realizar inicialmente tambin van a tener como nivel objetivo
este mismo valor.
El valor de dos tarjetas iniciales es un valor muy bajo para el parmetro K (0) por lo que
tras la realizacin de varias pruebas piloto se ha decidido que este sea el extremo
inferior del intervalo en el que se van a hallar los valores iniciales del factor K (0). Por
contra, el valor 8 para el parmetro E, nos parece idneo como centro del intervalo en el
que vamos a hallar los niveles de este parmetro. Cada factor va a tener dos niveles, el
mayor de ellos se denominara nivel alto y el menor, nivel bajo. Esto va a dar lugar a un
experimento factorial de dos factores con dos niveles cada uno de ellos. Para determinar
la cantidad que cada factor va a variar respecto a la combinacin anterior, se ha
realizado un pequeo programa en Excel que proporciona una variacin aleatoria del 5
al 100 % del valor dado. Para el factor K (0), la variacin dada por este programa fue
del 98 %, lo que significa un valor de 1,96. Como el valor inferior del intervalo ya lo
tenemos fijado en 2, una variacin del 98% significa que el nivel alto va a corresponder
con un valor de 4 tarjetas. Para el parmetro E el proceso es anlogo, salvo que la
variacin va a ser respecto al valor 8. El valor devuelto por el programa fue de una
variacin del 25%, lo que significa el valor bajo va a ser de 6 tarjetas y el alto de 10. En
figura 5.1 se muestra la regin de experimentacin y en la tabla 5.1 se muestran los
valores que la van a definir:

- 104 -

(4,10)

Factor B

(2,10)

(2,6)

(4,6)
Factor A

Figura 5.1. Regin de experimentacin en el experimento inicial.

Factores Nivel Bajo Nivel Alto

2
6
K (0)
4
10
E
Tabla 5.1. Niveles de los cuatro factores tomados en el experimento inicial.

Los cuatro factores van a dar lugar a 22 combinaciones, dando por tanto lugar a 4
escenarios.
Escenario
1
2
3
4

K(0)
2
4
2
4

E
6
6
10
10

Tabla 5.2. Escenarios en el experimento inicial.

Como ya se ha visto en el captulo 4, en diseo de experimentos se emplea la notacin

de - y +, para los niveles bajo y alto respectivamente. La tabla anterior en esta
notacin queda:
Escenario
1
2
3
4

K(0)
+
+

E
+
+

Tabla 5.3. Escenarios en notacin de diseo de experimentos para el experimento inicial.

- 105 -

Tambin se emplea la notacin en variables codificadas 1 y 1, siendo esta muy til a la

hora de realizar los clculos. Expresar los factores en variables codificadas es inmediato
con el empleo de las formulas:

1 =

1 3
1

, 2 =

2 8
2

con lo que la tabla anterior queda de la forma:

Escenario
1
2
3
4

K(0)
-1
1
-1
1

E
-1
-1
1
1

Tabla 5.4. Escenarios en notacin de variables codificadas para el experimento inicial.

El nmero total de escenarios que van a formar parte del experimento es de 4. Para la
realizacin del experimento se van a realizar por tanto 4 simulaciones.
La matriz de diseo del experimento inicial es la siguiente:

Tratamientos
(I)
a
b

A
-1
1
-1

B AB
-1 1
-1 -1
1 -1

Tabla 5.5. Matriz de diseo del experimento inicial.

Los factores se representan de la siguiente manera en la tabla 5.5:

A es el factor K (0), nmero de tarjetas.

B es el factor E, nmero de tarjetas extras.

AB es la interaccin entre el factor K y el E.

En la tabla 5.5 se muestran las variables codificadas

En las tablas 5.2 y 5.3 se representan los escenarios de simulacin y los niveles de cada
uno de los factores involucrados en el experimento. Hay 22 = 4 escenarios por lo que

- 106 -

habr otras tantas simulaciones. Estas se realizan aleatoriamente y el resultado obtenido

se muestra en la tabla 5.6:
Escenario Nivel de servicio medio (%) STD Nivel de Servicio WIP medio
1
1,392
2,4649
8,024
2
64,594
5,0789
10,019
3
29,115
6,2844
12,037
4
82,338
4,1386
14,001

STD WIP
0,0073
0,0058
0,0075
0,0067

Tabla 5.6. Resultados de las simulaciones de los escenarios del experimento inicial.

Con los resultados de las simulaciones en todos los escenarios que definen la regin de
experimentacin ya se tienen todos los datos necesarios para la realizacin del anlisis
de varianza. Se va ha utilizar una tabla como la siguiente:
Termino
A
B
AB
Error
Total

Efectos

SS

Porcentaje

g.d.l

MSS

Fo

Fo Tablas

Tabla 5.7. Formato de la tabla utilizada para el anlisis de varianza del experimento inicial.

En la segunda columna se van a representar los efectos de los factores y sus

interacciones, en la tercera la suma de los cuadrados y en la cuarta el porcentaje de cada
suma de cuadrados respecto al la suma de cuadrados total. La quinta corresponde a los
grados de libertad, la sexta a los cuadrados medios, la sptima al estadstico Fo
calculado con el cociente de los cuadrados medio y la octava y ltima corresponde a los
valores de la distribucin F hallados con la funcin del programa Excel DISTR.F.INV.
En la tabla se escribe la palabra tablas por claridad en la representacin de los
resultados. El significado de todos estos trminos se explica con detalle en el captulo
cuarto del presente proyecto.
Tomando los resultados de las simulaciones expuestos en la tabla 5.6, los resultados del
anlisis de varianza para el experimento inicial se exponen a continuacin:

- 107 -

Termino
A
B
AB
Error
Total

Efectos
SS
Porcentaje
58,21 101660,85
84,28
22,73
15504,36
12,87
-4,99
746,85
0,62
2566,29
2,13
120492,80 100,00

g.d.l
1
1
1
116
119

MSS
Fo
Fo Tablas
3,92
101700 4595,22
3,92
15472,80 700,82
3,92
753,77
33,76
22,12

Tabla 5.8. Anlisis de varianza del experimento inicial.

Los resultados obtenidos muestran que los dos factores y su interaccin son
significativos, con lo que el modelo de regresin vendr dado por la expresin:

y = 0 + 1 x1 + 2 x2 + 12 x1 x2

(61)

Donde 0 se va estimar por el promedio de la respuesta obtenida en todos los escenarios.

Los coeficientes 1, 2 y 12 van a valer la mitad del valor del efecto correspondiente.
As el modelo queda:

y = 44,36 + 29,11x1 + 11,37 x2 2,49 x1 x2

Las variables x1 y x2 son las variables codificadas. El modelo en variables naturales
queda de la forma:

y = 118,48 + 39,141 + 9,48 2 1,251 2

El siguiente paso es verificar la adecuacin del modelo para lo que se va a emplear el
anlisis grfico de los residuales (ver la seccin 4.2 del captulo 4). Recordemos que un
residual se define como la diferencia entre la repuesta obtenida en cada rplica y el
valor predicho por el modelo ajustado para esa misma combinacin de factores. Como
se tienen 4 simulaciones y cada una de ellas compuesta por 30 rplicas, tendremos un
total de 120 residuales. Las respuestas del sistema, las respuestas estimadas por el
modelo ajustado y sus correspondientes residuales se muestran en la tabla 5.9:
Respuestas
0,00
0,00
0,00
2,30
0,00
0,00
0,00
0,00
7,65
0,00
0,00

Prediccin
1,39
1,39
1,39
1,39
1,39
1,39
1,39
1,39
1,39
1,39
1,39

- 108 -

Residuales
-1,39
-1,39
-1,39
0,91
-1,39
-1,39
-1,39
-1,39
6,26
-1,39
-1,39

9,02
0,00
4,23
0,00
0,00
4,47
0,00
0,00
5,09
0,00
0,00
0,00
3,58
3,10
0,00
0,85
0,00
1,46
0,00
68,63
66,21
70,42
63,82
56,26
58,91
76,42
63,67
61,82
63,56
71,43
60,54
60,79
71,32
68,50
64,58
65,18
57,55
61,20
63,29
73,93
64,26
60,16
53,86
68,65
65,29
64,80
64,24
63,83
66,07
27,08
25,57
15,10
22,51

1,39
1,39
1,39
1,39
1,39
1,39
1,39
1,39
1,39
1,39
1,39
1,39
1,39
1,39
1,39
1,39
1,39
1,39
1,39
64,59
64,59
64,59
64,59
64,59
64,59
64,59
64,59
64,59
64,59
64,59
64,59
64,59
64,59
64,59
64,59
64,59
64,59
64,59
64,59
64,59
64,59
64,59
64,59
64,59
64,59
64,59
64,59
64,59
64,59
29,11
29,11
29,11
29,11

- 109 -

7,63
-1,39
2,84
-1,39
-1,39
3,08
-1,39
-1,39
3,70
-1,39
-1,39
-1,39
2,19
1,71
-1,39
-0,54
-1,39
0,07
-1,39
4,04
1,62
5,83
-0,77
-8,33
-5,68
11,83
-0,92
-2,77
-1,03
6,84
-4,05
-3,80
6,73
3,91
-0,01
0,59
-7,04
-3,39
-1,30
9,34
-0,33
-4,43
-10,73
4,06
0,70
0,21
-0,35
-0,76
1,48
-2,03
-3,54
-14,01
-6,60

29,81
24,13
27,85
28,96
29,31
34,24
23,55
41,57
22,71
21,81
26,62
37,30
39,33
27,82
21,73
30,67
24,64
34,87
31,00
31,43
41,77
29,59
35,58
26,13
34,97
25,77
85,50
81,94
87,54
83,22
77,59
75,02
84,67
88,11
78,71
85,60
82,09
81,79
79,27
88,51
87,92
78,22
84,32
80,40
81,36
83,51
91,47
77,50
82,63
78,60
75,15
79,03
84,93

29,11
29,11
29,11
29,11
29,11
29,11
29,11
29,11
29,11
29,11
29,11
29,11
29,11
29,11
29,11
29,11
29,11
29,11
29,11
29,11
29,11
29,11
29,11
29,11
29,11
29,11
82,38
82,38
82,38
82,38
82,38
82,38
82,38
82,38
82,38
82,38
82,38
82,38
82,38
82,38
82,38
82,38
82,38
82,38
82,38
82,38
82,38
82,38
82,38
82,38
82,38
82,38
82,38

- 110 -

0,70
-4,98
-1,26
-0,15
0,20
5,13
-5,56
12,46
-6,40
-7,30
-2,49
8,19
10,22
-1,29
-7,38
1,56
-4,47
5,76
1,89
2,32
12,66
0,48
6,47
-2,98
5,86
-3,34
3,12
-0,44
5,16
0,84
-4,79
-7,36
2,29
5,73
-3,67
3,22
-0,29
-0,59
-3,11
6,13
5,54
-4,16
1,94
-1,98
-1,02
1,13
9,09
-4,88
0,25
-3,78
-7,23
-3,35
2,55

79,13
80,75
85,65

82,38
82,38
82,38

-3,25
-1,63
3,27

Tabla 5.9. Residuales del experimento inicial.

El anlisis grfico de los residuales consta principalmente de tres pruebas. En la primera

se pretende probar que los residuales no violan el supuesto de que el error del modelo
sigue una distribucin normal independiente de media cero. Para la realizacin de esta
prueba se realiza una grfica de distribucin normal para los residuales. Si estos
cumplen el supuesto de normalidad, su representacin ser aproximadamente una lnea
recta. En la grfica 5.1 se aprecia que los residuales siguen aproximadamente una lnea
recta. Tambin se puede apreciar que la rama de la derecha es algo ms larga que la de
la izquierda, significando esto que la distribucin de los errores tiene un ligero sesgo,
sin embargo esto no indica una desviacin importante de la distribucin normal, por lo
que esta primera prueba se da por superada.

% de probabilidad normal

99
95
90
80
70
50
30
20
10
5

-3.03

-1.59

-0.15

1.30

2.74

Residuales

Grfica 5.1. Probabilidad normal de los residuales en el experimento inicial.

La siguiente prueba consiste en representar los residuales frente a la respuesta predicha

por el modelo. Lo que se pretende demostrar es que los residuales no estn relacionados
con la respuesta y para ello en esta grfica deben mostrar que no siguen ningn tipo de
patrn. En la grfica 5.2 se puede apreciar que los residuales no presentan ningn tipo
de estructura, por lo que se puede afirmar que no estn relacionados con la respuesta
predicha por el modelo.

- 111 -

15,00
10,00

Residuales

5,00
0,00
0,00
-5,00

20,00

40,00

60,00

80,00

100,00

-10,00
-15,00
Nivel de Servicio Predicho
Grfica 5.2. Residuales frente a en el experimento inicial.

Esta serie de pruebas finaliza con la representacin de los residuales frente al orden de
realizacin de las simulaciones. Con esta prueba se pretende averiguar si existe una
correlacin entre el valor de los residuales y el orden en que las simulaciones se
realizaron. En el caso de existir dicha correlacin se rompera el supuesto de
independencia. En la grfica 5.3 se muestran los residuales anteriores frente al orden en
el que se recopilaron los datos por lo que se acepta que no se rompe la condicin de
independencia.

15,00

Residuales

10,00
5,00
0,00
0

20

40

60

80

100

120

-5,00
-10,00
-15,00
Orden de Realizacin de la Sim ulacin

Grfica 5.3. Residuales frente al orden de simulacin en el experimento inicial.

- 112 -

El resultado del anlisis grfico de los residuales no muestra ningn patrn que haga
sospechar que el modelo no es adecuado, por lo que se puede tomar este como una
buena representacin del experimento realizado.
Los efectos de los factores principales y de la interaccin los podemos representar de
forma grfica para evaluarlos. Las siguientes grficas muestran la variacin que se
produce en la respuesta al pasar del nivel bajo al alto para cada uno de los factores
significativos en el modelo y para la interaccin:

80

Nivel de Servicio

70
60
50
40
30
20
10
0
1

Factor A

Grfica 5.4.Grfica del efecto principal A en el experimento inicial.

80

Nivel de Servicio

70
60
50
40
30
20
10
0
5

10

Factor B

Grfica 5.5.Grfica del efecto principal B en el experimento inicial.

- 113 -

11

90

Nivel de Servicio

80
70
60
50
40
30

Nivel alto de B

20

Nivel bajo de B

10
0
1

Interaccin A-B

Grfica 5.6. Grfica de la interaccin A-B en el experimento inicial.

Queda de manifiesto que el nivel de servicio aumenta con el aumento de los factores
principales. El sistema parece ms sensible al aumento del nmero de tarjetas K (0)
(factor A) que al aumento del nmero de tarjetas extras, E, (factor B).
La interaccin entre los factores A y B parece indicar que el nivel de servicio aumenta
algo ms cuando se trabaja con el nivel bajo del factor B. Esto hace pensar que el nivel
de servicio variar ms al incrementarse el nmero de tarjetas K (0) con valores bajos
del nmero de tarjetas extra.
Este resultado tendremos que confirmarlo cuando se realicen los experimentos
encaminados a la optimizacin del sistema.

- 114 -

5.3.-APLICACIN DE LA METODOLOGA RSM. CASO =100%

En la segunda fase de la experimentacin se va llevar a cabo la optimizacin para lo que
se va a emplear la metodologa RSM (ver seccin 4.4.). Como se recordar, la
metodologa RSM es un proceso secuencial que comienza aproximando la superficie de
respuesta con un modelo lineal de primer orden y para ajustar un modelo de este tipo
haba que recurrir a un diseo ortogonal de primer orden. Un diseo factorial 22 como
el que esta siendo objeto de estudio, es un diseo de este tipo, sin embargo no permite
estimar el error experimental por lo que estamos en la obligacin de incluir
observaciones en el punto central de la regin de experimentacin con este fin. Por
tanto, la regin de experimentacin va a ser aumentada con un nuevo escenario,
correspondiente a las observaciones del punto central. Este nuevo escenario va a ser el
dado por K (0) =3 y E = 8. El resto del diseo va ser el mismo que para el caso anterior
del diseo de caracterizacin. Ahora el experimento queda:

Factor B

(2,10)

(1,10)

(3,8)

(2,6)

(4,6)
Factor A

Figura 5.2. Regin de experimentacin del experimento inicial con punto central.

Escenario
1
2
3
4
5

K(0)
2
4
2
4
3

E
6
6
10
10
8

Tabla 5.10. Escenarios en el experimento inicial con punto central en variables naturales.

En variables codificadas tenemos:

- 115 -

Escenario
1
2
3
4
5

K(0)
-1
1
-1
1
0

E
-1
-1
1
1
0

Tabla 5.11. Escenarios en el experimento inicial con punto central en variables codificadas.

El resultado del experimento con el punto central es el siguiente:

Escenario Nivel de servicio medio (%) STD Nivel de Servicio WIP medio STD WIP
1
1,392
2,4649
8,024
0,0073
2
64,594
5,0789
10,019
0,0058
3
29,115
6,2844
12,037
0,0075
4
82,338
4,1386
4,1386
0,0067
5
52,173
5,5164
11,023
0,003
Tabla 5.12. Resultados de las simulaciones de los escenarios del experimento inicial con punto central.

La adicin de este nuevo punto no va a influir en los efectos y por consiguiente en los
coeficientes de regresin del modelo salvo en el termino 0 que se estimaba con el
promedio de todas las rplicas del experimento. Por tanto, el modelo en variables
codificadas a ajustar va a ser:

y = 45,93 + 29,11x1 + 11,37 x2 2,49 x1 x2

Sin embargo el modelo obtenido anteriormente tiene un trmino cruzado que hace que
este pierda la linealidad. Para solucionar esto se hace el siguiente cambio de variables:

x3 = x1 x2
3 = 12

(62)

Con lo que el modelo ajustado, en variables codificadas se puede escribir de la forma:

y = 45,93 + 29,11x1 + 11,37 x2 2,49 x3

y en variables naturales:

y = 116,92 + 39,141 + 9,48 2 1,25 3

- 116 -

Siendo un modelo lineal mltiple de tres regresores.

A continuacin el modelo ajustado se somete a la prueba de significacin de los
coeficientes estimados, a la prueba de falta de ajuste y al anlisis grfico de los
residuales para comprobar su adecuacin.
Las primeras pruebas dos pruebas se muestran en la siguiente tabla:
Termino
Regresin (Modelo)
Residual
(Falta de ajuste LOF)
(Error puro)
Total

SS
117165,22
4913,85
1465,13
3448,72
122079,07

g.d.l
3
146
1
145
149

MSS
Fo
Fo Tablas
39055,07 1160,40
2,67
33,66
1465,13
61,60
3,91
23,78

Tabla 5.13.Prueba de significacin y falta de ajuste del experimento inicial con punto central.

Observando la tabla se puede ver que la condicin de rechazo de la hiptesis de

significacin se cumple, 1160,40> 2.67, por lo que pedemos rechazar la hiptesis nula,
siendo por tanto el modelo ajustado significativo.
Para la prueba de la falta de ajuste no se cumple que el estadstico Fo sea menor que
F0.05, 1,145 (61,60 > 3,91), por lo que no se acepta la hiptesis de que el modelo ajustado
de primer orden sea lineal.
Dados estos resultados no es necesario realizar el anlisis grfico de los residuales ya
que el modelo no se puede dar por adecuado.
Todo parece indicar que en esta regin el modelo va a ser de segundo orden. El diseo
indicado para ajustar un modelo de segundo orden es el diseo central compuesto (ver
seccin 4.4). Para convertir el diseo empleado hasta este momento en uno de este tipo,
necesitamos ampliar la regin de experimentacin con 2k observaciones axiales. En
nuestro caso k = 2, por lo que el nmero de observaciones axiales va a ser de cuatro. Lo
ideal es que estas observaciones se elijan de forma que el diseo resultante sea rotable
(ver seccin 4.4), para ello la distancia al centro de la regin debe de elegirse segn la
expresin = (nf)1/4. Recordemos que nf era el nmero de puntos del diseo factorial.
En nuestro caso nf vale 4 y toma el valor de 1,4142, dando una regin de exploracin
como la que se muestra en la figura 5.3:

- 117 -

(3,10.83)

Factor B

(2,10)

(1,10)

(1.59,8)

(4.41,8)
(3,8)

(2,6)

(4,6)
(3,10.83)

Factor A

Figura 5.3. Regin de experimentacin del experimento central compuesto inicial.

Sin embargo se observa que esta regin de exploracin no es viable para nosotros, ya
que tanto los parmetros K (0) como E deben tomar valores enteros. Esto nos lleva a
elegir como diseo una variante del anterior, en la que toma el valor 1. A un diseo de
este tipo se le denomina diseo central compuesto con centros en las caras (ver seccin
4.4.). Un diseo de este tipo no es rotable, sin embargo es perfectamente valido para
ajustar un modelo de segundo orden. La regin de experimentacin se muestra en la
figura 5.4, y los escenarios en las tablas 5.14 y 5.15, tanto en variables naturales como
codificadas:

Factor B

(2,10)

(3,10)

(2,8)

(1,10)

(4,8)
(3,8)

(2,6)

(3,6)

(4,6)

Factor A

Figura 5.4. Regin de experimentacin del experimento central compuesto inicial con centros en las caras.

- 118 -

Escenario
1
2
3
4
5
6
7
8
9

K(0)
2
4
2
4
2
4
3
3
3

E
6
6
10
10
8
8
6
10
8

Tabla 5.14. Escenarios en el experimento central compuesto con centros en las caras inicial en variables naturales.

Escenario
1
2
3
4
5
6
7
8
9

K
-1
1
-1
1
-1
1
0
0
0

E
-1
-1
1
1
0
0
-1
1
0

Tabla 5.15. Escenarios en el experimento central compuesto con centros en las caras inicial en variables codificadas.

Los resultados de las simulaciones en esta nueva regin de experimentacin han sido las
siguientes:
Escenario Nivel de servicio medio (%) STD Nivel de Servicio WIP medio STD WIP
1
1,392
2,4649
8,024
0,0073
2
64,594
5,0789
10,019
0,0058
3
29,115
6,2844
12,037
0,0075
4
82,338
4,1386
4,1386
0,0067
5
16.348
6.2939
10.037
0.0057
6
75.379
4.0154
12.010
0.0069
7
36.470
5.8466
9.025
0.0062
8
61.718
5.1182
13.016
0.0083
9
52,173
5,5164
11,023
0,003
Tabla 5.16. Resultados de las simulaciones de los escenarios del experimento central compuesto con
centros en las caras.

- 119 -

El anlisis de varianza del modelo completo ofrece los siguientes resultados:

Termino Efectos
SS
Porcentaje g.d.l
MSS
Fo
Fo Tablas
A
58,21 154004,77
81,68
1 154004,77 5875,08
3,88
B
22,73 24969,76
13,24
1
24969,76 952,56
3,88
A2
-10,5
1654,87
0,88
1
1654,87
63,13
3,88
2
B
-4,04
245,09
0,13
1
245,09
9,35
3,88
AB
-4,99
753,77
0,40
1
753,77
28,76
3,88
Error
6920,28
3,67
264
26,21
Total
188548,54 100,00
269
Tabla 5.17. Anlisis de varianza del experimento central compuesto con centros en las caras.

Analizando los resultados obtenidos se aprecia que todos los trminos son significativos
por lo que el modelo de segundo orden queda, en variables codificadas, de la siguiente
forma:

y = 51.47 + 29.11x1 + 11.37 x 2 5.25x12 2.02 x 22 2.49 x1 x2

y en variables naturales:

y = 193 .07 + 70.791 + 17.73 2 5.2512 0.51 22 1.251 2

Ahora, el modelo debe de pasar la batera de pruebas necesarias para probar su
adecuacin. Las dos primeras pruebas a las que se va a someter son la de significacin
de sus coeficientes y la de falta de ajuste. En la tabla siguiente se pueden observar los
resultados obtenidos en ambas pruebas:
Termino
SS
Modelo
181628,25
Residual
6920,28
(Falta de ajuste LOF)
104,22
(Error puro)
6816,06
Total
188548,54

g.d.l
5
264
3
261
269

MSS
Fo
Fo Tablas
36325,65 1385,78
2,25
26,21
34,74
1,33
2,64
26,12

Tabla 5.18.Prueba de significacin y falta de ajuste del modelo de segundo orden propuesto.

El modelo resulta significativo ya que F0 > F.05,5, 264 y por lo tanto la hiptesis nula se
rechaza. La prueba de falta de ajuste tambin la pasa el modelo propuesto, ya que se
cumple la condicin F0 < F.05,3, 261 , lo cual significa que no se rechaza la hiptesis nula,
con lo que el modelo se ajusta a la superficie de respuesta real.
- 120 -

La ltima prueba a realizar para probar la adecuacin del modelo es el anlisis grfico
de los residuales. A continuacin se muestran los resultados obtenidos:
Respuestas
0,00
0,00
0,00
2,30
0,00
0,00
0,00
0,00
7,65
0,00
0,00
9,02
0,00
4,23
0,00
0,00
4,47
0,00
0,00
5,09
0,00
0,00
0,00
3,58
3,10
0,00
0,85
0,00
1,46
0,00
68,63
66,21
70,42
63,82
56,26
58,91
76,42
63,67
61,82
63,56
71,43
60,54
60,79
71,32
68,50
64,58
65,18

Prediccin
0,66
0,66
0,66
0,66
0,66
0,66
0,66
0,66
0,66
0,66
0,66
0,66
0,66
0,66
0,66
0,66
0,66
0,66
0,66
0,66
0,66
0,66
0,66
0,66
0,66
0,66
0,66
0,66
0,66
0,66
64,17
64,17
64,17
64,17
64,17
64,17
64,17
64,17
64,17
64,17
64,17
64,17
64,17
64,17
64,17
64,17
64,17

- 121 -

Residuales
-0,66
-0,66
-0,66
1,64
-0,66
-0,66
-0,66
-0,66
6,99
-0,66
-0,66
8,36
-0,66
3,57
-0,66
-0,66
3,81
-0,66
-0,66
4,43
-0,66
-0,66
-0,66
2,92
2,44
-0,66
0,19
-0,66
0,80
-0,66
4,45
2,04
6,25
-0,35
-7,91
-5,26
12,24
-0,50
-2,36
-0,61
7,26
-3,63
-3,39
7,15
4,33
0,40
1,01

57,55
61,20
63,29
73,93
64,26
60,16
53,86
68,65
65,29
64,80
64,24
63,83
66,07
27,08
25,57
25,10
22,51
29,81
24,13
27,85
28,96
29,31
34,24
23,55
41,57
22,71
21,81
26,62
37,30
39,33
27,82
21,73
30,67
24,64
34,87
31,00
31,43
41,77
29,59
35,58
26,13
34,97
25,77
85,50
81,94
87,54
83,22
77,59
75,02
84,67
88,11
78,71
85,60

64,17
64,17
64,17
64,17
64,17
64,17
64,17
64,17
64,17
64,17
64,17
64,17
64,17
29,23
29,23
29,23
29,23
29,23
29,23
29,23
29,23
29,23
29,23
29,23
29,23
29,23
29,23
29,23
29,23
29,23
29,23
29,23
29,23
29,23
29,23
29,23
29,23
29,23
29,23
29,23
29,23
29,23
29,23
82,72
82,72
82,72
82,72
82,72
82,72
82,72
82,72
82,72
82,72

- 122 -

-6,62
-2,98
-0,88
9,76
0,09
-4,02
-10,31
4,47
1,12
0,63
0,07
-0,34
1,90
-2,15
-3,66
-4,13
-6,72
0,58
-5,10
-1,38
-0,26
0,08
5,01
-5,68
12,34
-6,51
-7,42
-2,61
8,07
10,10
-1,41
-7,50
1,44
-4,58
5,64
1,77
2,20
12,55
0,36
6,35
-3,10
5,74
-3,46
2,78
-0,78
4,82
0,50
-5,13
-7,69
1,96
5,40
-4,01
2,88

82,09
81,79
79,27
88,51
87,92
78,22
84,32
80,40
81,36
83,51
91,47
77,50
82,63
78,60
75,15
79,03
84,93
79,13
80,75
85,65
12,95
12,63
19,52
23,67
8,34
10,92
13,88
24,69
22,98
16,80
9,00
22,23
1,62
15,26
10,58
23,89
22,82
17,63
7,69
22,57
5,25
18,03
13,51
19,37
20,72
18,33
25,50
21,65
12,61
15,81
77,14
71,03
75,43

82,72
82,72
82,72
82,72
82,72
82,72
82,72
82,72
82,72
82,72
82,72
82,72
82,72
82,72
82,72
82,72
82,72
82,72
82,72
82,72
16,97
16,97
16,97
16,97
16,97
16,97
16,97
16,97
16,97
16,97
16,97
16,97
16,97
16,97
16,97
16,97
16,97
16,97
16,97
16,97
16,97
16,97
16,97
16,97
16,97
16,97
16,97
16,97
16,97
16,97
75,47
75,47
75,47

- 123 -

-0,63
-0,92
-3,44
5,80
5,21
-4,49
1,60
-2,32
-1,35
0,79
8,75
-5,22
-0,09
-4,12
-7,57
-3,69
2,21
-3,59
-1,97
2,94
-4,02
-4,34
2,55
6,70
-8,62
-6,04
-3,08
7,72
6,01
-0,17
-7,97
5,27
-15,35
-1,70
-6,38
6,92
5,85
0,66
-9,27
5,60
-11,72
1,07
-3,46
2,41
3,75
1,36
8,53
4,69
-4,36
-1,16
1,68
-4,43
-0,04

79,92
71,99
63,93
76,98
77,88
77,29
82,95
77,49
73,92
72,02
80,08
77,33
74,60
74,85
77,93
78,38
70,94
80,20
77,75
70,15
74,74
73,93
70,47
77,33
73,77
70,81
80,14
36,82
42,77
36,83
26,28
35,17
23,83
33,88
39,83
46,12
45,49
31,19
37,33
38,36
37,43
37,11
42,71
39,21
39,46
42,11
43,34
37,66
31,51
29,86
21,61
34,19
35,29

75,47
75,47
75,47
75,47
75,47
75,47
75,47
75,47
75,47
75,47
75,47
75,47
75,47
75,47
75,47
75,47
75,47
75,47
75,47
75,47
75,47
75,47
75,47
75,47
75,47
75,47
75,47
37,67
37,67
37,67
37,67
37,67
37,67
37,67
37,67
37,67
37,67
37,67
37,67
37,67
37,67
37,67
37,67
37,67
37,67
37,67
37,67
37,67
37,67
37,67
37,67
37,67
37,67

- 124 -

4,45
-3,48
-11,54
1,51
2,42
1,82
7,49
2,02
-1,55
-3,45
4,62
1,87
-0,87
-0,62
2,46
2,91
-4,53
4,73
2,29
-5,31
-0,72
-1,53
-5,00
1,86
-1,69
-4,66
4,67
-0,85
5,10
-0,84
-11,39
-2,50
-13,84
-3,79
2,16
8,45
7,82
-6,48
-0,34
0,69
-0,24
-0,56
5,04
1,54
1,79
4,45
5,67
-0,01
-6,16
-7,81
-16,06
-3,48
-2,38

35,03
34,23
39,43
40,07
64,41
64,37
61,42
62,36
54,95
56,67
63,66
58,41
63,62
66,68
56,88
60,00
67,38
69,01
65,65
61,07
56,28
65,83
63,95
60,52
67,93
62,67
60,97
52,04
55,68
49,65
57,07
65,29
70,41
66,69
46,07
53,15
60,92
46,78
54,01
47,41
57,15
51,22
50,17
48,74
48,49
50,73
56,23
57,29
56,57
61,94
52,83
61,08
56,44

37,67
37,67
37,67
37,67
61,22
61,22
61,22
61,22
61,22
61,22
61,22
61,22
61,22
61,22
61,22
61,22
61,22
61,22
61,22
61,22
61,22
61,22
61,22
61,22
61,22
61,22
61,22
61,22
61,22
61,22
61,22
61,22
61,22
61,22
51,47
51,47
51,47
51,47
51,47
51,47
51,47
51,47
51,47
51,47
51,47
51,47
51,47
51,47
51,47
51,47
51,47
51,47
51,47

- 125 -

-2,64
-3,44
1,76
2,40
3,19
3,14
0,19
1,13
-6,27
-4,56
2,44
-2,81
2,39
5,46
-4,34
-1,22
6,16
7,78
4,43
-0,15
-4,94
4,61
2,72
-0,71
6,71
1,44
-0,25
-9,18
-5,54
-11,57
-4,16
4,06
9,19
5,47
-5,40
1,68
9,45
-4,68
2,54
-4,06
5,68
-0,25
-1,30
-2,72
-2,98
-0,73
4,77
5,82
5,10
10,47
1,36
9,61
4,98

50,01
59,33
50,95
47,20
44,14
45,72
40,40
46,38
57,69
55,04
51,07

51,47
51,47
51,47
51,47
51,47
51,47
51,47
51,47
51,47
51,47
51,47

-1,46
7,86
-0,51
-4,27
-7,33
-5,75
-11,07
-5,08
6,22
3,57
-0,39

Tabla 5.19. Residuales del modelo de segundo orden propuesto.

% de probabilidad normal

99
95
90
80
70
50
30
20
10
5

-14.14

-7.47

-0.80

5.86

12.53

Residuales

Grfica 5.7. Probabilidad normal de los residuales del modelo de segundo propuesto.

- 126 -

15,00

Residuales

10,00
5,00
0,00
0,00
-5,00

20,00

40,00

60,00

80,00

100,00

-10,00
-15,00
Nivel de Servicio Predicho
Grfica 5.8. Residuales frente a en el experimento central compuesto con centros en las caras.

15,00

Residuales

10,00
5,00
0,00
0

20

40

60

80

100

120

-5,00
-10,00
-15,00
Orden de Realizacin de la Sim ulacin

Grfica 5.9. Residuales frente al orden de avaluacin del experimento central compuesto con centros en las caras.

En la grfica de la probabilidad normal se aprecia que los puntos siguen bastante

aproximadamente una lnea recta. Esto indica que el modelo cumple el supuesto de
normalidad. Observando la grfica podemos apreciar que ambas ramas tienen
aproximadamente la misma longitud, indicando esto que no se aprecia ningn sesgo. En
las otras dos grficas no se aprecia que los puntos sigan ningn patrn. Como
consecuencia de estos resultados el modelo se puede dar por adecuado.
- 127 -

A tenor de los resultados obtenidos podemos asegurar que la superficie de respuesta

proporcionada por este modelo de segundo orden se ajusta con bastante exactitud a la
superficie de respuesta real en la regin de experimentacin. El siguiente paso, dentro
del proceso secuencial de la metodologa RSM, es encontrar el mximo, si existe, de la
superficie de respuesta ajustada. Este punto singular se puede hallar de forma analtica
expresando el modelo en forma matricial (ver apartado cuarto del captulo cuatro):

y = 0 + x' b + x' Bx

(63)

y aplicando la formula:

1
x s = B 1 b
2

(64)

En nuestro caso las matrices que intervienen van a tener los siguientes valores:

5.25 1.25
29.11
x
B
=
x = 1 b =
1.25 2.02

x2
11.37

y el punto estacionario va a resultar en variables codificadas:

2.47
xs =

1.29
que en variables naturales corresponde con el punto:

5.47
xs =

10.59
El siguiente paso es caracterizar el punto singular hallado, para lo que bastar con
observar el signo de los coeficientes del modelo expresado en forma cannica (ver
seccin 4.4). Estos coeficientes son los autovalores de la matriz B, y para hallarlos no
hay ms que plantear el determinante:
|B- I| = 0
5.25
1.25

1.25
=0
2.02

- 128 -

y hallar las races 1 y 2 de la ecuacin de segundo grado resultante, dando como

resultado:

1 = -1.60
2 = -5.67
El modelo en forma cnica queda de la forma:

y = y s 1.60 w 21 5.67 w 2 2
con lo que el punto singular es un mximo al ser los dos autovalores negativos.
Observando el punto hallado, xs1 = 5.74, xs2 = 10.59, vemos que este no es viable ya que
ambos valores deberan de ser nmeros enteros. Para nuestros propsitos el punto a
considerar deber ser uno de los cuatro enteros que lo rodean. Cada uno de estos cuatro
puntos hay que validarlo, es decir, comparar el valor real del nivel de servicio con el
valor que el modelo nos predice en ellos. Los resultados son los siguientes:
K(0) (Factor A)
5
6
5
6

E (Factor B)
10
10
11
11

Valor Real
93.2531.100
95.1471.136
93.7561.041
96.3010.579

IC (99%)
92.153 <> 94.353
94.011 <> 96.283
92.715 <> 94.797
95.722 <> 96.880

Valor Predicho
93.70
94.19
94.56
93.79

Tabla 5.20. Validacin puntos singulares.

Se observa que el nivel de servicio va creciendo conforme aumentan los valores de K

(0) y E. Adems, estos valores se encuentran alejados del nivel de servicio objetivo, por
lo que consideramos que es conveniente ajustar un nuevo modelo para intentar
movernos a una zona de la superficie de respuesta que ofrezca unos valores ms
cercanos al nivel de servicio deseado. Tambin hay que hacer notar que el valor
predicho para el punto (6,11) no esta comprendido dentro del intervalo de confianza (IC
en la tabla) obtenido en la simulacin para estos valores de K (0) y E A priori, el punto
idneo alrededor del cual se va a ajustar la nueva regin de experimentacin, es el
(6,11), ya que es el que ofrece un mayor nivel de servicio medio y unos mayores valores
del nivel de servicio dentro de su intervalo de confianza.
El nuevo experimento con observaciones en el punto central se muestra en la siguiente
figura:

- 129 -

(7,12)

Factor B

(5,12)

(6,11)

(5,10)

(7,10)
Factor A

Figura 5.5. Regin de experimentacin del nuevo experimento con punto central.

Los nuevos escenarios son:

Escenario
1
2
3
4
5

K(0)
5
7
5
7
6

E
10
10
12
12
11

Tabla 5.21. Escenarios en el nuevo experimento con punto central en variables naturales.

En variables codificadas tenemos:

Escenario
1
2
3
4
5

K(0)
-1
1
-1
1
0

E
-1
-1
1
1
0

Tabla 5.22. Escenarios en el nuevo experimento con punto central en variables codificadas.

Los resultados obtenidos en la nueva regin de experimentacin son:

- 130 -

Escenario Nivel de servicio medio (%) STD Nivel de Servicio WIP medio
1
93.253
2.3395
14.992
2
96.784
1.2659
16.979
3
95.165
1.7170
16.984
4
98.104
0.9059
18.969
5
96.301
1.2306
16.978

STD WIP
0.0070
0.0256
0.0089
0.0312
0.0255

Tabla 5.23. Resultados de las simulaciones de los escenarios del segundo experimento con punto central.

El anlisis de varianza que se obtiene con las nuevas observaciones es:

Termino Efectos
SS
Porcentajes g.d.l MSS
Fo
Fo Tablas
A
3,16 301,09
42,77
1 301,09 133,54
3,91
B
1,54
72,06
10,24
1
72,06 31,96
3,91
AB
-0,22
1,58
0,22
1
1,58
0,70
3,91
Error
329,20
46,77
146 2,25
Total
703,92
100,00
149
Tabla 5.24. Anlisis de varianza del segundo experimento con punto central.

Donde se observa la significacin de los efectos principales, por lo que el modelo

ajustado va a ser el siguiente en variables codificadas:

y = 95.95 + 1.58 x1 + 0.77 x2

y en variables naturales:

y = 77.92 + 1.581 + 0.77 2

El siguiente paso es someter al modelo a la batera de pruebas destinadas a comprobar
su adecuacin. En la tabla siguiente se muestran los resultados tras someter al modelo a
la prueba de significacin de los coeficientes y a la prueba de falta de ajuste:
Termino
Modelo
Residual
(Falta de ajuste LOF)
(Error puro)
Total

SS
373,15
330,77
6,24
324,53
703,92

g.d.l MSS
Fo
Fo Tablas
2 186,57 82,92
3,06
147 2,25
2
3,12
1,39
3,06
145 2,24
149

Tabla 5.25. Pruebas de significacin y falta de ajuste del modelo de primer orden propuesto.

- 131 -

En la tabla se observa que la condicin de rechazo de la hiptesis de significacin se

cumple, 82.92 > 3.06, por lo que pedemos rechazar la hiptesis nula, siendo por tanto el
modelo ajustado significativo.
Para la prueba de la falta de ajuste el estadstico Fo es menor que F0.05, 2, 145 (1.39 <
3.06), por lo que se acepta la hiptesis nula, lo que significa que el modelo lineal
propuesto se ajusta a la superficie de respuesta real.
La ltima prueba de esta batera es el anlisis grafico de los residuales, consistente en el
estudio de las grficas de la distribucin normal de los residuales, la representacin de
estos frente a la respuesta predicha y a la representacin de aquellos frente al orden de
realizacin de las observaciones. A continuacin se muestran los residuales obtenidos,
as como, las tres graficas mencionadas:
Respuestas
94,62
96,41
94,38
94,70
94,45
90,07
92,16
90,74
95,02
95,09
89,48
90,87
94,27
90,25
91,94
96,49
93,56
93,45
91,43
95,21
92,06
94,67
96,63
90,69
92,56
96,18
92,81
92,27
94,52
94,64
96,27
96,21
97,42
97,50
96,37

Prediccin
93,59
93,59
93,59
93,59
93,59
93,59
93,59
93,59
93,59
93,59
93,59
93,59
93,59
93,59
93,59
93,59
93,59
93,59
93,59
93,59
93,59
93,59
93,59
93,59
93,59
93,59
93,59
93,59
93,59
93,59
96,76
96,76
96,76
96,76
96,76

- 132 -

Residuales
1,03
2,82
0,79
1,11
0,86
-3,52
-1,43
-2,85
1,43
1,51
-4,11
-2,72
0,68
-3,34
-1,65
2,90
-0,03
-0,13
-2,16
1,62
-1,53
1,08
3,04
-2,90
-1,03
2,59
-0,78
-1,32
0,93
1,05
-0,49
-0,55
0,66
0,74
-0,39

98,79
96,75
97,21
95,47
96,28
96,98
95,55
98,96
95,11
97,54
96,10
96,89
96,27
92,74
98,04
95,55
95,29
97,37
98,45
98,08
97,19
97,88
97,17
96,95
97,14
93,23
94,85
96,62
97,16
91,14
96,11
94,30
95,88
91,66
95,94
97,30
93,55
97,71
92,89
95,78
95,43
93,99
96,52
94,59
97,48
92,06
95,20
96,63
95,80
95,30
95,03
96,72
94,39

96,76
96,76
96,76
96,76
96,76
96,76
96,76
96,76
96,76
96,76
96,76
96,76
96,76
96,76
96,76
96,76
96,76
96,76
96,76
96,76
96,76
96,76
96,76
96,76
96,76
95,14
95,14
95,14
95,14
95,14
95,14
95,14
95,14
95,14
95,14
95,14
95,14
95,14
95,14
95,14
95,14
95,14
95,14
95,14
95,14
95,14
95,14
95,14
95,14
95,14
95,14
95,14
95,14

- 133 -

2,04
0,00
0,45
-1,29
-0,47
0,22
-1,21
2,20
-1,65
0,78
-0,66
0,13
-0,49
-4,02
1,29
-1,20
-1,47
0,62
1,69
1,33
0,43
1,12
0,41
0,19
0,38
-1,91
-0,29
1,48
2,02
-3,99
0,97
-0,84
0,74
-3,48
0,80
2,17
-1,59
2,57
-2,24
0,64
0,29
-1,15
1,38
-0,55
2,34
-3,08
0,06
1,49
0,66
0,16
-0,11
1,58
-0,75

95,71
95,97
98,84
97,94
98,69
98,44
98,62
98,69
95,81
97,91
98,40
97,71
97,18
96,22
99,56
99,08
98,05
98,46
98,93
97,97
96,69
99,05
99,01
97,54
99,09
98,22
98,64
98,69
97,31
97,23
98,18
96,99
94,62
95,83
95,54
95,98
96,36
98,79
96,67
97,53
94,70
97,60
97,23
95,39
97,95
93,98
96,36
95,96
96,22
96,34
94,77
98,10
94,42

95,14
95,14
98,31
98,31
98,31
98,31
98,31
98,31
98,31
98,31
98,31
98,31
98,31
98,31
98,31
98,31
98,31
98,31
98,31
98,31
98,31
98,31
98,31
98,31
98,31
98,31
98,31
98,31
98,31
98,31
98,31
98,31
95,95
95,95
95,95
95,95
95,95
95,95
95,95
95,95
95,95
95,95
95,95
95,95
95,95
95,95
95,95
95,95
95,95
95,95
95,95
95,95
95,95

- 134 -

0,57
0,83
0,53
-0,36
0,39
0,13
0,31
0,38
-2,50
-0,40
0,10
-0,60
-1,13
-2,09
1,26
0,77
-0,26
0,15
0,63
-0,33
-1,62
0,74
0,70
-0,77
0,78
-0,09
0,34
0,38
-1,00
-1,08
-0,13
-1,32
-1,33
-0,12
-0,40
0,04
0,41
2,84
0,72
1,58
-1,25
1,65
1,28
-0,56
2,01
-1,97
0,41
0,01
0,27
0,39
-1,18
2,15
-1,52

95,32
96,64
97,84
97,61
95,06
97,57
96,85
96,18
95,61

95,95
95,95
95,95
95,95
95,95
95,95
95,95
95,95
95,95

-0,62
0,69
1,89
1,66
-0,89
1,62
0,90
0,24
-0,34

Tabla 5.26. Residuales del modelo de primer orden propuesto.

% de probabilidad normal

99
95
90
80
70
50
30
20
10
5

-2.77

-1.57

-0.36

0.84

2.05

Residuales

Grfica 5.10. Probabilidad normal de los residuales del modelo de primer orden propuesto.

- 135 -

5,00
4,00
3,00
Residuales

2,00
1,00
0,00
-1,0093,00

94,00

95,00

96,00

97,00

98,00

99,00

-2,00
-3,00
-4,00
-5,00
Nivel de Servicio Predicho

Grfica 5.11. Residuales frente a la respuesta predicha por el modelo lineal propuesto.

5,00
4,00
3,00
Residuales

2,00
1,00
0,00
-1,00 0

50

100

150

-2,00
-3,00
-4,00
-5,00
Orden de Realizacin de la Sim ulacin

Grfica 5.12. Residuales frente al orden de realizacin de las observaciones del modelo lineal propuesto.

En la grfica de la probabilidad normal se aprecia que los puntos siguen de una forma
bastante aproximada una lnea recta. Esto indica que el modelo cumple el supuesto de
normalidad. Observando la grfica podemos apreciar que ambas ramas tienen
aproximadamente la misma longitud, indicando esto que no se aprecia ningn sesgo.
- 136 -

Por otro lado, tambin se puede observar que la rama de la izquierda es algo ms gruesa
que la de la derecha, significando esto que los residuales negativos son algo ms
grandes que los positivos en valor absoluto. Esto es de poca importancia por lo que
consideramos que el modelo no violaba los supuestos de normalidad. En las otras dos
grficas no se aprecia que los puntos sigan ningn patrn, por lo que se considera que
el modelo supera estas pruebas y se puede considerar adecuado.
Si se observan los coeficientes del modelo ajustado, vemos que ambos son positivos, lo
que indica que aumentando el valor de los dos parmetros aumenta el nivel de servicio.
Grficamente, esto significa que siguiendo la superficie ajustada en sentido ascendente
es de esperar que podamos llegar al punto ptimo perseguido, que recordemos, no es
ms, que el punto de mayor nivel de servicio con el menor inventario. Esto lo podemos
hacer rpidamente aplicando el algoritmo de la mxima pendiente que se vio con detalle
en el apartado cuarto del captulo cuatro.
La variable con mayor coeficiente de regresin es la x1 por lo que la pendiente de la
trayectoria de mximo ascenso va a venir dada por el cociente 0.77/1.58. Esto significa
que por cada unidad que aumente x1, x2 lo va a hacer en 0.49 unidades. Debido a que el
nmero de tarjetas ha de ser un valor entero, el paso que vamos a escoger para la
variable x1 va a ser de dos unidades que corresponden prcticamente con una unidad de
aumento para la variable x2. Estos valores equivalen, en variables naturales, con
aumentos de dos tarjetas para el parmetro K (0) y de una para el parmetro E,
respectivamente. En la tabla 5.27 se muestran los puntos de la trayectoria de mximo
descenso y las respuestas halladas a lo largo de ella. En la grfica 5.13 se grafican los
niveles de servicio medio obtenidos a lo largo de dicha trayectoria:

Pasos
Origen

Origen+
Origen+2
Origen+3
Origen+4
Origen+5
Origen+6
Origen+7
Origen+8
Origen+9
Origen+10

Variables codificadas Variables naturales

x1
x2
1
2
0
0
6
11
2
1
2
1
2
1
8
12
4
2
10
13
6
3
12
14
8
4
14
15
10
5
16
16
12
6
18
17
14
7
20
18
16
8
22
19
18
9
24
20
20
10
26
21

Respuestas
Nivel de Servicio
WIP
96,3010.579
16,9780.025
98,2890.428
99,0930.321
99,5840.195
99,7280.153
99,6540.252
99,6680.181
99,7180.170
99,5740.229
99,8730.123
99,8280.225

19,9180.063
22,8870.050
25,7630.113
28,5670.207
30,9640.463
31,9391.523
32,6142.194
32,8693.209
33,1703.269
33,3673.228

Tabla 5.27. Trayectoria de mxima pendiente y repuestas del modelo ajustado.

- 137 -

Nivel de Servicio Medio

100,000

99,000

98,000

97,000

96,000
0

10

12

Pasos

Grfica 5.13. Nivel de servicio medio obtenido a lo largo de la trayectoria de mxima pendiente.

Como se puede observar no obtenemos un mximo a partir del cual las respuestas
empiezan a disminuir, si no que los valores tienden asintticamente al 100% de nivel de
servicio.
Este resultado est en consonancia con lo que la literatura muestra para el
comportamiento de un sistema Conwip. El nivel de servicio esperado para el criterio
tomado de ventas perdidas para la actitud de los clientes (ver seccin 3.3) debera de
estar en torno al 100% (Gaury; 2000). Nuestro objetivo es alcanzar el mximo nivel de
servicio con el mnimo inventario en proceso, WIP, luego tenemos que tener en cuenta
los valores de este. Si representamos el nivel de servicio contra el WIP obtenidos en los
distintos puntos de la trayectoria obtenemos la grfica siguiente:

- 138 -

100,500

Nivel de Servicio

100,000
99,500
99,000
98,500
98,000
97,500
97,000
96,500
96,000
15,000

20,000

25,000

30,000

35,000

WIP

Grfica 5.14. Nivel de Servicio contra WIP sobre la trayectoria de la mxima pendiente.

La curva obtenida empieza a ser muy asinttica para niveles superiores al 98 % de nivel
de servicio. Es obvio que conforme aumenta el nmero de tarjetas tambin lo hace el
nivel de servicio y el WIP, aunque, como indica la grfica anterior, el aumento del WIP
a partir de un nivel de servicio del 98 % va ser mucho mayor que el aumento del nivel
de servicio para un nmero de tarjetas dado. Veamos por ejemplo, que pasar del paso
uno al diez, supone pasar de un nivel de servicio del 98.289 % a otro del 99.828 %, lo
que supone un incremento de un 1.57%. En ese mismo intervalo el WIP pasa de 19.918
unidades a 33.367, lo que supone un incremento del 67.67%. El WIP aumenta bastante
ms de lo que lo hace el nivel de servicio. Esto hace que perseguir niveles de servicio de
un 100% genere un nivel de inventario econmicamente inviable.

- 139 -

5.4.- APLICACIN DE LA METODOLOGA RSM. CASO =98%

A partir de este momento se va a realizar una batera de experimentos anloga a la que
se ha realizado hasta ahora, pero con un nivel de servicio objetivo del =98%. Tras la
experiencia recogida en los experimentos anteriores consideramos que es ms apropiado
partir de una regin de experimentacin centrada en el punto (5, 6) ya que no se parte de
un nmero de tarjetas tan bajo como en el caso de la batera de experimentos
anteriormente realizada. En un primer paso vamos a intentar ajustar un modelo de
primer orden por lo que la nueva regin de experimentacin va a presentar
observaciones en el punto central para poder estimar el error experimental. Esta nueva
regin se muestra en la figura 5.6 y los escenarios, tanto en variables naturales como
codificadas en las tablas 5.28 y 5.29:

Factor B

(4,7)

(6,7)

(5,6)

(4,5)

(6,5)
Factor A

Figura 5.6. Regin de experimentacin del primer experimento con punto central para =98%.

Escenario
1
2
3
4
5

K(0)
4
6
4
6
5

E
5
5
7
7
6

Tabla 5.28. Escenarios del primer experimento con punto central para =98%.

Escenario
1
2
3
4
5

K(0)
-1
1
-1
1
0

E
-1
-1
1
1
0

Tabla 5.29. Escenarios del primer experimento con punto central para =98%.

- 140 -

Los resultados obtenidos en estos escenarios has sido los que se muestran en la tabla
siguiente:
Escenario Nivel de servicio medio (%) STD Nivel de Servicio WIP medio STD WIP
1
57.570
5.8443
9.022
0.0048
2
83.131
2.4611
11.007
0.0143
3
71.948
4.5252
11.014
0.0066
4
90.305
2.8848
12.996
0.0194
5
81.939
2.7248
11.011
0.0065
Tabla 5.30. Resultados de las simulaciones de los escenarios del primer experimento con punto central para =98%.

El anlisis de varianza ofrece el siguiente resultado:

Termino Efectos SS
Porcentaje g.d.l MSS
Fo
Fo Tablas
A
21,96 14466,18
67,35
1 14466,18 672,75
3,91
B
10,78 3483,29
16,22
1
3483,29 161,99
3,91
AB
-3,60
389,15
1,81
1
389,15
18,10
3,91
Error
3139,43
14,62
146
21,50
Total
21478,04
100,00
149
Tabla 5.31. Anlisis de varianza del primer experimento con punto central para =98%.

Los resultados obtenidos indican que tanto los factores principales como la interaccin
entre ellos son significativos. El modelo de primer orden ajustado, en variables
codificadas, va a ser:

y = 76.98 + 10.98x1 + 5.39 x2 1.80 x1 x2

y en variables naturales:

y = 65.51 + 21.781 + 14.39 2 1.801 2

El siguiente paso es aplicar las pruebas que nos van a permitir conocer si el modelo
ajusta es adecuado. Las pruebas de significacin de los coeficientes del modelo y la
prueba de la falta de ajuste de la superficie de respuesta ajusta y real se recoge en la
tabla siguiente:

- 141 -

Termino
SS
g.d.l MSS
Fo
Modelo
18338,62 3 6112,87 284,28
Residual
3139,43 146 21,50
(Falta de ajuste LOF) 922,77
1
922,77 60,36
(Error puro)
2216,66 145 15,29
Total
21478,04 149

Fo Tablas
3,06
3,06

Tabla 5.32. Pruebas de significacin y falta de ajuste del primer experimento con punto central para
=98%.

Se observa que el modelo es significativo, sin embargo no supera la prueba de la falta

de ajuste. Esto significa que la superficie de respuesta real tiene una curvatura tal que un
modelo lineal no la puede representar. A continuacin, vamos a intentar ajustar un
modelo de segundo orden, para lo que necesitamos convertir el experimento en uno
central con centro en las caras. Para ello vamos a aadir cuatro observaciones axiales al
igual que hicimos en la anterior batera de experimentos. La regin de experimentacin
y los nuevos escenarios se muestran a continuacin:

Factor B

(4,7)

(5,7)

(4,6)

(6,7)

(6,6)
(5,6)

(4,5)

(5,5)

(6,5)

Factor A
Figura 5.7. Regin de experimentacin del experimento central compuesto con centros en las caras para =98%.

- 142 -

Escenario
1
2
3
4
5
6
7
8
9

K(0)
4
6
4
6
4
6
5
5
5

E
5
5
7
7
6
6
5
7
6

Tabla 5.33. Escenarios en el experimento central compuesto con centros en las caras para =98% en
variables naturales.

Escenario
1
2
3
4
5
6
7
8
9

K
-1
1
-1
1
-1
1
0
0
0

E
-1
-1
1
1
0
0
-1
1
0

Tabla 5.34. Escenarios en el experimento central compuesto con centros en las caras para =98%en
variables codificadas.

Los resultados de las simulaciones en esta nueva regin de experimentacin han sido las
siguientes:
Escenario Nivel de servicio medio (%) STD Nivel de Servicio WIP medio STD WIP
1
57.570
5.8443
9.022
0.0048
2
83.131
2.4611
11.007
0.0143
3
71.948
4.5252
11.014
0.0066
4
90.305
2.8848
12.996
0.0194
5
64.594
5.0789
10.019
0.0058
6
85.716
3.3080
12.004
0.0145
7
73.777
3.3075
10.017
0.0053
8
84.251
3.1375
12.007
0.0058
9
81.939
2.7248
11.011
0.0065
Tabla 5.35. Simulaciones de los escenarios del experimento central compuesto con centros en las caras para =98%.

- 143 -

El anlisis de varianza del modelo completo ofrece los siguientes resultados:

Termino Efectos
SS
Porcentaje g.d.l
MSS
Fo
Fo Tablas
A
21,96 21046,43
66,13
1 21046,43 1374,28
3,88
B
10,78 5128,01
16,11
1
5128,01 334,85
3,88
A2
-8,94
1200,02
3,77
1
1200,02
78,36
3,88
2
B
-1,06
16,97
0,05
1
16,97
1,11
3,88
AB
-3,60
389,15
1,22
1
389,15
25,41
3,88
Error
4043,03
12,70
264
15,31
Total
31823,60
100,00
269
Tabla 5.36. Anlisis de varianza del experimento central compuesto con centros en las caras para =98%.

Segn los resultados obtenidos todos los trminos son significativos excepto el trmino
cuadrtico del factor B, por lo que el modelo buscado sera:

y = 80.34 + 10.81x1 + 5.34 x2 4.47 x12 0.53x22 1.80 x1 x2

Hay que hacer notar que aunque el termino cuadrtico del factor B no resulta
significativo en el anlisis de varianza efectuado, el termino correspondiente a este
factor debe de ser incluido en el modelo al ser significativa la interaccin entre dicho
factor y el factor A.
A continuacin se somete al modelo a las pruebas encaminadas a determinar si este es
adecuado o no. En la tabla siguiente se muestran las pruebas de significacin de los
coeficientes y la de falta de ajuste:
Termino
SS
Modelo
27780,58
Residual
4043,03
(Falta de ajuste LOF) 129,99
(Error puro)
3913,04
Total
31823,60

g.d.l
5
264
3
261
269

MSS
Fo
Fo Tablas
5556,12 362,80
3,06
15,31
43,33
2,89
3,06
14,99

Tabla 5.37. Prueba de significacin y de la falta de ajuste del experimento central compuesto con centros en las caras
para =98%.

El modelo propuesto supera tanto la prueba de significacin como la de la falta de

ajuste. Ahora slo queda por someterle al anlisis grfico de los residuales. En la tabla
5.38 se muestran los residuales y en las grficas 5.15, 5.16 y 5.17 se grafican la
probabilidad normal, los residuales frente a las respuestas predichas y los residuales
frente al orden de realizacin de las observaciones respectivamente:

- 144 -

Respuestas
58,76
58,55
65,15
48,72
48,60
56,29
55,87
55,78
58,89
63,18
58,51
55,89
50,60
65,75
65,20
56,52
56,07
62,39
61,76
58,87
66,16
55,67
48,32
59,47
49,23
57,16
61,02
49,88
57,19
64,69
80,51
83,21
81,60
83,12
81,21
85,42
82,85
86,72
85,31
80,80
85,61
86,80
82,30
86,52
84,05
85,66
79,28
81,09
83,74
86,59
85,12
80,67

Prediccin
57,39
57,39
57,39
57,39
57,39
57,39
57,39
57,39
57,39
57,39
57,39
57,39
57,39
57,39
57,39
57,39
57,39
57,39
57,39
57,39
57,39
57,39
57,39
57,39
57,39
57,39
57,39
57,39
57,39
57,39
82,62
82,62
82,62
82,62
82,62
82,62
82,62
82,62
82,62
82,62
82,62
82,62
82,62
82,62
82,62
82,62
82,62
82,62
82,62
82,62
82,62
82,62

- 145 -

Residuales
1,37
1,16
7,76
-8,67
-8,79
-1,10
-1,52
-1,60
1,51
5,79
1,12
-1,50
-6,79
8,36
7,81
-0,87
-1,32
5,00
4,37
1,48
8,77
-1,72
-9,07
2,08
-8,16
-0,23
3,63
-7,51
-0,20
7,30
-2,10
0,59
-1,01
0,50
-1,40
2,80
0,23
4,10
2,69
-1,82
2,99
4,18
-0,32
3,90
1,43
3,04
-3,33
-1,52
1,12
3,97
2,51
-1,94

81,19
81,52
79,06
81,06
85,32
85,95
82,20
79,47
71,07
78,16
79,88
78,22
66,86
67,05
76,07
77,73
71,98
70,49
77,82
65,33
65,84
76,60
70,33
71,45
67,97
71,13
71,24
73,38
79,45
67,40
67,98
72,66
68,48
68,52
75,72
65,13
69,74
74,76
90,72
91,37
94,38
86,56
90,17
91,61
85,55
91,82
83,60
92,80
92,41
92,93
89,93
89,36
91,21

82,62
82,62
82,62
82,62
82,62
82,62
82,62
82,62
71,66
71,66
71,66
71,66
71,66
71,66
71,66
71,66
71,66
71,66
71,66
71,66
71,66
71,66
71,66
71,66
71,66
71,66
71,66
71,66
71,66
71,66
71,66
71,66
71,66
71,66
71,66
71,66
71,66
71,66
89,69
89,69
89,69
89,69
89,69
89,69
89,69
89,69
89,69
89,69
89,69
89,69
89,69
89,69
89,69

- 146 -

-1,42
-1,10
-3,56
-1,56
2,70
3,33
-0,42
-3,15
-0,60
6,50
8,22
6,55
-4,81
-4,61
4,40
6,06
0,31
-1,17
6,16
-6,34
-5,83
4,93
-1,33
-0,21
-3,70
-0,54
-0,43
1,71
7,79
-4,26
-3,69
1,00
-3,19
-3,14
4,05
-6,54
-1,93
3,10
1,03
1,68
4,69
-3,13
0,48
1,92
-4,14
2,13
-6,08
3,11
2,72
3,24
0,24
-0,33
1,52

86,26
90,22
94,11
87,38
91,36
93,18
85,21
90,32
93,09
94,16
90,98
90,19
87,18
92,85
88,24
68,63
66,21
70,42
63,82
56,26
58,91
72,42
63,67
61,82
63,56
71,43
60,54
60,79
71,32
68,50
64,58
65,18
57,55
61,20
63,29
73,93
64,26
60,16
54,86
68,65
64,80
64,24
63,83
66,07
63,90
85,08
78,97
82,37
88,17
88,62
80,91
85,04
85,48

89,69
89,69
89,69
89,69
89,69
89,69
89,69
89,69
89,69
89,69
89,69
89,69
89,69
89,69
89,69
65,06
65,06
65,06
65,06
65,06
65,06
65,06
65,06
65,06
65,06
65,06
65,06
65,06
65,06
65,06
65,06
65,06
65,06
65,06
65,06
65,06
65,06
65,06
65,06
65,06
65,06
65,06
65,06
65,06
65,06
86,68
86,68
86,68
86,68
86,68
86,68
86,68
86,68

- 147 -

-3,43
0,53
4,42
-2,31
1,67
3,49
-4,48
0,63
3,41
4,47
1,29
0,50
-2,51
3,16
-1,45
3,57
1,15
5,37
-1,23
-8,79
-6,14
7,36
-1,39
-3,24
-1,50
6,37
-4,52
-4,27
6,26
3,44
-0,48
0,12
-7,51
-3,86
-1,77
8,87
-0,80
-4,90
-10,20
3,59
-0,26
-0,82
-1,22
1,01
-1,16
-1,60
-7,71
-4,31
1,49
1,93
-5,77
-1,64
-1,20

89,60
89,67
83,94
85,72
89,03
79,45
86,67
82,56
91,14
83,56
88,61
87,39
86,31
85,36
85,49
88,09
83,64
87,76
80,39
84,79
89,02
83,79
72,80
74,56
72,02
74,85
73,30
70,61
81,40
71,60
78,20
69,86
77,76
72,58
77,21
69,54
73,17
81,19
74,14
70,53
73,36
75,33
75,71
77,62
69,15
68,29
76,50
71,80
72,12
72,90
72,96
72,24
82,68

86,68
86,68
86,68
86,68
86,68
86,68
86,68
86,68
86,68
86,68
86,68
86,68
86,68
86,68
86,68
86,68
86,68
86,68
86,68
86,68
86,68
86,68
74,47
74,47
74,47
74,47
74,47
74,47
74,47
74,47
74,47
74,47
74,47
74,47
74,47
74,47
74,47
74,47
74,47
74,47
74,47
74,47
74,47
74,47
74,47
74,47
74,47
74,47
74,47
74,47
74,47
74,47
85,15

- 148 -

2,91
2,98
-2,75
-0,97
2,34
-7,23
-0,01
-4,12
4,45
-3,12
1,92
0,71
-0,37
-1,33
-1,19
1,41
-3,05
1,07
-6,29
-1,90
2,33
-2,90
-1,67
0,08
-2,46
0,38
-1,17
-3,86
6,93
-2,88
3,72
-4,62
3,29
-1,90
2,74
-4,94
-1,30
6,72
-0,33
-3,94
-1,11
0,85
1,24
3,14
-5,32
-6,18
2,02
-2,67
-2,35
-1,57
-1,52
-2,24
-2,47

80,23
80,02
88,81
86,34
80,81
84,32
83,69
84,72
88,92
82,73
86,71
79,16
83,90
82,03
89,59
82,58
87,44
87,59
84,34
81,85
85,14
84,70
79,53
86,38
80,02
83,52
85,79
83,23
90,75
74,42
83,27
80,76
86,29
79,18
80,14
81,99
85,20
82,42
80,49
84,43
82,71
82,30
84,45
82,41
85,02
76,91
80,97
83,85
86,28
83,18
79,30
81,26
78,61

85,15
85,15
85,15
85,15
85,15
85,15
85,15
85,15
85,15
85,15
85,15
85,15
85,15
85,15
85,15
85,15
85,15
85,15
85,15
85,15
85,15
85,15
85,15
85,15
85,15
85,15
85,15
85,15
85,15
80,34
80,34
80,34
80,34
80,34
80,34
80,34
80,34
80,34
80,34
80,34
80,34
80,34
80,34
80,34
80,34
80,34
80,34
80,34
80,34
80,34
80,34
80,34
80,34

- 149 -

-4,92
-5,13
3,66
1,19
-4,34
-0,83
-1,46
-0,43
3,77
-2,41
1,56
-5,98
-1,24
-3,12
4,44
-2,57
2,29
2,44
-0,81
-3,30
-0,01
-0,45
-5,62
1,24
-5,13
-1,63
0,64
-1,91
5,60
-5,92
2,92
0,42
5,94
-1,16
-0,21
1,65
4,86
2,07
0,14
4,08
2,37
1,95
4,10
2,06
4,68
-3,43
0,63
3,51
5,94
2,84
-1,05
0,91
-1,73

80,39
81,82
85,04
82,88
82,95
79,24

80,34
80,34
80,34
80,34
80,34
80,34

0,05
1,48
4,70
2,54
2,61
-1,10

Tabla 5.38. Residuales del experimento central compuesto con centros en las caras para =98%.

% de probabilidad normal

99
95
90
80
70
50
30
20
10
5

-2.79

-6.25

0.29

6.82

13.36

Residuales

Grfica 5.15. Probabilidad normal de los residuales del modelo de segundo orden propuesto.

- 150 -

11,00

Residuales

6,00
1,00
50,00
-4,00

60,00

70,00

80,00

90,00

100,00

-9,00
-14,00
Nivel de Servicio Predicho
Grfica 5.16. Residuales frente a en el experimento central compuesto con centros en las caras para =98%.

11,00

Residuales

6,00
1,00
-4,00

50

100

150

200

250

-9,00
-14,00
Orden de Realizacin de la Sim ulacin
Grfica 5.17. Residuales frente al orden de avaluacin del experimento central compuesto con centros en
las caras para =98%.

El anlisis grfico de los residuales confirma la adecuacin del modelo. En la grafica de

la probabilidad normal los puntos siguen muy aproximadamente una lnea recta. En esta
grafica se observa que puede haber un ligero sesgo hacia los valores positivas de los
residuales, ya que la rama de la derecha es ms amplia que la de la izquierda, aunque
- 151 -

este hecho no implica que se viole la hiptesis de normalidad. En las otras dos grficas
no se aprecia que los residuales sigan ningn patrn que haga pensar que estn
relacionados con la salida o con el orden de realizacin de las observaciones.
Definitivamente el modelo se puede dar por adecuado.
El modelo resultante en variables codificadas es:

y = 80.34 + 10.81x1 + 5.34 x2 4.47 x12 0.53x22 1.80 x1 x2

y en variables naturales:

y = 190.73 + 66.341 + 20.72 2 4.4712 0.53 22 1.801 2

Hay que hacer notar que aunque el termino cuadrtico del factor B no resulta
significativo en el anlisis de varianza efectuado, el termino correspondiente a este
factor debe de ser incluido en el modelo al ser significativa la interaccin entre dicho
factor y el factor A.
Seguidamente vamos a calcular analticamente el mximo de esta superficie de
respuesta ajustada. Primeramente vamos ha hallar un punto singular y caracterizarlo
posteriormente. El clculo se va a efectuar anlogamente a como lo hicimos
anteriormente, expresando el modelo ajustado en forma matricial:

y = 0 + x' b + x' Bx

(65)

y aplicando la formula:

1
x s = B 1 b
2
En nuestro caso las matrices que intervienen van a tener los siguientes valores:

4.47 0.90
10.81
x
B
=
x = 1 b =
0.90 0.53

5.34

x2
y el punto estacionario va a resultar en variables codificadas:

0.30
xs =

4.53
que en variables naturales corresponde con el punto:

- 152 -

(66)

 5.30
xs =

10.53
El siguiente paso es caracterizar el punto singular hallado, para lo que bastar con
observar el signo de los coeficientes del modelo expresado en forma cannica (ver
seccin 4.4). Estos coeficientes son los autovalores de la matriz B, y para hallarlos no
hay ms que plantear el determinante:
|B- I| = 0
4.47
0.90

(67)

0.90
=0
0.53

y hallar las races 1 y 2 de la ecuacin de segundo grado resultante, dando como

resultado:

1 = -0.33
2 = -4.67
El modelo en forma cnica queda de la forma:

y = y s 0.33w 21 4.67 w 2 2
al ser los dos autovalores negativos, el punto xs1 = 5.30, xs2 = 10.53 corresponde con un
mximo. Sin embargo, este no es viable ya que ambos valores deberan ser nmeros
enteros. Para nuestros propsitos el punto a considerar deber ser uno de los cuatro
enteros que lo rodean. Cada uno de estos cuatro puntos hay que validarlo, es decir,
comparar el valor real del nivel de servicio con el valor que el modelo nos predice en
cada uno de ellos. Los resultados son los siguientes:
K(0) (Factor A)
5
6
5
6

E (Factor B)
10
10
11
11

Valor Real
93,2531.100
95,0471.099
93,7561.041
96,0620.510

IC (99%)
92.153<>94.353
93.948<>96.146
92.715<>94.797
95.552<>96.572

Valor Predicho
93,184
92,321
93,734
91,071

Tabla 5.39. Validacin puntos singulares.

En la tabla 5.39, por un lado se observa como el nivel de servicio real mejora conforme
aumenta el valor de los parmetros K (0) y E, y por otro lado se aprecia, como los
valores predichos se encuentran lejos del nivel de servicio predeterminado, que
- 153 -

recordemos es del 98%, y como los valores predichos para los puntos (6,10) y (6,11) no
se encuentran dentro de los intervalos de confianza hallados en la simulacin de la lnea
de produccin para estos valores. Dada esta situacin consideramos necesario ajustar un
nuevo modelo en esta zona de la superficie de respuesta real que nos permita movernos
hacia valores del nivel de servicio mayores y ms cercanos al buscado.
Pero antes de ello vamos a realizar una pequea reflexin observando los resultados
obtenidos anteriormente, cuando el nivel de servicio predeterminado era del 100% y los
obtenidos hasta ahora con el nivel de servicio predeterminado del 98%.
Llama la atencin la similitud existente entre el mximo recin hallado y el que se hall
cuando el nivel de servicio predeterminado era del 100%. En aquella ocasin se ajust
un modelo de segundo orden en una regin de experimentacin centrada en el punto
(3,8), presentando un mximo en el punto xs1=5.47, xs2=10.59. Ahora, aunque se haya
partido de una regin centrada en un punto donde el valor del parmetro K (0) es mayor
para evitar el efecto transitorio, se ha llegado prcticamente a la misma zona de la
superficie de respuesta, y al igual que antes, ajustando un modelo de segundo orden.
Los dos parmetros correspondientes al mximo para un nivel de servicio
predeterminado del 98%, xs1 = 5.30, xs2 = 10.53, son ligeramente inferiores, en valor
absoluto, que a los correspondientes al caso de un nivel de servicio predeterminado del
100%. Esto nos hace pensar que las superficies de respuesta pueden ser similares en su
forma, y estar la correspondiente al nivel de servicio predeterminado del 98%
ligeramente por debajo de la correspondiente a un nivel de servicio predeterminado del
100%. Para intentar averiguar esto ltimo vamos a representar en la siguiente tabla los
valores reales medios del nivel de servicio, hallados en las simulaciones para un nivel
de servicio predeterminado del 100%, del 98% y su diferencia.

K(0)
5
6
5
6

E
10
10
11
11

Valor Real (=100%)

93.2531.100
95.1471.136
93.7561.041
96.3010.579

Valor Real (=98%)

93,2531.100
95,0471.099
93,7561.041
96,0620.510

Diferencia valores medios

0
0.1
0
0.239

Tabla 5.40. Comparacin superficies de repuesta para =100% y =98%.

Calculamos los efectos de aumentar el parmetro K (0) y E, as como su interaccin:

K (0) =

E=

0.239 + 0.1 0
= 0.170
2
2

0.239 + 0 .1 + 0

= 0.070
2
2

- 154 -

K (0) E =

0.239 0 0.1 0

= 0.070
2
2

Como se puede observar todos los efectos son positivos, lo que indica que al aumentar
los parmetros la diferencia se hace mayor, en especial si aumentamos el parmetro
K (0), ya que su efecto es mayor. El valor positivo de la interaccin indica que la
diferencia aumenta conforme lo haga el parmetro K (0), y lo har en mayor medida si
el valor de E es mayor. Estos resultados parecen confirmar nuestra suposicin.
Tras este breve parntesis proseguimos con el proceso de bsqueda de la regin de la
superficie de respuesta que proporciones valores ms cercanos a los deseados.
Comenzaremos intentando ajustar un modelo de primer orden. La nueva regin de
experimentacin se va a elegir alrededor del mejor punto de esta serie, que resulta ser el
6, 11, ya que en l el nivel de servicio es el mayor de los cuatro. Se va a tratar de ajustar
un modelo lineal por lo que el nuevo experimento ha de ser con observaciones en el
punto central. Este nuevo experimento se muestra en la siguiente figura:
(7,12)

Factor B

(5,12)

(6,11)

(5,10)

(7,10)
Factor A

Figura 5.8. Regin de experimentacin del segundo experimento con punto central para =98%.

Los nuevos escenarios se muestran en las dos siguientes tablas. En la primera en

variables naturales y en la segunda en variables codificadas:
Escenario
1
2
3
4
5

K(0)
5
7
5
7
6

E
10
10
12
12
11

Tabla 5.41. Escenarios del segundo experimento con punto central para =98%.

- 155 -

Escenario
1
2
3
4
5

K(0)
-1
1
-1
1
0

E
-1
-1
1
1
0

Tabla 5.42. Escenarios del segundo experimento con punto central para =98%.

Los resultados obtenidos en las simulaciones realizadas en estos escenarios han sido:
Escenario Nivel de servicio medio (%) STD Nivel de Servicio WIP medio
1
93.253
2.3395
14.992
2
96.556
1.1587
16.948
3
95.165
1.7170
16.984
4
97.673
0.9200
18.884
5
96.062
1.0847
16.936

STD WIP
0.0070
0.0784
0.0089
0.1894
0.1107

Tabla 5.43. Resultados de las simulaciones de los escenarios del segundo experimento con punto central
para =98%.

El anlisis de varianza de este experimento se muestra en la tabla 5.44:

Termino Efectos
A
2,91
B
1,54
AB
-0,40
Error
Total

SS
253,49
70,75
4,71
344,65
673,60

Porcentaje g.d.l MSS

Fo
Fo Tablas
37,63
1 253,49 107,38
3,91
10,50
1
70,75 29,97
3,91
0,70
1
4,71
2,00
3,91
51,17
146 2,36
100,00
149

Tabla 5.44. Anlisis de varianza del segundo experimento para =98%.

Como se puede observar los dos factores principales son significativos, no siendo as la
interaccin entre ellos, por lo que el modelo ajustado ser el que se muestra a
continuacin:

y = 95.75 + 1.45x1 + 0.77 x2

siempre y cuando pase la batera de pruebas encaminadas a probar su adecuacin. Las
dos primeras pruebas se muestran en la siguiente tabla:

- 156 -

Termino
Modelo
Residual
(Falta de ajuste LOF)
(Error puro)
Total

SS
324,24
349,36
8,36
341,00
673,60

g.d.l MSS
Fo
Fo Tablas
2 162,12 68,22
3,06
147 2,38
2
4,18
1,78
3,06
145 2,35
149

Tabla 5.45. Prueba de significacin y de la falta de ajuste del segundo experimento para =98%.

En la tabla 5.45 se observa que el modelo ajustado pasa la prueba de significacin de

sus coeficientes, as como la de la falta de ajuste. El anlisis grfico de los residuales se
muestra a continuacin:
Respuestas
94,62
96,41
94,38
94,70
94,45
90,07
92,16
90,74
95,02
95,09
89,48
90,87
94,27
90,25
91,94
96,49
93,56
93,45
91,43
95,21
92,06
94,67
96,63
88,69
92,56
96,18
92,81
92,27
94,52
94,64
96,27
96,21
97,42
97,50
96,37
96,57

Prediccin
93,53
93,53
93,53
93,53
93,53
93,53
93,53
93,53
93,53
93,53
93,53
93,53
93,53
93,53
93,53
93,53
93,53
93,53
93,53
93,53
93,53
93,53
93,53
93,53
93,53
93,53
93,53
93,53
93,53
93,53
96,44
96,44
96,44
96,44
96,44
96,44

- 157 -

Residuales
1,09
2,88
0,85
1,17
0,92
-3,46
-1,37
-2,79
1,49
1,57
-4,05
-2,66
0,74
-3,28
-1,59
2,96
0,03
-0,07
-2,10
1,68
-1,47
1,14
3,10
-4,84
-0,97
2,65
-0,72
-1,26
0,99
1,11
-0,17
-0,23
0,98
1,06
-0,06
0,14

96,75
97,21
95,47
96,28
96,98
95,67
98,96
95,11
97,54
96,10
95,88
96,27
92,74
96,13
95,55
95,29
97,37
98,45
97,18
97,19
97,88
97,17
96,95
96,23
93,23
94,85
96,62
97,16
91,14
96,11
94,30
95,88
91,66
95,94
97,30
93,55
97,71
92,89
95,78
95,43
93,99
96,52
95,18
97,48
92,06
95,20
96,63
95,80
95,30
95,03
96,72
94,39
95,71

96,44
96,44
96,44
96,44
96,44
96,44
96,44
96,44
96,44
96,44
96,44
96,44
96,44
96,44
96,44
96,44
96,44
96,44
96,44
96,44
96,44
96,44
96,44
96,44
95,06
95,06
95,06
95,06
95,06
95,06
95,06
95,06
95,06
95,06
95,06
95,06
95,06
95,06
95,06
95,06
95,06
95,06
95,06
95,06
95,06
95,06
95,06
95,06
95,06
95,06
95,06
95,06
95,06

- 158 -

0,32
0,77
-0,97
-0,15
0,54
-0,77
2,52
-1,33
1,10
-0,34
-0,56
-0,17
-3,70
-0,30
-0,88
-1,15
0,94
2,01
0,74
0,75
1,44
0,73
0,51
-0,20
-1,84
-0,21
1,55
2,09
-3,92
1,05
-0,76
0,81
-3,40
0,87
2,24
-1,51
2,65
-2,17
0,72
0,36
-1,07
1,45
0,11
2,41
-3,01
0,14
1,57
0,73
0,24
-0,03
1,66
-0,67
0,65

95,97
98,86
97,94
98,69
98,44
95,76
98,51
95,81
97,91
98,40
97,71
97,18
96,22
96,66
98,46
98,05
98,46
97,42
97,97
97,67
96,69
98,11
98,87
97,54
95,92
98,22
98,64
98,05
97,31
97,23
98,18
94,62
95,83
95,54
95,98
96,36
97,22
96,67
97,53
94,70
96,04
97,23
95,39
97,95
93,98
96,36
94,77
96,49
96,34
94,77
97,19
94,42
95,32

95,06
97,97
97,97
97,97
97,97
97,97
97,97
97,97
97,97
97,97
97,97
97,97
97,97
97,97
97,97
97,97
97,97
97,97
97,97
97,97
97,97
97,97
97,97
97,97
97,97
97,97
97,97
97,97
97,97
97,97
97,97
95,75
95,75
95,75
95,75
95,75
95,75
95,75
95,75
95,75
95,75
95,75
95,75
95,75
95,75
95,75
95,75
95,75
95,75
95,75
95,75
95,75
95,75

- 159 -

0,91
0,88
-0,03
0,72
0,47
-2,21
0,54
-2,17
-0,06
0,43
-0,26
-0,79
-1,75
-1,31
0,48
0,07
0,49
-0,55
0,00
-0,30
-1,28
0,14
0,90
-0,43
-2,05
0,25
0,67
0,07
-0,66
-0,75
0,20
-1,13
0,08
-0,21
0,23
0,61
1,47
0,92
1,78
-1,05
0,29
1,48
-0,36
2,20
-1,77
0,61
-0,98
0,74
0,59
-0,98
1,44
-1,33
-0,43

96,64
97,84
95,42
95,06
97,57
96,85
96,18
95,61

95,75
95,75
95,75
95,75
95,75
95,75
95,75
95,75

0,89
2,09
-0,33
-0,69
1,82
1,10
0,43
-0,14

Tabla 5.46. Residuales del segundo experimento para =98%.

% de probabilidad normal

99
95
90
80
70
50
30
20
10
5

-3.97

-2.47

-0.97

0.53

2.03

Residuales

Grfica 5.18. Probabilidad normal de los residuales del modelo lineal propuesto.

- 160 -

5,00
4,00
3,00
Residuales

2,00
1,00
0,00
-1,0092,00

94,00

96,00

98,00

100,00

-2,00
-3,00
-4,00
-5,00
Nivel de Servicio Predicho

Grfica 5.19. Residuales frente a en el segundo experimento caras para =98%.

5,00
4,00
3,00
Residuales

2,00
1,00
0,00
-1,00 0

50

100

150

-2,00
-3,00
-4,00
-5,00
Orden de Realizacin de la Sim ulacin

Grfica 5.20. Residuales frente al orden de avaluacin del segundo experimento para =98%.

En la grafica de la probabilidad normal los puntos siguen muy aproximadamente una

lnea recta. En esta grafica se observa que puede haber un ligero sesgo hacia los valores
positivas de los residuales, ya que la rama de la derecha es ms amplia que la de la
- 161 -

izquierda, aunque este hecho no implica que se viole la hiptesis de normalidad. En la

grfica en la que se grafican los residuales frente a las respuestas predichas se aprecia
variabilidad de los residuales se pudiera reducir conforme se aumenta el nmero de
tarjetas. Ninguno de estos dos aspectos parece importante, por lo que consideramos que
el modelo se puede considerar adecuado.
El modelo ajustado lo vamos a usar para movernos por la trayectoria de mximo
ascenso a travs de l, para ello vamos a aplicar el mtodo de la mxima pendiente. La
variable con mayor coeficiente de regresin es la x1 por lo que la pendiente de la
trayectoria de mximo ascenso va a venir dada por el cociente 0.77/1.45. Esto significa
que por cada unidad que aumente x1, x2 lo va a hacer en aproximadamente 0.53
unidades. Debido a que el nmero de tarjetas ha de ser un valor entero, el paso que
vamos a escoger para la variable x1 va a ser de dos unidades que corresponden
prcticamente con una unidad de aumento para la variable x2. Estos valores equivalen,
en variables naturales, con aumentos de dos tarjetas para el parmetro K (0) por una
para el parmetro E, respectivamente. En la tabla 5.45 se muestran los puntos de la
trayectoria de mximo descenso y las respuestas halladas a lo largo de ella. En la grfica
5.21 se grafican estas ltimas:

Pasos
Origen

Origen+
Origen+2
Origen+3
Origen+4
Origen+5
Origen+6
Origen+7

Variables codificadas
x1
x2
0
0
2
1
2
1
4
2
6
3
8
4
10
5
12
6
14
7

Variables naturales

6
2
8
10
12
14
16
18
20

11
1
12
13
14
15
16
17
18

Respuestas
Nivel de Servicio
WIP
96,0620.510
16.9360.111
97,7820.339
98,1990.360
98,3430.288
98,4540.256
98,4670.213
99,0680.276
99,0540.278

19.7770.205
22.2830.571
24.5410.827
25.6731.020
24.6831.972
23.0312.601
25.4022.405

Tabla 5.47. Trayectoria de mxima pendiente y repuestas del modelo ajustado.

- 162 -

100

Nivel de Servicio Medio

99

98

97

96

95
0

Pasos

Grfica 5.21. Nivel de servicio medio en la trayectoria de la mxima pendiente.

El nivel de servicio objetivo es el del 98% y el punto sobre la trayectoria de la mxima

pendiente que esta ms prximo a ese nivel, sin rebasarlo, es el correspondiente a un
nmero de tarjetas K (0) = 8 y E = 12, donde el nivel de servicio medio alcanza un
valor del 97,782 %. Tambin se puede apreciar que es el primer punto en el que el valor
del 98% se incluye dentro de su intervalo de confianza. En la grfica 5.21 se puede
apreciar el tpico comportamiento de un sistema Conwip, comentado anteriormente.
Anteriormente se coment que el punto ptimo buscado sera aquel que estuviera lo ms
cerca posible de un nivel de servicio del 98%, y con un inventario lo ms bajo posible.
Con el hallazgo del punto (8,12) pudiera parecer que hemos conseguido nuestro
propsito, sin embargo no podemos afirmar que este sea el nico punto que cumple
estas premisas, por lo que creemos conveniente plantear de nuevo un experimento
centrado en este punto con el fin de ajustar un nuevo modelo que nos permita ajustar
una superficie de respuesta de cuyo anlisis podemos extraer un conocimiento ms
exacto de cmo se comporta el sistema para estos niveles de los parmetros K(0) y E, y
hallar el punto que ms se acerque a nuestros deseos.
El nuevo experimento y los nuevos escenarios se muestran a continuacin:

- 163 -

(9,13)

Factor B

(7,13)

(8,12)

(7,11)

(9,11)
Factor A

Figura 5.9. Regin de experimentacin del tercer experimento con punto central para =98%.

Escenario
1
2
3
4
5

K(0)
7
9
7
9
8

E
11
11
13
13
12

Tabla 5.48. Escenarios del tercer experimento con punto central para =98%.

Escenario
1
2
3
4
5

K(0)
-1
1
-1
1
0

E
-1
-1
1
1
0

Tabla 5.49. Escenarios del tercer experimento con punto central para =98%.

El resultado de las simulaciones ha sido:

Escenario Nivel de servicio medio (%) STD Nivel de Servicio WIP medio STD WIP
1
97.519
0.9610
17.909
0.1268
2
97.763
0.6526
19.691
0.2493
3
97.612
0.6754
19.867
0.1638
4
98.046
0.7027
21.491
0.4064
5
97.782
0.7210
19.777
0.2051
Tabla 5.50. Resultados de las simulaciones de los escenarios del tercer experimento con punto central
para =98%.

- 164 -

El anlisis de varianza arroja el siguiente resultado:

Termino Efectos SS Porcentaje g.d.l
A
0,34
3,45
3,99
1
B
0,16
1,06
1,22
1
AB
0,10
0,27
0,31
1
Error
81,81
94,48
146
Total
86,59
100,00
149

MSS Fo Fo Tablas
3,45 6,16
3,91
1,06 1,89
3,91
0,27 0,48
3,91
0,56

Tabla 5.51. Anlisis de varianza del tercer experimento con punto central para =98%.

El resultado obtenido muestra que slo el factor A es significativo. Esto significa que el
modelo lineal que pretendemos ajustar sera, en variables codificadas, de la forma:

y = 97.74 + 0.17 x1
Veamos a continuacin si este modelo pasa las pruebas de adecuacin. Las pruebas de
significacin y de falta de ajuste se muestran en la tabla 5.52:
Termino
SS g.d.l MSS Fo Fo Tablas
Modelo
3,45
1
3,45 6,14
3,91
Residual
83,14 148 0,56
(Falta de ajuste LOF) 1,38
3
0,46 0,82
2,67
(Error puro)
81,76 145 0,56
Total
86,59 149
Tabla 5.52. Prueba de significacin y de la falta de ajuste del tercer experimento para =98%.

El modelo lineal propuesto supera las pruebas de significacin y la de falta de ajuste. A

continuacin se muestran los resultados del anlisis grfico de los residuales:
Respuestas
98,90
97,41
98,35
98,19
97,17
98,52
95,41
96,74
98,44
97,09
98,14

Prediccin
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57

- 165 -

Residuales
1,33
-0,16
0,77
0,62
-0,41
0,95
-2,16
-0,84
0,86
-0,48
0,56

97,60
97,23
98,04
96,96
96,22
98,20
96,97
97,17
97,30
97,68
97,66
95,18
98,19
97,78
97,76
98,26
98,02
98,38
97,57
98,71
98,52
97,71
98,26
98,20
97,90
96,65
96,28
98,39
97,29
97,50
98,18
98,12
97,44
98,05
98,33
98,09
97,36
97,52
97,56
97,64
97,94
98,73
97,35
97,99
97,81
98,26
98,03
97,14
95,97
97,47
98,21
97,90
98,27

97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,57
97,57
97,57
97,57

- 166 -

0,03
-0,34
0,47
-0,61
-1,35
0,63
-0,61
-0,40
-0,28
0,11
0,09
-2,39
0,62
0,20
0,18
0,68
0,45
0,81
0,00
0,80
0,61
-0,20
0,34
0,28
-0,02
-1,27
-1,63
0,47
-0,62
-0,42
0,26
0,21
-0,47
0,13
0,41
0,18
-0,55
-0,40
-0,36
-0,28
0,03
0,82
-0,57
0,08
-0,11
0,35
0,12
-0,77
-1,94
-0,11
0,64
0,32
0,70

97,80
97,87
96,76
97,72
98,62
97,06
97,17
97,66
97,74
97,83
97,69
98,91
97,81
97,19
96,65
96,29
97,88
98,45
98,68
97,64
97,62
96,79
97,71
97,97
96,79
96,22
98,18
97,94
98,77
98,02
96,27
98,13
97,30
98,59
98,30
98,81
97,93
98,31
98,85
98,27
98,87
96,38
98,42
98,63
97,65
97,16
98,20
97,64
98,46
98,97
97,65
96,74
97,84

97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,57
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91
97,91

- 167 -

0,22
0,30
-0,82
0,15
1,04
-0,52
-0,40
0,09
0,16
0,25
0,11
1,33
0,24
-0,38
-0,92
-1,29
0,31
0,88
1,10
0,06
0,04
-0,78
0,13
0,40
-0,78
-1,36
0,27
0,02
0,86
0,11
-1,64
0,22
-0,61
0,68
0,39
0,90
0,02
0,39
0,94
0,36
0,96
-1,53
0,50
0,72
-0,26
-0,75
0,28
-0,28
0,54
1,05
-0,26
-1,18
-0,07

98,53
98,31
98,26
97,96
98,26
97,80
98,91
97,24
97,80
96,68
97,00
98,24
96,49
96,67
99,00
97,61
97,92
97,40
98,24
96,64
96,91
98,53
97,76
97,49
98,56
97,90
98,91
97,68
98,01
97,74
98,98
97,87
97,26

97,91
97,91
97,91
97,74
97,74
97,74
97,74
97,74
97,74
97,74
97,74
97,74
97,74
97,74
97,74
97,74
97,74
97,74
97,74
97,74
97,74
97,74
97,74
97,74
97,74
97,74
97,74
97,74
97,74
97,74
97,74
97,74
97,74

0,61
0,40
0,34
0,21
0,51
0,05
1,17
-0,50
0,06
-1,06
-0,74
0,49
-1,26
-1,08
1,26
-0,14
0,17
-0,35
0,49
-1,11
-0,84
0,79
0,02
-0,25
0,82
0,16
1,16
-0,06
0,26
0,00
1,24
0,12
-0,49

Tabla 5.53. Residuales del tercer experimento para =98%.

- 168 -

99

% de probabilidad normal

95
90
80
70
50
30
20
10
5

-3.16

-2.04

-0.91

0.21

1.33

Residuales

Grfica 5.22. Probabilidad normal de los residuales del modelo lineal propuesto.

3,00

Residuales

2,00
1,00
0,00
97,50
-1,00

98,00

-2,00
-3,00
Nivel de Servicio Predicho
Grfica 5.23. Residuales frente a en el tercer experimento caras para =98%.

- 169 -

3,00

Residuales

2,00
1,00
0,00
0

50

100

150

-1,00
-2,00
-3,00
Orden de Realizacin de la Sim ulacin

Grfica 5.24. Residuales frente al orden de avaluacin del tercer experimento para =98%.

En la grfica de la probabilidad normal se observa que los puntos siguen una lnea recta
con mayor dificultad que en los casos anteriores. Tambin se observa que la rama
derecha es ms larga que la izquierda, lo que puede significar que existe un ligero sesgo
hacia los valores positivos de los residuales. Ninguno de los dos aspectos anteriores
hace pensar que no se cumple la hiptesis de normalidad. En las otras dos graficas que
forman parte del anlisis de los residuales no se aprecia ningn patrn que haga pensar
que el modelo ajustado no es adecuado, por lo que el modelo se considera satisfactorio.
El modelo ajustado slo depende del factor A y podemos seguir la trayectoria de la
mxima pendiente aumentando su valor. El paso va a ser de una unidad, lo que
corresponde con una tarjeta en las variables naturales, y el origen va a ser el centro de la
regin de experimentacin. Como se puede ver en la tabla 5.54, en el primer paso ya
sobrepasamos el lmite impuesto para el nivel de servicio, por lo que vamos a detener
nuestra bsqueda en este punto y por consiguiente en esta regin de experimentacin.

K(0) (Factor A)
8
9
10

E (Factor B)
12
12
12

Nivel de Servicio
97.7820.339
98.0810.266
98.0980.366

WIP
19.7770.205
20.6010.324
21.4970.247

Tabla 5.54. Respuestas en la trayectoria de la mxima pendiente.

- 170 -

Hasta ahora, todos los experimentos realizados han tenido como objeto buscar la
combinacin de K (0) y E que ofreciera un nivel de servicio ms cercano al
predeterminado, que en nuestro caso ha sido el 98%. Aplicando la metodologa RSM, se
parti del punto (5,6), con un nivel de servicio medio del 81.9391.282 %, y se ha
llegado al (8,12) con un nivel de servicio medio del 97.7820.339 %. En este punto de
la experimentacin, parece ser que hemos conseguido encontrar una superficie de
respuesta que se ajusta adecuadamente a la real en las inmediaciones de los diferentes
puntos que ofrecen un nivel de servicio muy prximo al predeterminado, pero
desconocemos cual de ellos es el que ofrece un inventario en proceso menor. El
siguiente paso que se va a seguir va a ser el de tratar de ajustar un modelo que nos
ofrezca una superficie de respuesta suficientemente ajustada a la real en esta regin,
aunque esta vez, examinando el WIP como respuesta. Una vez sepamos como se
comporta el WIP en esta regin, estaremos en condiciones de elegir el punto idneo.
La regin de experimentacin y los experimentos van a ser los mismos que se han
mostrado en la figura 5.9 y en las tablas 5.48 y 5.49. El WIP obtenido en estos
escenarios se mostr en la tabla 5.50.
El anlisis de varianza se muestra a continuacin:
Termino Efectos
SS
Porcentaje g.d.l MSS
Fo
Fo Tablas
A
1,70
86,98
43,03
1
86,98 1396,90
3,91
B
1,88 105,89
52,38
1 105,89 1700,57
3,91
AB
0,19
0,19
0,09
1
0,19
2,99
3,91
Error
9,09
4,50
146 0,06
Total
202,15
100,00
149
Tabla 5.55. Anlisis de varianza del experimento con punto central y WIP como respuesta para =98%.

Los dos factores principales resultan significativos, no siendo as la interaccin entre

ellos. Por tanto, el modelo de primer orden ajustado ser como se muestra a
continuacin:

y = 19.75 + 0.85x1 + 0.94 x2

Como es habitual, a continuacin sometemos al modelo a las pruebas encaminadas a
probar su adecuacin. En la tabla 5.56 se muestran la de significacin la de los
coeficientes y la de la prueba de ajuste:

- 171 -

Termino
SS
g.d.l MSS
Fo
Fo Tablas
Modelo
192,88 2
96,44 1528,04
3,06
Residual
9,28 147 0,06
(Falta de ajuste LOF) 0,22
2
0,11
1,77
3,06
(Error puro)
9,06 145 0,06
Total
202,15 149
Tabla 5.56. Prueba de significacin y de la falta de ajuste del experimento con WIP como respuesta para
=98%.

Estas dos pruebas las pasa el modelo ajustado, ya slo queda esperar que pase el anlisis
grfico de los residuales que se muestra a continuacin:
Respuestas
17,66
17,98
17,88
17,98
17,86
17,97
17,99
17,59
17,98
17,99
17,99
17,84
17,91
17,99
17,90
17,82
17,50
17,88
17,98
17,98
17,91
17,99
17,99
17,99
17,99
17,80
17,99
17,99
17,98
17,98
19,62
19,80
19,84
19,48

Prediccin
17,96
17,96
17,96
17,96
17,96
17,96
17,96
17,96
17,96
17,96
17,96
17,96
17,96
17,96
17,96
17,96
17,96
17,96
17,96
17,96
17,96
17,96
17,96
17,96
17,96
17,96
17,96
17,96
17,96
17,96
19,66
19,66
19,66
19,66

- 172 -

Residuales
-0,30
0,03
-0,07
0,03
-0,09
0,01
0,04
-0,36
0,03
0,03
0,03
-0,12
-0,04
0,03
-0,06
-0,14
-0,46
-0,08
0,03
0,02
-0,04
0,03
0,03
0,03
0,03
-0,16
0,03
0,03
0,02
0,03
-0,04
0,14
0,18
-0,18

19,38
19,94
19,88
19,69
19,45
19,63
19,76
19,79
18,89
19,94
19,80
19,99
19,99
19,98
19,92
19,72
19,40
19,42
19,58
19,33
19,98
19,75
19,76
19,68
19,56
19,79
19,74
19,87
19,92
19,85
19,64
19,96
19,99
19,76
19,97
19,98
19,98
19,84
19,80
19,98
19,99
19,98
19,83
19,99
19,97
19,81
19,89
19,98
19,65
19,98
19,98
19,79
19,68

19,66
19,66
19,66
19,66
19,66
19,66
19,66
19,66
19,66
19,66
19,66
19,66
19,66
19,66
19,66
19,66
19,66
19,66
19,66
19,66
19,66
19,66
19,66
19,66
19,66
19,66
19,83
19,83
19,83
19,83
19,83
19,83
19,83
19,83
19,83
19,83
19,83
19,83
19,83
19,83
19,83
19,83
19,83
19,83
19,83
19,83
19,83
19,83
19,83
19,83
19,83
19,83
19,83

- 173 -

-0,28
0,28
0,22
0,03
-0,21
-0,03
0,10
0,13
-0,76
0,28
0,14
0,33
0,33
0,32
0,26
0,06
-0,26
-0,24
-0,07
-0,33
0,32
0,09
0,11
0,02
-0,10
0,13
-0,10
0,04
0,09
0,01
-0,19
0,13
0,15
-0,08
0,14
0,15
0,15
0,00
-0,04
0,15
0,15
0,15
-0,01
0,16
0,14
-0,03
0,06
0,15
-0,19
0,15
0,15
-0,05
-0,15

19,24
19,98
19,98
21,51
21,86
21,53
21,78
21,48
21,00
21,55
21,40
21,30
21,48
20,65
21,96
21,68
21,98
21,61
21,99
21,99
20,89
20,90
21,77
21,96
21,39
21,85
21,99
21,38
21,87
21,70
21,44
21,12
21,21
19,99
19,36
19,98
19,75
19,84
19,94
19,65
19,92
19,49
19,90
19,76
19,97
19,77
19,92
19,98
19,53
19,82
19,99
19,17
19,76

19,83
19,83
19,83
21,54
21,54
21,54
21,54
21,54
21,54
21,54
21,54
21,54
21,54
21,54
21,54
21,54
21,54
21,54
21,54
21,54
21,54
21,54
21,54
21,54
21,54
21,54
21,54
21,54
21,54
21,54
21,54
21,54
21,54
19,75
19,75
19,75
19,75
19,75
19,75
19,75
19,75
19,75
19,75
19,75
19,75
19,75
19,75
19,75
19,75
19,75
19,75
19,75
19,75

- 174 -

-0,60
0,14
0,14
-0,03
0,32
0,00
0,24
-0,05
-0,53
0,01
-0,14
-0,24
-0,06
-0,89
0,43
0,14
0,44
0,07
0,45
0,45
-0,65
-0,64
0,24
0,42
-0,15
0,32
0,45
-0,16
0,33
0,17
-0,10
-0,42
-0,33
0,24
-0,38
0,24
0,00
0,09
0,20
-0,10
0,17
-0,26
0,16
0,02
0,22
0,02
0,17
0,24
-0,21
0,08
0,24
-0,57
0,01

19,46
19,92
19,62
19,81
19,75
19,85
19,98
19,89
19,86
19,67

19,75
19,75
19,75
19,75
19,75
19,75
19,75
19,75
19,75
19,75

-0,28
0,18
-0,13
0,06
0,00
0,10
0,23
0,14
0,11
-0,07

Tabla 5.57. Residuales del experimento con WIP como respuesta para =98%.

% de probabilidad normal

99
95
90
80
70
50
30
20
10
5

-1.05

-0.67

-0.30

108

0.45

Residuales

Grfica 5.25. Probabilidad normal de los residuales del modelo lineal propuesto.

- 175 -

1,00

Residuales

0,50

0,00
17,00

22,00

-0,50

-1,00
WIP Predicho
Grfica 5.26. Residuales frente a en el experimento con WIP como respuesta para =98%.

1,00

Residuales

0,50

0,00
0

50

100

150

-0,50

-1,00
Orden de Realizacin de la Sim ulacin
Grfica 5.27. Residuales frente al orden de avaluacin del experimento con WIP como respuesta para =98%.

La grafica de la probabilidad normal muestra que los puntos siguen aproximadamente

una lnea recta, aunque con algo de dificultad. Tambin se observa que la rama de la
derecha es algo ms larga que la de la izquierda, lo que puede indicar que existe algo de
sesgo hacia los valores positivos de los residuales. Las otras dos grficas no muestran
- 176 -

que los puntos sigan patrn alguno. Ninguno de los aspectos comentados nos hace
pensar que no se cumple la hiptesis de normalidad para el error ni que los residuales
tengan relacin con la respuesta o el orden de realizacin de las simulaciones, por lo que
damos por adecuado el modelo.
Los dos modelos de primer orden obtenidos se muestran en la tabla siguiente, tanto en
variables codificadas, como en variables naturales:
Respuesta
Nivel de Servicio
WIP

Modelo ajustado

y = 97.74406 + 0.16959x1
y = 96.38734 + 0.169591

Variables codificadas
Variables naturales
Variables codificadas
Variables naturales

y = 19.74774 + 0.85139x1 + 0.93939x2

y = 1.66302 + 0.851391 + 0.93939 2

Tabla 5.58. Modelos ajustados.

En el proceso objeto de estudio slo intervienen dos factores, el parmetro K (0) y el E.

Esto significa que las superficies de respuesta tienen tres dimensiones y su proyeccin
dos, por lo que su representacin es inmediata. Recordemos que las proyecciones de una
superficie de respuesta sobre el plano definido por dos de sus factores, daba lugar a las
grficas de contornos (ver el apartado 4.4). Los contornos se representan por curvas que
unen puntos con el mismo valor de respuesta, de la misma manera que en un mapa
topogrfico las curvas de nivel unen puntos de igual cota. El uso de estas grficas va a
permitir el uso del mtodo de optimizacin por superposicin de las graficas de
contornos. El uso de este mtodo grfico es indicado en problemas de optimizacin
multirespuesta en los que intervienen un nmero pequeo de factores, como es nuestro
caso. Nosotros estamos interesados en encontrar una combinacin de los parmetros K
(0) y E que permitan funcionar a la lnea de produccin objeto de estudio con un nivel
de servicio lo ms cercano posible al 98% y con el menor inventario en proceso posible.
Por medio de la superposicin de las graficas de contorno vamos a poder hacernos una
idea muy aproximada de cmo son las superficies de respuestas para el nivel de servicio
y para el WIP, y poder escoger de un modo fcil e intuitivo, la combinacin o
combinaciones de estos parmetros que ms se aproximen a nuestras necesidades.
Las superficies de respuesta encontradas las podemos observar en las grficas 5.28 y
5.29:

- 177 -

Grfica 5.28. Superficie de respuesta para el nivel de servicio.

Grfica 5.29. Superficie de respuesta para el WIP.

Las graficas de contornos obtenidas, proyectando ambas superficies de respuesta sobre

el plano K (0)-E, se muestran a continuacin:
- 178 -

Nivel de Servicio
14

97,46
97,57
97,69
97,80
97,91
98,03
98,08
97,52
97,63
97,74
97,86
97,97

E (Factor B)

13

12

11

10
6

10

K(0) (Factor A)
Grfica 5.30. Grfica de contorno de la superficie de respuesta para el nivel de servicio.

WIP
14
22.832

E (Factor B)

13
22.177
21.546

12

20.941

11

20.343

16.666

10
6

17.293

17.959

18.553

19.150

19.747

10

K(0) (Factor A)
Grfica 5.31. Grfica de contorno de la superficie de respuesta para el WIP.

Superponiendo ambas obtenemos la siguiente grfica:

- 179 -

Nivel de Servicio - WIP

14

97,46
97,57
97,69
97,80
97,91
98,03
98,08
97,52
97,63
97,74
97,86
97,97
22.832

E (Factor B)

13
22.177
21.546

12

20.941

11

20.343

16.666

10
6

17.293

17.959

18.553

19.150

19.747

10

K(0) (Factor A)
Grfica 5.32. Superposicin de las grficas de contorno de las superficies de respuesta.

En la grfica 5.32 los puntos rojos son los escenarios en los que se han realizado las
simulaciones y sobre los que se han ajustado ambas superficies de respuesta.
Observando la grfica de superposicin observamos que el mayor valor del parmetro
K (0) admisible es el correspondiente a 9 tarjetas. Por la forma de los contornos azules,
los correspondientes al WIP, se observa que el inventario disminuye en el sentido
decreciente del parmetro E para un valor fijo de K (0). Segn esto, la mejor
combinacin que se obtiene dentro de la regin de experimentacin es la K (0) = 9 y E =
11. Sin embargo, si acabamos aqu el anlisis de esta grfica corremos el riesgo de no
tener en cuenta otros puntos que pueden dar mejores resultados que el anterior. Lo
primero que se nos plantea es seguir el contorno K (0) = 9 (lnea naranja vertical) en
sentido descendente de E y estudiar el valor real en los puntos (9,10), (9,9), (9,8), y
sucesivos, hasta que ya no cumplan los objetivos fijados. Esta forma de operar es
anloga a la empleada en el mtodo de la mxima pendiente, solo que en este caso no se
va a seguir la trayectoria en la que la respuesta tiene un aumento mximo, si no aquella
en la que se cumple una determinada caracterstica como es la de tener un valor
constante del nivel de servicio. Otro puntos a considerar serian los contenidos en el
contorno K (0) = 10. Si observamos los modelos que se han ido ajustando para el nivel
de servicio hasta llegar a este ltimo vemos que los anteriores dependan de los dos
factores, lo que significa que los contornos fuera de la ltima regin de experimentacin
deben de ir perdiendo su paralelismo con el eje del factor E. Esto quiere decir que el
nivel de servicio en el punto (10,9) y sucesivos, puede que sea inferior al 98%, por lo
que tenemos que comprobar su valor real. Por este mismo motivo tambin vamos a
comprobar el valor real en el contorno K (0) = 8. En la tabla siguiente se muestran los
- 180 -

resultados que ofrecen las simulaciones de la lnea de produccin para los puntos
candidatos:

K(0)
10
10
10
9
9
9
9
8
8
8

E
9
8
7
11
10
9
8
12
11
10

Nivel de Servicio
97.9290.358
97.8260.428
96.7340.577
97.7630..307
97.9240.342
97.5520.371
96.7060.516
97.7820.339
98.1260.263
97.4240.456

IC (99%)
97.571<>98.287
97.398<>98.254
96.157<>97.311
97.456<>98.070
97.582<>98.266
97.181<>97.923
96.190<>97.222
97.443<>98.121
97.863<>98.389
96.968<>97.880

WIP
18.6760.146
17.7900.093
16.8520.134
19.6910.117
18.7090.157
17.7760.096
16.8720.076
19.7770.096
18.7790.114
17.8040.087

Tabla 5.59. Comparacin de combinaciones candidatas.

En todos los experimentos y comparaciones que se han realizado hasta este momento
los valores que se han utilizado han sido valores medios y no ha sido necesario estudiar
los intervalos de confianza. Si al analizar la tabla anterior, slo nos fijamos en el nivel
de servicio medio, la combinacin que satisface los criterios de bsqueda sera la
(10,9), ya que su nivel de servicio medio sera el ms prximo al 98% y al no haber otra
combinacin con ese mismo valor, ni siquiera tendramos que comparar distintos
valores para el WIP. Sin embargo la informacin que nos ofrecen los intervalos de
confianza no podemos pasarla por alto ya que corremos el riesgo de no tener en cuenta
soluciones admisibles. A estas alturas de la experimentacin necesitamos afinar los
criterios de bsqueda usados hasta ahora. A partir de este momento consideraremos
como solucin admisible aquella cuyo nivel de servicio pueda tomar el valor del 98%
dentro de su intervalo de confianza. Con este criterio el valor que tome el WIP va a ser
decisivo, porque, de todas las soluciones admisibles escogeremos aquella que tenga
menor WIP medio.
La tabla 5.59 se puede dividir en tres grupos de resultados segn el valor del parmetro
K (0). Para cada uno de estos grupos los valores escogidos segn el criterio anterior son
los siguientes:
K(0)
10
9
8

E
8
10
11

Nivel de Servicio
97.8260.428
97.9240.342
98.1260.263

IC (99%)
97.398<>98.254
97.582<>98.266
97.863<>98.389

Tabla 5.60. Seleccin de soluciones admisibles.

- 181 -

WIP
17.7900.093
18.7090.157
18.7790.114

De estas tres combinaciones la mejor segn el criterio empleado es la (10,8). Tiene el

menor inventario en proceso y en su intervalo de confianza se puede alcanzar un nivel
de servicio del 98%. Sin duda es candidata a ser la combinacin ptima buscada, pero si
observamos estas tres combinaciones podemos apreciar tres importantes caractersticas.
Una es que el WIP tiende a disminuir conforme disminuye el parmetro E y aumenta K
(0), otra que el nivel de servicio medio disminuye en este mismo sentido y por ltimo,
que el tamao de los intervalos de confianza lo hace en sentido contrario al anterior. Si
estos tres puntos de la tabla 5.59 los representamos en el plano K (0)-E, podemos
observar como estn prcticamente alineados.

13

12

E (Factor B)

11

10

8
7

10

11

K(0) (Factor A)
Grfica 5.33. Combinaciones candidatas y posible direccin de optimizacin.

A la vista de los indicios que se extraen de la observacin de los resultados mostrados

en la tabla 5.60, uno se pregunta si los puntos que se encuentran en la direccin
representada por una flecha verde en la grfica 5.33 no pueden ser soluciones
admisibles y alguna de ellas ser la ptima buscada. En la tabla siguiente se representan
los puntos candidatos a lo largo de esta trayectoria, junto a los valores del nivel de
servicio, intervalo de confianza y el inventario en proceso:

- 182 -

K(0)
11
11
11
12
12
12
13
13
14
14
15
15
16
16
17
17
18
18

E
8
7
6
7
6
5
5
4
4
3
3
2
2
1
1
0
1
0

Nivel de Servicio
98,1170,193
97,8280,378
96.7050.549
98,0740,286
97,6720,444
96.6770.581
97,7260,404
96,7020,523
97,8800,303
96,5230,530
97,7760,391
96,8220,500
98,0690,329
97,1390,577
97,8910,496
97,0800,592
98,8210,340
98,4570,564

IC (99%)
97.924<>98.310
97.450<>98.206
96.156<>97.254
97.788<>98.360
97.228<>98.116
96.096<>97.258
97.322<>98.130
96.179<>97.225
97.577<>98.183
95.993<>97.053
97.385<>98.167
96.322<>97.322
97.740<>98.398
96.562<>97.716
97.395<>98.387
96.488<>97.672
98.481<>99.161
97.893<>99.021

WIP
18.7060.136
17.7980.093
16.8150.101
18.6710.140
17.6600.153
16.8610.063
17.4390.311
16.7220.158
17.3300.284
16.7700.115
17.1710.305
16.6140.192
17.4080.258
16.7210.144
17.6260.497
17.0040.001
18.4710.200
18.0020.001

Tabla 5.61. Segunda seleccin de soluciones admisibles.

En la tabla 5.61 las filas sombreadas son las correspondientes a las mejores soluciones
admisibles por cada valor de K (0). Casi todas ellas tiene menor inventario en proceso
que la combinacin (10,8) mostrada en la tabla 5.60, y de todas ellas la que muestra un
menor valor para este parmetro es la (15,3), con un WIP medio de 17.171.
Para cada uno de los valores del parmetro K (0), si aumentamos el parmetro E,
aumenta el inventario en proceso, por lo que, aun siendo soluciones admisibles, estas
serian peores que las mostradas en las tablas 5.60 y 5.61, por lo que podemos afirmar
que tras todo el proceso seguido la combinacin K (0)-E ptima es la (15,3).
Una caracterstica que cumplen todas las soluciones admisibles con mnimo WIP, es que
la suma de los dos parmetros es igual a 18, excepto para las combinaciones (9,10) y
(8,11) que suman 19.
Para demostrar que la combinacin (15,3) es la ptima se ha realizado una bsqueda
exhaustiva con todas las combinaciones razonables para el sistema objeto de estudio.
Las tablas 5.62, 5.63 y 5.64 muestran el nivel de servicio medio, los intervalos de
confianza para el nivel de servicio y el inventario en proceso respectivamente:

- 183 -

K(0)

Nivel de Servicio Medio

6,211
45,659

27,548

70,414

58,520

44,031

15,897

83,249

76,002

70,425

56,984

33,485

86,059

83,084

75,570

68,568

46,526

90,820

85,710

83,131

73,777

57,570

92,873

90,898

85,716

81,939

64,594

94,493

93,133

90,305

84,251

71,948

95,324

94,471

92,691

89,105

75,379

96,399

95,315

94,355

91,501

80,226

97,924

97,424

96,556

95,047

93,253

82,338

10

97,763

98,126

97,519

96,062

93,756

83,825

11

98,081

97,782

97,673

97,202

95,165

85,133

12

98,046

98,048

97,612

97,850

96,652

86,684

13

5
29,128
58,634
75,662

97,552

6
45,973
70,731

96,706

7
59,156

95,324

- 184 -

94,849

98,349

93,415

98,167

98,209

91,178

98,068

98,166

98,205

86,227

98,132

98,188

98,210

83,607

97,911

98,137

98,204

98,413

76,003

98,117

98,009

98,211

98,509

98,401

70,908

97,828

97,596

98,309

98,220

98,299

96,705

98,074

98,116

98,339

98,275

98,199
95,639

97,670

97,772

98,147

98,277

98,098
94,761

96,677

98,124

98,166

98,309

98,546

98,172

93,303

95,404

97,726

97,829

98,214

98,539

98,511

97,674

91,002

94,592

96,702

98,078

98,342

98,359

98,622

99,065

97,929

86,095
93,187

95,510

97,880

98,005

98,363

98,599

99,026

97,826

83,749
91,043
94,939

96,523

98,066

98,308

98,545

98,919

96,734

11
86,440
93,545

95,493

97,776

98,119

98,527

99,106

95,266

12
91,205
95,042

96,822

98,345

98,474

98,854

94,853

13
93,589
96,097

98,069

98,043

98,792

98,975

93,371

14
95,238

97,139

98,161

98,872

98,871

90,724

15
95,968

97,891

98,693

98,700

86,204

16

97,080

98,821

98,814

83,747

17

98,457

98,506

75,660

18

98,801

10

19

Tabla 5.62.Bsqueda exhaustiva. Nivel de servicio medio.

K(0)

IC (99%) para el Nivel de Servicio

15

14

13

12

11

10

94,976<>96,960

94,244<>96,232

92,623<>94,555

89,966<>94,426

84,962<>87,918

82,529<>84,969

74,009<>77,311

69,387<>72,429

57,198<>61,114

44,336<>47,610

26,890<>31,366

4,066<>8,356

97,395<>98,387

96,562<>97,716

95,298<>96,896

94,081<>96,003

92,636<>94,454

89,724<>92,362

84,500<>87,690

82,609<>84,885

74,537<>77,469

69,131<>72,331

56,605<>60,663

43,967<>47,351

25,049<>30,047

98,247<>99,139

97,879<>98,443

97,740<>98,398

96,322<>97,322

94,500<>96,486

94,040<>95,838

92,168<>94,206

89,809<>92,195

84,552<>87,856

82,509<>84,705

74,193<>77,131

68,704<>72,124

56,876<>60,164

42,066<>45,996

12,477<>19,497

98,360<>99,040

98,531<>99,213

97,656<>98,460

98,125<>98,565

97,385<>98,167

95,993<>97,053

94,574<>96,446

93,566<>95,618

92,457<>94,149

89,380<>92,068

84,716<>87,738

81,948<>84,550

74,491<>77,980

68,870<>71,980

54,898<>59,070

30,581<>36,389

98,565<>99,177

98,346<>99,238

98,237<>98,711

97,816<>98,422

97,797<>98,335

97,577<>98,183

96,179<>97,225

94,370<>96,438

93,839<>95,683

92,465<>94,277

89,813<>92,546

84,450<>87,668

81,852<>84,316

73,891<>77,249

66,605<>70,531

44,015<>49,037

98,776<>99,174

98,447<>99,261

98,295<>98,759

97,945<>98,671

97,579<>98,431

97,737<>98,419

97,322<>98,130

96,096<>97,258

94,751<>96,527

93,902<>95,804

92,408<>94,422

89,545<>92,095

84,194<>87,226

81,974<>84,288

72,221<>75,333

54,821<>60,319

98,858<>99,354

98,296<>98,794

98,157<>98,569

98,147<>98,537

98,396<>98,262

97,861<>98,387

97,228<>98,116

96,156<>97,254

94,233<>96,299

93,996<>95,702

92,003<>93,743

89,500<>92,296

84,160<>87,272

80,657<>83,221

62,205<>62,205

16

96,488<>97,672

98,481<>99,161

98,522<>99,106

17

97,893<>99,021

97,934<>99,078

18

98,505<>99,097

19

- 185 -

98,585<>99,253

98,366<>98,832

98,113<>98,605

97,902<>98,526

97,866<>98,466

97,515<>98,029

97,788<>98,360

97,450<>98,206

96,157<>97,311

94,329<>96,319

93,496<>95,490

92,226<>94,040

88,948<>91,662

82,775<>85,727

69,820<>74,076

98,747<>99,305

98,430<>98,814

98,333<>98,745

98,067<>98,551

97,759<>98,535

97,913<>98,319

97,230<>97,962

97,924<>98,310

97,398<>98,254

96,190<>97,222

94,244<>96,404

93,586<>95,356

91,865<>93,517

87,486<>90,724

73,491<>77,267

98,802<>99,328

98,306<>98,716

98,359<>98,733

98,030<>98,524

98,088<>98,590

98,075<>98,543

97,748<>98,270

97,647<>98,175

97.571<>98.287

97,181<>97,923

95,818<>96,980

94,372<>96,258

93,439<>95,271

90,393<>92,609

77,797<>82,655

98,011<>98,539

97,915<>98,525

97,982<>98,440

97,901<>98,373

97,775<>98,489

97,390<>97,958

97.582<>98.266

96,968<>97,880

96,011<>97,101

93,948<>96,146

92,153<>94,353

80,392<>84,284

10

98,032<>98,566

98,322<>98,696

97,961<>98,447

97,890<>98,486

97,677<>98,459

97,833<>98,511

97,456<>98,070

97.863<>98.389

97,067<>97,971

95,552<>96,572

92,715<>94,797

81,814<>85,836

11

98,169<>98,633

98,163<>98,663

97,929<>98,491

97,884<>98,448

97,954<>98,380

97,762<>98,434

97,815<>98,347

97,443<>98,121

97,240<>98,106

96,656<>97,748

94,359<>95,973

83,054<>87,212

12

97,947<>98,463

97,895<>98,523

98,041<>98,657

97,839<>98,559

97,716<>98,376

97,726<>98,370

97,294<>97,930

97,532<>98,168

95,958<>97,346

85,070<>88,298

13

Tabla 5.63.Bsqueda exhaustiva. Intervalos de confianza del nivel de servicio.

- 186 -

K(0)

WIP medio

4,976
7,021

6,009

9,053

8,021

7,021

6,003

10,997

10,015

9,019

8,020

7,019

11,987

11,010

10,014

9,021

8,020

12,977

12,006

11,007

10,017

9,022

13,970

12,998

12,004

11,011

10,019

14,953

13,990

12,996

12,007

11,014

15,921

14,980

13,991

13,001

12,010

16,912

15,969

14,981

13,996

13,005

18,709

17,804

16,948

15,967

14,992

14,001

10

19,691

18,779

17,909

16,936

15,988

14,996

11

20,601

19,777

18,884

17,905

16,984

15,992

12

21,491

20,660

19,867

18,936

17,962

16,988

13

5
6,011
8,022
10,009

17,776

6
7,023
9,018

16,872

7
8,023

15,927

- 187 -

14,967

22,765

13,980

22,212

23,602

12,989

21,275

22,658

23,640

12,002

20,351

21,911

23,206

11,007

19,623

21,127

22,195

23,405

10,017

18,706

20,216

21,648

22,707

22,933

9,023

17,798

19,520

20,659

21,684

22,069

16,815

18,671

19,935

21,137

21,657

22,283
15,885

17,660

19,276

20,505

21,133

21,497
14,927

16,861

18,498

19,673

20,315

21,199

20,620

13,966

15,883

17,439

19,227

19,995

20,533

21,572

19,593

12,984

14,916

16,722

18,249

19,284

19,937

21,066

20,715

18,676

12,002
13,962

15,863

17,330

18,701

19,819

20,692

20,417

17,790

11,018
12,988
14,909

16,770

18,031

19,303

20,276

20,060

16,852

11
12,015
13,966

15,856

17,171

18,723

19,876

20,145

15,940

12
13,011
14,931

16,614

17,883

19,150

19,805

14,939

13
14,009
15,793

17,408

18,768

19,449

20,465

13,968

14
15,007

16,721

18,351

19,093

20,315

12,982

15
16,005

17,626

18,839

19,962

11,992

16

17,004

18,471

19,631

11,008

17

18,002

19,386

10,022

18

19,002

10

19

Tabla 5.64.Bsqueda exhaustiva. Inventario en proceso.

Los valores remarcados en azul en la tabla 5.63 son las soluciones admisibles ms
favorables. En la tabla 5.64 se remarca el inventario en proceso asociado a cada uno de
los valores anteriores. Observando los resultados se puede observar que los mejores
resultados se obtienen con la combinacin (15,3), que coincide con la encontrada
anteriormente.
Los datos recogidos en la bsqueda exhaustiva se han utilizado para representar las
superficies de respuesta real correspondientes al nivel de servicio medio y al inventario
en proceso:

Grfica 5.34. Superficie de respuesta real del nivel de servicio medio.

Grfica 5.35. Superficie de respuesta real del inventario en proceso.

- 188 -

Observando estas dos ltimas grficas podemos entender con ms facilidad los distintos
pasos que se han llevado a cabo aplicando la metodologa RSM. No hay ms que
identificar los puntos que componen cada una de las distintas regiones de
experimentacin que se han usado y apreciar la forma de la superficie de respuesta tiene
en ellas para comprobar por qu el modelo ajustado para el nivel de servicio medio ha
sido de primer o de segundo orden.
En la primera regin de experimentacin, aquella que estaba centrada en el punto (5,6),
el modelo finalmente ajustado fue de segundo orden. En la grfica 5.34, se puede ver
como en esa zona de la superficie de respuesta la parte ascendente de la superficie
adquiere gran curvatura para pasar a una zona en forma de meseta que tiende
ligeramente a niveles de servicio del orden del 100%. Para que esta curvatura sea
recogida por el modelo ajustado, este debe ser al menos de segundo orden, ya que uno
de primer orden representa un plano. Esto explica que el modelo ajustado sea de
segundo orden. Este modelo present un mximo en el punto (6,11) que corresponde
con un punto en donde se puede decir que esa curvatura finaliza y empieza la meseta
anteriormente comentada. A partir de ah la superficie es casi plana, explicando esto,
que el modelo ajustado en la regin de experimentacin centrada en el punto (8,12)
fuera de primer orden. Si comparamos la superficie de la grfica 5.28, con la zona que
le corresponde en la superficie representada en la grfica 5.34, y teniendo en cuenta la
escala del eje correspondiente al nivel de servicio, vemos que efectivamente se
corresponde con un plano. Lo mismo se puede decir para las graficas que representan al
inventario en proceso. Si comparamos la superficie representada en la grfica 5.29 con
la superficie de la grfica 5,35, vemos que tambin hay similitud. En este ltimo caso
tambin se puede apreciar que la similitud entre las dos superficies se puede extender a
una zona bastante amplia de la superficie real.
Dado que nosotros buscamos unas combinaciones que satisfagan unas determinadas
condiciones, y estas no son un mximo ni un mnimo de la superficie de respuesta, si no
que el nivel de servicio est alrededor de un determinado valor, el ajuste termin en el
punto (8,12), y a partir de ah se buscaron los puntos que eran admisibles segn estas
caractersticas. Esto nos llev a buscar a lo largo de una trayectoria de soluciones
admisibles que representamos con una lnea verde en la grfica 5.33. Si ampliamos la
superficie de respuesta real, eliminando los valores del nivel de servicio inferiores al
80 %, y giramos la grfica para tener una mejor perspectiva tenemos:

- 189 -

Grfica 5.36. Superficie de respuesta real del inventario en proceso girada y ampliada.

En esta grfica podemos observar la trayectoria de soluciones admisibles. Esta

corresponde con la primera hilera de puntos que se puede ver encima del color morado.
Como se puede apreciar son prcticamente los primeros puntos que pertenecen a la zona
casi plana superior una vez se alcanza esta desde la zona en pendiente.
Tambin hay que hacer notar, que la superficie de respuesta real del nivel de servicio
medio representa el tpico comportamiento de un sistema Conwip que ya se explic en
la pgina 139. Si hacemos que un plano vertical gire 90 grados alrededor del eje vertical
que pasa por el punto (4,0), partiendo de la lnea que une los (4,0) - (4,13), y acabando
en la lnea (4,0)- (0,18), veremos que su interseccin con la superficie de respuesta es
una grfica similar a la 5.13.
El nmero de combinaciones de los parmetros que han sido necesarias para realizar la
bsqueda exhaustiva ha sido de 200. Si tenemos en cuenta que en la simulacin de cada
combinacin se han realizado 30 rplicas, esto supone que se han sido necesarias 6000
rplicas. Esto traducido a tiempo, teniendo en cuenta que cada conjunto de 30 rplicas
consumen aproximadamente 55 segundos, significa que el tiempo de simulacin ha sido
de aproximadamente 11000 segundos, es decir, prcticamente tres horas. En el empleo
de la metodologa RSM, para el caso = 98 %, (ver seccin 5.3), el nmero de
combinaciones estudiadas ha sido de 53, lo que ha supuesto un total de 1590 rplicas,
con un consumo de 2915 segundos, es decir, aproximadamente 49 minutos.
Comparando estos resultados vemos que el empleo de la metodologa RSM emplea el
26.5 % del tiempo empleado en la bsqueda exhaustiva, suponiendo un ahorro de
recursos importante. No obstante, el conjunto de tcnicas empleadas en la metodologa
pone en nuestras manos una herramienta que aun no hemos usado en el presente
proyecto y que est diseada para ser empleada en casos en los que hay que obtener una

- 190 -

solucin tras el anlisis de dos o ms respuestas, como es nuestro caso. Esta herramienta
es la funcin desirability en cuyo estudio vamos a profundizar en la siguiente seccin de
este captulo.

- 191 -

5.4 TCNICA RSM MULTIRESPUESTA. FUNCIN DESIRABILITY

En problemas donde la solucin ptima depende de varias respuestas independientes,
como es nuestro caso, la metodologa RSM dispone de varias herramientas para hallar
la solucin ms cercana a los deseos de los experimentadores. Dentro de estas
herramientas se encuentra el mtodo grfico de superposicin de las grficas de
contornos, ya visto en la seccin 5.3, y el mtodo de la funcin desirability (Derringer y
Suich, 1980, Myers y Montgomery, 1995)
La idea en la que se basa este mtodo es la de asignar a cada una de las respuestas que
intervienen en el problema una funcin desirability, di, que va a variar entre cero y uno.
Si la respuesta toma el valor deseado, la funcin di vale uno, si toma un valor alejado
de la respuesta deseada, toma un valor igual a cero y si la respuesta est en un intervalo
dentro de unos valores admisibles para el experimentador, tomar un valor entre cero y
uno. Hay tantas funciones desirability como respuestas se quieran analizar. Una vez se
calculan las funciones di, se calcula la media geomtrica D. Si todas las respuestas estn
en el valor deseado, todas valen uno y por tanto D valdr tambin uno. Si alguna di vale
cero, D valdr tambin cero y si las di tienen valores entre cero y uno, el valor de D
tambin estar entre cero y uno. De todo esto se desprende que cuanto mayor y ms
cercano a uno este D, ms cerca se estar de los valores deseados y que este mtodo
proporcionar una solucin de compromiso entre las distintas respuestas.
Las funciones desirability pueden ser de tres tipos, segn se pretenda conseguir un
mximo, un mnimo o un valor objetivo.
En el caso en el que se pretenda maximizar una de las respuestas, la funcin desirability
viene dada por la expresin:

di

y A
= i

B
A

A y i B

(68)

Donde di es la funcin desirability para la respuesta i. A es el valor por debajo del cual
las respuestas se consideran inaceptables y la funcin di toma el valor cero. B es el valor
de la respuesta a partir del que se desea un valor mximo. La funcin di vale uno para
valores de la respuesta mayores de B. El peso s determina la importancia que el
experimentador le da a la consecucin del valor deseado. En la grafica 5.34 se
representa la funcin di, para distintos valores del peso s. En ella podemos ver como
para un valor alto de s, valores de la respuesta cercanos al valor B se hacen menos
aceptables, es decir, toman un valor ms alejado del uno. Por el contrario, valores
pequeos de s, hacen que ms respuestas dentro del intervalo [A, B] tomen valores ms
cercanos a uno. El experimentador deber elegir el valor s segn la importancia que la
respuesta i tenga para l. Si es muy importante que la respuesta i alcance el mximo
cerca del lmite B, el valor elegido de s ha de ser alto para hacer la bsqueda ms
restrictiva en torno al mximo buscado. Por el contra, si el experimentador quiere que la
- 192 -

respuesta i se maximice, pero esta no juega un papel muy importante frente a las otras
respuestas, a s se le dar un valor bajo. El valor uno le ser dado en una situacin
intermedia. El experimentador tambin debe elegir los lmites A y B, segn las
caractersticas del problema que este estudiando.
.1
s= 0

0.8
0.7
0.6

0.5

s=

0.5
0.4

s=

Funcin desira bility, d i

1
0.9

0.3
0.2
0.1
0

s=

5
s=

10

B
Respuesta yi

Grfica 5.37. Funcin Desirability para un mximo.

La funcin desirability para el caso en el que se busque el mnimo de una de las

respuestas viene dada por la expresin:

di

y C
= i

B C

B y i C

y en funcin de los valores que tome el peso s tendr la forma:

Funcin desirability, d i

1
0.9

s=
0.1

0.8
0.7
0.6
s=
1

0.5
0.4
0.3
0.2
0.1
0

s=
0.
5

s=
s= 5
10

C
Respuesta yi

Grfica 5.38. Funcin Desirability para un mnimo.

- 193 -

(69)

El tercer caso que se puede estudiar con la funcin desirability es aquel en el que se
pretende que una de las respuestas tome un valor determinado. La expresin de la
funcin para este caso es:

d i =

yi A

B A
yi C

B C

A y i B

(70)

B y i C

t=

.1
s=0
0. 5

t=

s=

0.5
1
t=

s=

0.1

s=

s=

10

5
10
t=

1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0

t=

Funcin desirability, di

grficamente:

Respuesta yi

Grfica 5.39. Funcin Desirability para un punto objetivo.

Una vez que se calculan las funciones di para las m respuestas, se calcula el ndice de la
respuesta compuesta, D, que no es mas que la media geomtrica de las m funciones
desirability calculadas.

D = (d1 * d 2 * d 3 * L * d m )

1
m

(71)

Si el ndice toma un valor cercano a uno implica que la mayora de las funciones di
estn muy prximas simultneamente al valor deseado para cada una de ellas. Esto
dicho de otro modo, significa que habr una combinacin de los factores que
intervienen en el experimento cuyas respuestas hacen que el valor del ndice D sea
mximo. Por tanto, una vez que se llegue a este punto, el objetivo del experimentador
ser encontrar un mtodo que encuentre el mximo del ndice D, y as obtener la
combinacin de los factores que haga encontrar el punto ptimo buscado. Este proceso
puede ser afrontado de diversas formas, se pueden emplear mtodos analticos,
algoritmos de optimizacin, mtodos grficos o la metodologa RSM aplicada al ndice
D. Dos posibilidades se muestran a continuacin (Myers y Montgomery, 1995)

- 194 -

La primera variante emplea la metodologa RSM para ajustar una superficie de

respuesta para cada una de las m respuestas. A continuacin se calculan las
repuestas en cada uno de los puntos del diseo usando los modelos ajustados y
con ellas se calculan las m funciones di y el ndice D. Una vez hecho esto se
ajusta un modelo para D y se halla la combinacin de los factores que lo
maximizan, usando el mtodo de la mxima pendiente, el anlisis cannico o un
mtodo grafico como los ya vistos en anteriores secciones de este mismo
captulo.

La segunda variante consiste en calcular las m funciones di y el ndice D en cada

una de las observaciones del experimento, empleando a continuacin la
metodologa RSM para ajustar una superficie de respuesta para D.
Posteriormente se halla la combinacin de los factores que maximizan la
superficie usando cualquiera de las herramientas ya comentadas.

En la seccin 5.3 se lleg hasta una regin de experimentacin centrada en el punto

(8, 12) en la que se ajustaron dos modelos lineales, uno para el nivel de servicio medio
y otro para el inventario en proceso. Para hallar una combinacin de parmetros que
estuviera conforme con el criterio de bsqueda, se us el mtodo grfico de la
superposicin de las grficas de contornos. Recordemos que el criterio de bsqueda para
encontrar una combinacin ptima era que su nivel de servicio estuviera lo ms cerca
posible al 98%, sin sobrepasarlo, y que su WIP fuese el menor posible. Ahora, vamos a
aplicar el mtodo de la funcin desirability a esta misma regin de experimentacin
para comprobar a qu solucin nos conduce y comparar los resultados obtenidos en
ambos casos. El criterio que se va a emplear para aplicar este mtodo va a ser el
segundo de los propuestos por Myers y Montgomery.
La regin de experimentacin centrada en el punto (8,12) estaba compuesta por los
puntos:
Escenario
1
2
3
4
5

K(0)
7
9
7
9
8

E
11
11
13
13
12

Tabla 5.65. Escenarios del tercer experimento con punto central para =98%.

En cada uno de estos puntos de diseo se realizaron 30 rplicas, obteniendo el valor del
nivel de servicio y del inventario en proceso para cada una de ellas. Estos valores fueron
los que despus se usaron para ajustar los modelos. Ahora, estas respuestas se van
emplear en calcular para cada rplica una funcin di para el nivel de servicio y otra para
el WIP, para a continuacin calcular el ndice D. Una vez hecho esto se va a intentar
ajustar un modelo para este ndice. Posteriormente analizaremos su superficie de
- 195 -

respuesta e intentaremos encontrar el punto ms cercano a las condiciones buscadas,

para lo que, al igual que en secciones anteriores, tendremos que afinar la bsqueda
fijndonos en los intervalos de confianza.
El primer paso es elegir el tipo de funcin di, para cada una de las respuestas. Para el
nivel de servicio se pretende obtener un valor del 98%, por lo que la funcin d1 es del
tipo usado en los casos en los que se pretende obtener un valor determinado. Para elegir
los lmites de aceptabilidad hemos de tener en cuenta los intervalos de confianza. El
mximo intervalo de confianza encontrado en esta regin ha sido de 0.452, por lo que
eligiendo un nivel superior del 99% y uno inferior del 96 %, cubrimos un rango de
valores lo suficientemente amplio en el que podemos prcticamente asegurar que se va a
encontrar la solucin buscada para esta regin de experimentacin. Por tanto la funcin
d1 queda:

1 96 s1
y
96 y1 98

98 96
d1 =
y
1 99 t1

98 y1 99
98 99

(72)

El segundo paso es elegir los pesos s y t. Se van a considerar tres situaciones. Cuando el
peso vale 10, correspondiendo a una situacin en la que damos mucha importancia a
que el nivel de servicio alcance el valor del 98%. Cuando el peso vale 0.1, en la que le
damos poca importancia, y cuando toma el valor uno, en la que estamos en una
situacin intermedia entre las dos anteriores. Grficamente queda:

Funcin, d1

1,00
0,90
0,80
0,70

s=1

0,60
0,50

s=10

t=1
t=10

0,40

s=0.1

0,30
0,20
0,10
0,00
95,5

t=0.1

96

96,5

97

97,5

98

98,5

99

99,5

Respuestas

Grfica 5.40. Funcin Desirability para un punto objetivo en el experimento centrado en (8,12).

Para el inventario en proceso la funcin di usada es la correspondiente al caso en el que

se pretende minimizar la respuesta. En las observaciones realizadas se ha encontrado un
WIP mnimo de 17.500 y un mximo de 21.955, por lo que consideramos que tomando

- 196 -

unos lmites de aceptabilidad mximo de 22 y mnimo de 17 abarcamos todos los

valores posibles. La funcin d2 queda:

s2

d2

y 22
= 2

17 22

17 y 2 22

(73)

Para el peso s se han escogido como posibles valores los mismos que para la funcin d1
correspondiente al nivel de servicio. En la grfica siguiente se pueden apreciar los
distintos casos y la forma que adopta la funcin d2:
1,00

Funcin, d2

0,90
0,80
0,70
0,60

s=1

0,50

s=10

0,40

s=0.1

0,30
0,20
0,10
0,00
17

18

19

20

21

22

Respuestas

Grfica 5.41. Funcin Desirability para un mnimo en el experimento centrado en (8,12).

Si tenemos en cuenta todas las combinaciones que se pueden obtener con los pesos de
las dos funciones d1 y d2, tenemos 27 experimentos, lo cual es una cifra muy alta. Esto
nos obliga a elegir las combinaciones que ms se acerquen al criterio de bsqueda
elegido. Como punto de partida se elige la combinacin (s1=1, t1=1, s2=1) con la que las
dos funciones desirability, d1 y d2, son lineales dentro de los limites escogidos. A partir
de esta combinacin de pesos se van a elegir el resto, con la particularidad de que le
vamos a dar mayor importancia a obtener un nivel de servicio del 98%, tal y como se ha
hecho hasta ahora:

(s1=1, t1=10, s2=1) Con esta combinacin se pone nfasis en no sobrepasar el

lmite del 98% para el nivel de servicio. La mayora de respuestas que
sobrepasen este valor del nivel de servicio no son aceptadas. Grficamente:

- 197 -

Funcin, d1

1,00
0,90
0,80
0,70
0,60

s=1

0,50

t=10

0,40
0,30
0,20
0,10
0,00
95,5

96

96,5

97

97,5

98

98,5

99

99,5

Respuestas

Grfica 5.42. Funcin Desirability, d1, con pesos s1=1, t1=10.

1,00

Funcin, d2

0,90
0,80
0,70
0,60
s=1

0,50
0,40
0,30
0,20
0,10
0,00
17

18

19

20

21

22

Respuestas

Grfica 5.43. Funcin Desirability, d2, con peso s2=1.

(s1=10, t1=10, s2=1) Con esta combinacin de pesos restringimos todava ms el

nmero de respuestas admisibles entorno al nivel de servicio del 98%. La grfica
para la funcin d2 es la misma que la 5.43.
1,00
0,90
Funcin, d1

0,80
0,70
0,60
0,50

s=10
t=10

0,40
0,30
0,20
0,10
0,00
95,5

96

96,5

97

97,5

98

98,5

99

99,5

Respuestas

Grfica 5.44. Funcin Desirability, d1, con pesos s1=10, t1=10.

- 198 -

(s1=10, t1=10, s2=10) Esta es la combinacin que muestra el criterio seguido en

su forma ms extrema, en donde las repuestas aceptables sern las que estn
muy prximas al nivel de servicio del 98% y al valor mnimo del inventario en
proceso. En este caso la grfica para la funcin d1 es igual a la grfica 5.44. La
de la funcin d2 se muestra a continuacin:
1,00

Funcin, d2

0,90
0,80
0,70
0,60
0,50

s=1

0,40
0,30
0,20
0,10
0,00
17

18

19

20

21

22

Respuestas

Grfica 5.45. Funcin Desirability, d2, con peso s2=10.

(s1=1, t1=10, s2=0.1) Esta combinacin es una mezcla de los casos anteriores en
donde no se aceptan la mayora de las respuestas para un nivel de servicio por
encima del 98% y se le da poca importancia el hecho de que el inventario en
proceso se minimice. La grfica 5.42 muestra la funcin d1 para esto pesos. La
funcin d2 se muestra a continuacin:
1,00

Funcin, d2

0,90
0,80
0,70
0,60
0,50

s=0.1

0,40
0,30
0,20
0,10
0,00
17

18

19

20

21

22

Respuestas

Grfica 5.46. Funcin Desirability, d2, con peso s2=0.1.

En la tabla 5.66 se muestran a modo de resumen los experimentos que se han realizado
en esta serie junto a los pesos de las funciones d1 y d2 que intervienen en ellos:

- 199 -

Experimento
1
2
3
4
5

Combinacin de pesos
(s1=1, t1=1, s2=1)
(s1=1, t1=10, s2=1)
(s1=10, t1=10, s2=1)
(s1=10, t1=10, s2=10)
(s1=1, t1=10, s2=0.1)

Tabla 5.66. Batera de experimentos con sus correspondientes pesos para la funcin desirability.

El experimento 1 arroja los siguientes resultados:

Escenario
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)

Respuestas
Nivel de Servicio
98,9047
97,4109
98,3477
98,1935
97,1691
98,5249
94,4143
96,7389
98,4371
97,0913
98,1378
97,6007
97,2297
98,0410
96,9627
96,2217
98,2033
96,9683
97,1731
97,2973
97,6818
97,6623
95,1835
98,1938
97,7763
97,7593
98,2573
98,0214
98,3829
97,5704
98,7094
98,5236
97,7087
98,2578
98,1965

WIP
17,6578
17,9816
17,8816
17,9813
17,8648
17,9687
17,9939
17,5921
17,9841
17,9856
17,9856
17,8409
17,9129
17,9892
17,8995
17,8162
17,4958
17,8798
17,9813
17,9791
17,9111
17,9880
17,9854
17,9855
17,9894
17,7987
17,9895
17,9900
17,9784
17,9815
19,6197
19,7993
19,8353
19,4810
19,3771

- 200 -

Funciones Desirability
d1
d2
0,0953
0,8684
0,7054
0,8037
0,6523
0,8237
0,8065
0,8037
0,5846
0,8270
0,4751
0,8063
0,0000
0,8012
0,3694
0,8816
0,5629
0,8032
0,5457
0,8029
0,8622
0,8029
0,8004
0,8318
0,6149
0,8174
0,9590
0,8022
0,4813
0,8201
0,1109
0,8368
0,7967
0,9008
0,4842
0,8240
0,5865
0,8037
0,6486
0,8042
0,8409
0,8178
0,8311
0,8024
0,0000
0,8029
0,8062
0,8029
0,8881
0,8021
0,8796
0,8403
0,7427
0,8021
0,9786
0,8020
0,6171
0,8043
0,7852
0,8037
0,2906
0,4761
0,4764
0,4401
0,8543
0,4329
0,7422
0,5038
0,8035
0,5246

D
0,2877
0,7530
0,7330
0,8051
0,6953
0,6189
0,0000
0,5707
0,6724
0,6619
0,8320
0,8159
0,7089
0,8771
0,6283
0,3046
0,8472
0,6316
0,6866
0,7222
0,8293
0,8166
0,0000
0,8046
0,8440
0,8597
0,7718
0,8859
0,7045
0,7944
0,3720
0,4579
0,6082
0,6115
0,6492

(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)

97,8955
96,6458
96,2845
98,3882
97,2905
97,4983
98,1765
98,1240
97,4387
98,0479
98,3256
98,0905
97,3631
97,5167
97,5561
97,6364
97,9394
98,7321
97,3467
97,9888
97,8063
98,2593
98,0310
97,1395
95,9710
97,4663
98,2101
97,8952
98,2695
97,7987
97,8733
96,7575
97,7227
98,6166
97,0575
97,1719
97,6624
97,7351
97,8271
97,6889
98,9052
97,8127
97,1925
96,6543
96,2865
97,8822
98,4516
98,6790
97,6357
97,6180
96,7916
97,7054
97,9716

19,9363
19,8771
19,6908
19,4467
19,6316
19,7564
19,7892
18,8943
19,9362
19,8024
19,9906
19,9911
19,9820
19,9237
19,7203
19,3978
19,4167
19,5848
19,3255
19,9782
19,7455
19,7639
19,6753
19,5610
19,7867
19,7351
19,8704
19,9248
19,8493
19,6400
19,9637
19,9877
19,7563
19,9737
19,9826
19,9833
19,8359
19,7969
19,9835
19,9881
19,9838
19,8275
19,9900
19,9730
19,8058
19,8921
19,9812
19,6479
19,9800
19,9841
19,7853
19,6846
19,2353

- 201 -

0,9477
0,3229
0,1423
0,6118
0,6452
0,7491
0,8235
0,8760
0,7194
0,9521
0,6744
0,9095
0,6816
0,7583
0,7780
0,8182
0,9697
0,2679
0,6734
0,9944
0,9032
0,7407
0,9690
0,5698
0,0000
0,7332
0,7899
0,9476
0,7305
0,8993
0,9367
0,3787
0,8613
0,3834
0,5287
0,5860
0,8312
0,8675
0,9135
0,8445
0,0948
0,9064
0,5963
0,3271
0,1433
0,9411
0,5484
0,3210
0,8178
0,8090
0,3958
0,8527
0,9858

0,4127
0,4246
0,4618
0,5107
0,4737
0,4487
0,4422
0,6211
0,4128
0,4395
0,4019
0,4018
0,4036
0,4153
0,4559
0,5204
0,5167
0,4830
0,5349
0,4044
0,4509
0,4472
0,4649
0,4878
0,4427
0,4530
0,4259
0,4150
0,4301
0,4720
0,4073
0,4025
0,4487
0,4053
0,4035
0,4033
0,4328
0,4406
0,4033
0,4024
0,4032
0,4345
0,4020
0,4054
0,4388
0,4216
0,4038
0,4704
0,4040
0,4032
0,4429
0,4631
0,5529

0,6254
0,3703
0,2563
0,5589
0,5528
0,5798
0,6034
0,7376
0,5449
0,6469
0,5206
0,6045
0,5245
0,5612
0,5956
0,6525
0,7078
0,3597
0,6002
0,6341
0,6381
0,5756
0,6712
0,5272
0,0000
0,5763
0,5800
0,6271
0,5606
0,6515
0,6176
0,3904
0,6217
0,3942
0,4619
0,4861
0,5998
0,6183
0,6070
0,5829
0,1955
0,6276
0,4896
0,3642
0,2507
0,6299
0,4705
0,3886
0,5748
0,5711
0,4187
0,6284
0,7383

(7,13)
(7,13)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)

96,7944
96,2152
98,1830
97,9353
98,7688
98,0239
96,2722
98,1324
97,3017
98,5892
98,2998
98,8137
97,9335
98,3078
98,8488
98,2692
98,8704
96,3791
98,4163
98,6311
97,6541
97,1628
98,1969
97,6360
98,4553
98,9671
97,6491
96,7379
97,8424
98,5263
98,3090
98,2550
97,9587
98,2566
97,7965
98,9143
97,2448
97,8034
96,6827
97,0027
98,2367
96,4857
96,6667
99,0027
97,6079
97,9176
97,3953
98,2361
96,6356
96,9056
98,5298
97,7607
97,4894

19,9765
19,9774
21,5069
21,8583
21,5349
21,7766
21,4845
21,0039
21,5499
21,3987
21,3001
21,4811
20,6515
21,9627
21,6790
21,9758
21,6075
21,9906
21,9861
20,8862
20,9013
21,7734
21,9551
21,3883
21,8527
20,4870
21,3817
21,8707
21,7044
21,4399
21,1211
21,2062
19,9891
19,3629
19,9837
19,7470
19,8401
19,9427
19,6516
19,9206
19,4902
19,9023
19,7630
19,9717
19,7674
19,9191
19,9849
19,5333
19,8240
19,9866
19,1750
19,7586
19,4631

- 202 -

0,3972
0,1076
0,8170
0,9677
0,2312
0,9761
0,1361
0,8676
0,6508
0,4108
0,7002
0,1863
0,9667
0,6922
0,1512
0,7308
0,1296
0,1895
0,5837
0,3689
0,8270
0,5814
0,8031
0,8180
0,5447
0,0329
0,8246
0,3689
0,9212
0,4737
0,6910
0,7450
0,9794
0,7434
0,8983
0,0857
0,6224
0,9017
0,3413
0,5014
0,7633
0,2428
0,3333
0,0000
0,8039
0,9588
0,6977
0,7639
0,3178
0,4528
0,4702
0,8804
0,7447

0,4047
0,4045
0,0986
0,0283
0,0930
0,0447
0,1031
0,1992
0,0900
0,1203
0,1400
0,1038
0,2697
0,0075
0,0642
0,0048
0,0785
0,0019
0,0028
0,2228
0,2197
0,0453
0,0090
0,1223
0,0295
0,3026
0,1237
0,0259
0,0591
0,1120
0,1758
0,1588
0,4022
0,5274
0,4033
0,4506
0,4320
0,4115
0,4697
0,4159
0,5020
0,4195
0,4474
0,4057
0,4465
0,4162
0,4030
0,4933
0,4352
0,4027
0,5650
0,4483
0,5074

0,4009
0,2086
0,2839
0,1656
0,1466
0,2088
0,1184
0,4158
0,2421
0,2223
0,3131
0,1391
0,5106
0,0718
0,0985
0,0595
0,1008
0,0189
0,0403
0,2867
0,4263
0,1623
0,0849
0,3163
0,1267
0,0998
0,3193
0,0977
0,2334
0,2304
0,3485
0,3439
0,6276
0,6262
0,6019
0,1965
0,5185
0,6091
0,4004
0,4566
0,6190
0,3192
0,3862
0,0000
0,5991
0,6317
0,5303
0,6139
0,3719
0,4270
0,5154
0,6282
0,6147

(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)

98,5640
97,9045
98,9080
97,6812
98,0061
97,7445
98,9827
97,8684
97,2581

19,9240
19,6154
19,8083
19,7491
19,8455
19,9818
19,8888
19,8550
19,6738

0,4360
0,9523
0,0920
0,8406
0,9939
0,8723
0,0173
0,9342
0,6291

0,4152
0,4769
0,4383
0,4502
0,4309
0,4036
0,4222
0,4290
0,4652

0,4255
0,6739
0,2009
0,6151
0,6544
0,5934
0,0856
0,6331
0,5410

Tabla 5.67. Resultados del experimento 1 para la funcin desirability y el ndice D.

Para poder emplear la metodologa RSM tenemos que calcular el ndice D medio y la
desviacin estndar en cada uno de los escenarios. Con los datos en la forma que se
expresan en la tabla 5.68, ya se puede calcular el anlisis de varianza:
Escenario ndice D medio STD ndice D
(7,11)
0,6721
0,2315
(9,11)
0,5449
0,1489
(7,13)
0,5111
0,1380
(9,13)
0,2077
0,1265
(8,12)
0,4905
0,1782
Tabla 5.68. ndice D medio y desviacin estndar obtenidos en el experimento 1.

El anlisis de varianza se muestra en la tabla 5.69:

Termino Efectos
A
-0,22
B
-0,24
AB
-0,09
Error
Total

SS
1,39
1,86
0,23
4.14
7,62

Porcentaje g.d.l MSS Fo Fo Tablas

18,24
1
1,39 49,08
3,91
24,41
1
1,86 65,72
3,91
3,02
1
0,23 8,22
3,91
54,33
146 0,03
100
149

Tabla 5.69. Anlisis de varianza del experimento 1 para el ajuste del ndice D.

El resultado obtenido muestra que el factor A (parmetro K (0)), el factor B (parmetro

E) y la interaccin AB son significativos. Esto significa que el modelo que pretendemos
ajustar es, en variables codificadas, de la forma:

y = 0,49 0,11x1 0,12 x2 0,045x1 x2

- 203 -

y en variables naturales:

y = 1,39 + 0,421 + 0,23 2 0,0451 2

Veamos a continuacin si este modelo pasa las pruebas de adecuacin. Las pruebas de
significacin y de falta de ajuste se muestran en la tabla 5.70:
Termino
SS g.d.l MSS
Fo
Fo Tablas
Modelo
3,48
3
1,16 40,91
2,67
Residual
4,14 146 0,03
(Falta de ajuste LOF) 0,001
1
0,001 0,04
3,91
(Error puro)
4,13 145 0,03
Total
7,62 149
Tabla 5.70. Prueba de significacin y de la falta de ajuste del experimento 1 para el ajuste del ndice D.

El modelo lineal propuesto supera las pruebas de significacin y la de falta de ajuste. A

continuacin se muestran los residuales y los resultados del anlisis grfico de los
mismos:
Respuestas
0,29
0,75
0,73
0,81
0,70
0,62
0,00
0,57
0,67
0,66
0,83
0,82
0,71
0,88
0,63
0,30
0,85
0,63
0,69
0,72
0,83
0,82
0,00
0,80
0,84
0,86

Prediccin
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68

- 204 -

Residuales
-0,39
0,08
0,06
0,13
0,02
-0,06
-0,68
-0,11
0,00
-0,01
0,16
0,14
0,03
0,20
-0,05
-0,37
0,17
-0,05
0,01
0,05
0,15
0,14
-0,68
0,13
0,17
0,18

0,77
0,89
0,70
0,79
0,37
0,46
0,61
0,61
0,65
0,63
0,37
0,26
0,56
0,55
0,58
0,60
0,74
0,54
0,65
0,52
0,60
0,52
0,56
0,60
0,65
0,71
0,36
0,60
0,63
0,64
0,58
0,67
0,53
0,00
0,58
0,58
0,63
0,56
0,65
0,62
0,39
0,62
0,39
0,46
0,49
0,60
0,62
0,61
0,58
0,20
0,63
0,49
0,36

0,68
0,68
0,68
0,68
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,52
0,52
0,52
0,52
0,52
0,52
0,52
0,52
0,52
0,52
0,52
0,52
0,52
0,52
0,52
0,52
0,52
0,52
0,52

- 205 -

0,10
0,21
0,03
0,12
-0,18
-0,09
0,06
0,06
0,10
0,07
-0,18
-0,29
0,01
0,00
0,03
0,05
0,19
-0,01
0,10
-0,03
0,05
-0,03
0,01
0,05
0,10
0,16
-0,19
0,05
0,08
0,09
0,03
0,12
-0,02
-0,55
0,06
0,06
0,11
0,04
0,14
0,10
-0,13
0,11
-0,12
-0,05
-0,03
0,08
0,10
0,09
0,07
-0,32
0,11
-0,03
-0,15

0,25
0,63
0,47
0,39
0,57
0,57
0,42
0,63
0,74
0,40
0,21
0,28
0,17
0,15
0,21
0,12
0,42
0,24
0,22
0,31
0,14
0,51
0,07
0,10
0,06
0,10
0,02
0,04
0,29
0,43
0,16
0,08
0,32
0,13
0,10
0,32
0,10
0,23
0,23
0,35
0,34
0,63
0,63
0,60
0,20
0,52
0,61
0,40
0,46
0,62
0,32
0,39
0,00

0,52
0,52
0,52
0,52
0,52
0,52
0,52
0,52
0,52
0,52
0,52
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,49
0,49
0,49
0,49
0,49
0,49
0,49
0,49
0,49
0,49
0,49
0,49

- 206 -

-0,27
0,11
-0,05
-0,13
0,06
0,05
-0,10
0,11
0,22
-0,12
-0,31
0,07
-0,05
-0,07
-0,01
-0,10
0,20
0,03
0,01
0,10
-0,08
0,30
-0,14
-0,12
-0,15
-0,11
-0,20
-0,17
0,07
0,21
-0,05
-0,13
0,10
-0,09
-0,11
0,11
-0,12
0,02
0,02
0,13
0,13
0,14
0,14
0,11
-0,29
0,03
0,12
-0,09
-0,03
0,13
-0,17
-0,10
-0,49

0,60
0,63
0,53
0,61
0,37
0,43
0,52
0,63
0,61
0,43
0,67
0,20
0,62
0,65
0,59
0,09
0,63
0,54

0,49
0,49
0,49
0,49
0,49
0,49
0,49
0,49
0,49
0,49
0,49
0,49
0,49
0,49
0,49
0,49
0,49
0,49

0,11
0,14
0,04
0,12
-0,12
-0,06
0,03
0,14
0,13
-0,06
0,18
-0,29
0,13
0,16
0,10
-0,40
0,14
0,05

Tabla 5.71. Residuales del experimento 1 para el ajuste del ndice D.

% de probabilidad normal

99
95
90
80
70
50
30
20
10
5

-0.67

-0.43

-0.19

0.06

0.30

Residuales

Grfica 5.47. Probabilidad normal de los residuales en el experimento 1 para el ajuste del ndice D.

- 207 -

0,70
0,50

Residuales

0,30
0,10
-0,100,20

0,30

0,40

0,50

0,60

0,70

-0,30
-0,50
-0,70
Indice D predicho

Grfica 5.48. Residuales frente a en el experimento 1 para el ajuste del ndice D.

0,70
0,50

Residuales

0,30
0,10
-0,10 0

50

100

150

-0,30
-0,50
-0,70
Orden de Realizacin de la Sim ulacin

Grfica 5.49. Residuales frente al orden de simulacin en el experimento 1 para el ajuste del ndice D.

- 208 -

En la grfica de la probabilidad normal se observa como la distribucin de los errores

est entorno a la lnea roja, aunque la sigue con dificultad en los extremos,
especialmente los de la rama izquierda. Estos residuales son los correspondientes a los
puntos no aceptables, por lo que su ndice D es nulo y sus residuales los menores. En un
principio podra parecer un punto atpico, pero este comportamiento lo hemos
provocado nosotros en la eleccin de los lmites de aceptabilidad por lo que no le vamos
a dar mayor importancia. En esta grfica tambin se observa como la rama de la derecha
es ms larga que la de la izquierda. Esto puede significar que la distribucin de los
errores tiene un ligero sesgo hacia los valores positivos. Podemos decir que la
distribucin de los residuales tiene una desviacin moderada de la normalidad aunque
pensamos que esto no es motivo de gran preocupacin por lo que se da por buena.
Las grafica de los residuales frente a la respuesta predica no muestra ningn patrn
preocupante, slo parece indicar que la varianza aumenta conforme lo hace el ndice D
predicho, al observarse como las hileras de puntos se abren cuanto ms a la derecha
estn. Sin embargo, si nos fijamos vemos como esta apertura se debe, de nuevo, a los
residuales correspondientes a puntos no aceptables. La grfica de los residuales frente
al orden de realizacin de la observacin, no muestra ninguna relacin entre el valor de
los residuales y cuando se han realizado esto. Por el contrario, si que muestra un ligero
sesgo de los residuales hacia los valores positivos de estos. Ninguna de las
particularidades encontradas parece tener importancia como para no aceptar el modelo,
por lo que lo vamos a considerar adecuado.
Para elegir la combinacin ms cercana a nuestros deseos vamos a emplear la grafica de
contornos por parecernos un mtodo fcil de realizar y muy intuitivo, que nos va a
proporcionar el punto buscado con un solo golpe de vista.

Factor B

13

12

Factor A

Grfica 5.50. Grfica de contorno del ndice D en el experimento 1.

- 209 -

La grfica 5.50 muestra como dentro de la regin de experimentacin, en el punto

(7,11) se alcanza el mayor ndice D. Una vez realizados los cuatro experimentos
restantes de esta batera retomaremos este punto y comentaremos su validez. Pasamos al
segundo de los experimentos.
Para el experimento nmero dos los resultados obtenidos han sido:

Escenario
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)

Respuestas
Nivel de Servicio
98,9047
97,4109
98,3477
98,1935
97,1691
98,5249
94,4143
96,7389
98,4371
97,0913
98,1378
97,6007
97,2297
98,0410
96,9627
96,2217
98,2033
96,9683
97,1731
97,2973
97,6818
97,6623
95,1835
98,1938
97,7763
97,7593
98,2573
98,0214
98,3829
97,5704
98,7094
98,5236
97,7087
98,2578
98,1965
97,8955
96,6458
96,2845
98,3882
97,2905
97,4983

WIP
17,6578
17,9816
17,8816
17,9813
17,8648
17,9687
17,9939
17,5921
17,9841
17,9856
17,9856
17,8409
17,9129
17,9892
17,8995
17,8162
17,4958
17,8798
17,9813
17,9791
17,9111
17,9880
17,9854
17,9855
17,9894
17,7987
17,9895
17,9900
17,9784
17,9815
19,6197
19,7993
19,8353
19,4810
19,3771
19,9363
19,8771
19,6908
19,4467
19,6316
19,7564

- 210 -

Funciones Desirability
d1
d2
0,0000
0,8684
0,7054
0,8037
0,0140
0,8237
0,1165
0,8037
0,5846
0,8270
0,0006
0,8063
0,0000
0,8012
0,3694
0,8816
0,0032
0,8032
0,5457
0,8029
0,2270
0,8029
0,8004
0,8318
0,6149
0,8174
0,6579
0,8022
0,4813
0,8201
0,1109
0,8368
0,1030
0,9008
0,4842
0,8240
0,5865
0,8037
0,6486
0,8042
0,8409
0,8178
0,8311
0,8024
0,0000
0,8029
0,1160
0,8029
0,8881
0,8021
0,8796
0,8403
0,0510
0,8021
0,8057
0,8020
0,0080
0,8043
0,7852
0,8037
0,0000
0,4761
0,0006
0,4401
0,8543
0,4329
0,0507
0,5038
0,1121
0,5246
0,9477
0,4127
0,3229
0,4246
0,1423
0,4618
0,0073
0,5107
0,6452
0,4737
0,7491
0,4487

D
0,0000
0,7530
0,1072
0,3060
0,6953
0,0217
0,0000
0,5707
0,0506
0,6619
0,4269
0,8159
0,7089
0,7265
0,6283
0,3046
0,3046
0,6316
0,6866
0,7222
0,8293
0,8166
0,0000
0,3052
0,8440
0,8597
0,2023
0,8038
0,0802
0,7944
0,0014
0,0163
0,6082
0,1598
0,2425
0,6254
0,3703
0,2563
0,0612
0,5528
0,5798

(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(9,13)
(9,13)
(9,13)
(9,13)

98,1765
98,1240
97,4387
98,0479
98,3256
98,0905
97,3631
97,5167
97,5561
97,6364
97,9394
98,7321
97,3467
97,9888
97,8063
98,2593
98,0310
97,1395
95,9710
97,4663
98,2101
97,8952
98,2695
97,7987
97,8733
96,7575
97,7227
98,6166
97,0575
97,1719
97,6624
97,7351
97,8271
97,6889
98,9052
97,8127
97,1925
96,6543
96,2865
97,8822
98,4516
98,6790
97,6357
97,6180
96,7916
97,7054
97,9716
96,7944
96,2152
98,1830
97,9353
98,7688
98,0239

19,7892
18,8943
19,9362
19,8024
19,9906
19,9911
19,9820
19,9237
19,7203
19,3978
19,4167
19,5848
19,3255
19,9782
19,7455
19,7639
19,6753
19,5610
19,7867
19,7351
19,8704
19,9248
19,8493
19,6400
19,9637
19,9877
19,7563
19,9737
19,9826
19,9833
19,8359
19,7969
19,9835
19,9881
19,9838
19,8275
19,9900
19,9730
19,8058
19,8921
19,9812
19,6479
19,9800
19,9841
19,7853
19,6846
19,2353
19,9765
19,9774
21,5069
21,8583
21,5349
21,7766

- 211 -

0,1434
0,2661
0,7194
0,6123
0,0195
0,3874
0,6816
0,7583
0,7780
0,8182
0,9697
0,0000
0,6734
0,9944
0,9032
0,0497
0,7296
0,5698
0,0000
0,7332
0,0945
0,9476
0,0433
0,8993
0,9367
0,3787
0,8613
0,0001
0,5287
0,5860
0,8312
0,8675
0,9135
0,8445
0,0000
0,9064
0,5963
0,3271
0,1433
0,9411
0,0025
0,0000
0,8178
0,8090
0,3958
0,8527
0,9858
0,3972
0,1076
0,1324
0,9677
0,0000
0,7852

0,4422
0,6211
0,4128
0,4395
0,4019
0,4018
0,4036
0,4153
0,4559
0,5204
0,5167
0,4830
0,5349
0,4044
0,4509
0,4472
0,4649
0,4878
0,4427
0,4530
0,4259
0,4150
0,4301
0,4720
0,4073
0,4025
0,4487
0,4053
0,4035
0,4033
0,4328
0,4406
0,4033
0,4024
0,4032
0,4345
0,4020
0,4054
0,4388
0,4216
0,4038
0,4704
0,4040
0,4032
0,4429
0,4631
0,5529
0,4047
0,4045
0,0986
0,0283
0,0930
0,0447

0,2518
0,4066
0,5449
0,5188
0,0885
0,3945
0,5245
0,5612
0,5956
0,6525
0,7078
0,0010
0,6002
0,6341
0,6381
0,1491
0,5824
0,5272
0,0000
0,5763
0,2006
0,6271
0,1364
0,6515
0,6176
0,3904
0,6217
0,0053
0,4619
0,4861
0,5998
0,6183
0,6070
0,5829
0,0000
0,6276
0,4896
0,3642
0,2507
0,6299
0,0315
0,0023
0,5748
0,5711
0,4187
0,6284
0,7383
0,4009
0,2086
0,1143
0,1656
0,0002
0,1873

(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)

96,2722
98,1324
97,3017
98,5892
98,2998
98,8137
97,9335
98,3078
98,8488
98,2692
98,8704
96,3791
98,4163
98,6311
97,6541
97,1628
98,1969
97,6360
98,4553
98,9671
97,6491
96,7379
97,8424
98,5263
98,3090
98,2550
97,9587
98,2566
97,7965
98,9143
97,2448
97,8034
96,6827
97,0027
98,2367
96,4857
96,6667
99,0027
97,6079
97,9176
97,3953
98,2361
96,6356
96,9056
98,5298
97,7607
97,4894
98,5640
97,9045
98,9080
97,6812
98,0061
97,7445

21,4845
21,0039
21,5499
21,3987
21,3001
21,4811
20,6515
21,9627
21,6790
21,9758
21,6075
21,9906
21,9861
20,8862
20,9013
21,7734
21,9551
21,3883
21,8527
20,4870
21,3817
21,8707
21,7044
21,4399
21,1211
21,2062
19,9891
19,3629
19,9837
19,7470
19,8401
19,9427
19,6516
19,9206
19,4902
19,9023
19,7630
19,9717
19,7674
19,9191
19,9849
19,5333
19,8240
19,9866
19,1750
19,7586
19,4631
19,9240
19,6154
19,8083
19,7491
19,8455
19,9818

- 212 -

0,1361
0,2417
0,6508
0,0001
0,0283
0,0000
0,9667
0,0253
0,0000
0,0435
0,0000
0,1895
0,0046
0,0000
0,8270
0,5814
0,1115
0,8180
0,0023
0,0000
0,8246
0,3689
0,9212
0,0006
0,0248
0,0527
0,9794
0,0515
0,8983
0,0000
0,6224
0,9017
0,3413
0,5014
0,0672
0,2428
0,3333
0,0000
0,8039
0,9588
0,6977
0,0676
0,3178
0,4528
0,0005
0,8804
0,7447
0,0002
0,9523
0,0000
0,8406
0,9407
0,8723

0,1031
0,1992
0,0900
0,1203
0,1400
0,1038
0,2697
0,0075
0,0642
0,0048
0,0785
0,0019
0,0028
0,2228
0,2197
0,0453
0,0090
0,1223
0,0295
0,3026
0,1237
0,0259
0,0591
0,1120
0,1758
0,1588
0,4022
0,5274
0,4033
0,4506
0,4320
0,4115
0,4697
0,4159
0,5020
0,4195
0,4474
0,4057
0,4465
0,4162
0,4030
0,4933
0,4352
0,4027
0,5650
0,4483
0,5074
0,4152
0,4769
0,4383
0,4502
0,4309
0,4036

0,1184
0,2194
0,2421
0,0041
0,0630
0,0001
0,5106
0,0137
0,0000
0,0145
0,0000
0,0189
0,0036
0,0032
0,4263
0,1623
0,0316
0,3163
0,0082
0,0000
0,3193
0,0977
0,2334
0,0080
0,0660
0,0914
0,6276
0,1649
0,6019
0,0000
0,5185
0,6091
0,4004
0,4566
0,1836
0,3192
0,3862
0,0000
0,5991
0,6317
0,5303
0,1827
0,3719
0,4270
0,0173
0,6282
0,6147
0,0101
0,6739
0,0000
0,6151
0,6367
0,5934

(8,12)
(8,12)
(8,12)

98,9827
97,8684
97,2581

19,8888
19,8550
19,6738

0,0000
0,9342
0,6291

0,4222
0,4290
0,4652

0,0000
0,6331
0,5410

Tabla 5.72. Resultados del experimento 2 para la funcin desirability y el ndice D.

De esta tabla calculamos el ndice D medio y la desviacin estndar para cada uno de
los escenarios, datos que son necesarios para realizar el anlisis de varianza y las
pruebas de adecuacin del modelo.
Escenario ndice D medio STD ndice D
(7,11)
0,4886
0,3126
(9,11)
0,3951
0,2385
(7,13)
0,4373
0,2270
(9,13)
0,1147
0,1384
(8,12)
0,3991
0,2454
Tabla 5.73. ndice D medio y desviacin estndar obtenidos en el experimento 2.

El anlisis de varianza se muestra en la tabla siguiente:

Termino Efectos SS Porcentaje g.d.l
A
-0,20
1,30
11,99
1
B
-0,16
0,83
7,66
1
AB
-0,12
0,39
3,60
1
Error
8,32
76,75
146
Total
10,84
100
149

MSS Fo Fo Tablas
1,30 22,80
3,91
0,83 14,48
3,91
0,39 6,91
3,91

Tabla 5.74. Anlisis de varianza del experimento 2 para el ajuste del ndice D.

Observando los resultados obtenidos se aprecia como los factores principales A y B, as

como la interaccin entre ellos resultan ser significativos, por lo que el modelo ajustado
ser en variables codificadas y variables naturales respectivamente:

y = 0,37 0,10 x1 0,08x2 0,06 x1 x2

y = 3,31 + 0,581 + 0,38 2 0,061 2
Las pruebas de significacin del modelo y la de falta de ajusta las pasa el modelo como
se puede ver en la tabla 5.75, donde se muestran ambas:

- 213 -

Termino
SS g.d.l MSS
Modelo
2,52
3
0,84
Residual
8,32 146 0,06
(Falta de ajuste LOF) 0,04
1
0,04
(Error puro)
8,28 145 0,06
Total
10,84 149

Fo
14

Fo Tablas
2,67

0,67

3,91

Tabla 5.75. Prueba de significacin y de la falta de ajuste del experimento 2 para el ajuste del ndice D.

Las pruebas de adecuacin finalizan con la realizacin del anlisis grfico de los
residuales. En las pginas siguientes se muestran la tabla 5.76 con las respuestas,
predicciones y los residuales para todas las observaciones realizadas en este
experimento. Tambin se muestran las grficas de la distribucin normal, la de los
residuales frente las respuestas predichas por el modelo y frente al orden en que se
realizaron cada una de las observaciones.
Respuestas
0,00
0,75
0,11
0,31
0,70
0,02
0,00
0,57
0,05
0,66
0,43
0,82
0,71
0,73
0,63
0,30
0,30
0,63
0,69
0,72
0,83
0,82
0,00
0,31
0,84
0,86
0,20
0,80
0,08
0,79
0,00
0,02

Prediccin
0,50
0,50
0,50
0,50
0,50
0,50
0,50
0,50
0,50
0,50
0,50
0,50
0,50
0,50
0,50
0,50
0,50
0,50
0,50
0,50
0,50
0,50
0,50
0,50
0,50
0,50
0,50
0,50
0,50
0,50
0,40
0,40

- 214 -

Residuales
-0,50
0,26
-0,39
-0,19
0,20
-0,47
-0,50
0,07
-0,45
0,17
-0,07
0,32
0,21
0,23
0,13
-0,19
-0,19
0,13
0,19
0,23
0,33
0,32
-0,50
-0,19
0,35
0,36
-0,29
0,31
-0,42
0,30
-0,40
-0,39

0,61
0,16
0,24
0,63
0,37
0,26
0,06
0,55
0,58
0,25
0,41
0,54
0,52
0,09
0,39
0,52
0,56
0,60
0,65
0,71
0,00
0,60
0,63
0,64
0,15
0,58
0,53
0,00
0,58
0,20
0,63
0,14
0,65
0,62
0,39
0,62
0,01
0,46
0,49
0,60
0,62
0,61
0,58
0,00
0,63
0,49
0,36
0,25
0,63
0,03
0,00
0,57
0,57

0,40
0,40
0,40
0,40
0,40
0,40
0,40
0,40
0,40
0,40
0,40
0,40
0,40
0,40
0,40
0,40
0,40
0,40
0,40
0,40
0,40
0,40
0,40
0,40
0,40
0,40
0,40
0,40
0,45
0,45
0,45
0,45
0,45
0,45
0,45
0,45
0,45
0,45
0,45
0,45
0,45
0,45
0,45
0,45
0,45
0,45
0,45
0,45
0,45
0,45
0,45
0,45
0,45

- 215 -

0,21
-0,24
-0,16
0,22
-0,03
-0,15
-0,34
0,15
0,18
-0,15
0,00
0,14
0,12
-0,31
-0,01
0,12
0,16
0,19
0,25
0,30
-0,40
0,20
0,23
0,23
-0,25
0,18
0,12
-0,40
0,13
-0,24
0,18
-0,31
0,21
0,17
-0,05
0,18
-0,44
0,02
0,04
0,15
0,17
0,16
0,14
-0,45
0,18
0,04
-0,08
-0,19
0,18
-0,41
-0,44
0,13
0,13

0,42
0,63
0,74
0,40
0,21
0,11
0,17
0,00
0,19
0,12
0,22
0,24
0,00
0,06
0,00
0,51
0,01
0,00
0,01
0,00
0,02
0,00
0,00
0,43
0,16
0,03
0,32
0,01
0,00
0,32
0,10
0,23
0,01
0,07
0,09
0,63
0,16
0,60
0,00
0,52
0,61
0,40
0,46
0,18
0,32
0,39
0,00
0,60
0,63
0,53
0,18
0,37
0,43

0,45
0,45
0,45
0,45
0,12
0,12
0,12
0,12
0,12
0,12
0,12
0,12
0,12
0,12
0,12
0,12
0,12
0,12
0,12
0,12
0,12
0,12
0,12
0,12
0,12
0,12
0,12
0,12
0,12
0,12
0,12
0,12
0,12
0,37
0,37
0,37
0,37
0,37
0,37
0,37
0,37
0,37
0,37
0,37
0,37
0,37
0,37
0,37
0,37
0,37
0,37
0,37
0,37

- 216 -

-0,03
0,18
0,29
-0,04
0,09
-0,01
0,04
-0,12
0,06
0,00
0,10
0,12
-0,12
-0,06
-0,12
0,39
-0,11
-0,12
-0,11
-0,12
-0,10
-0,12
-0,12
0,30
0,04
-0,09
0,19
-0,11
-0,12
0,20
-0,03
0,11
-0,11
-0,30
-0,28
0,26
-0,20
0,23
-0,37
0,15
0,24
0,03
0,09
-0,18
-0,05
0,02
-0,37
0,23
0,26
0,16
-0,18
0,00
0,06

0,02
0,63
0,61
0,01
0,67
0,00
0,62
0,64
0,59
0,00
0,63
0,54

0,37
0,37
0,37
0,37
0,37
0,37
0,37
0,37
0,37
0,37
0,37
0,37

-0,35
0,26
0,25
-0,36
0,31
-0,37
0,25
0,27
0,23
-0,37
0,27
0,17

Tabla 5.76. Residuales del experimento 2 para el ajuste del ndice D.

% de probabilidad normal

99
95
90
80
70
50
30
20
10
5

-0.50

-0.28

-0.05

0.17

0.39

Residuales

Grfica 5.51. Probabilidad normal de los residuales en el experimento 2 para el ajuste del ndice D.

- 217 -

0,50
0,40
0,30

Residuales

0,20
0,10
0,00
0,10
-0,10

0,20

0,30

0,40

0,50

-0,20
-0,30
-0,40
-0,50
Indice D predicho

Grfica 5.52. Residuales frente a en el experimento 2 para el ajuste del ndice D.

0,50

Residuales

0,30

0,10

-0,10

50

100

150

-0,30

-0,50
Orden de Realizacin de la Sim ulacin

Grfica 5.53. Residuales frente al orden de simulacin en el experimento 2 para el ajuste del ndice D.

- 218 -

En la grfica de la probabilidad normal se puede ver como la distribucin de los

residuales sigue bastante adecuadamente la lnea recta. Las ramas, tanto la de la derecha
como la de la izquierda tienen aproximadamente la misma longitud, por lo que no se
aprecia sesgo. Lo que llama la atencin es el comportamiento de los puntos extremos de
ambas ramas. La razn es la misma que para el experimento uno, por lo que no los
vamos a considerar punto atpicos. Las graficas de los residuales frente a las respuestas
predichas y el orden de realizacin de las observaciones, no muestran ningn patrn que
nos haga pensar que el modelo no es adecuado, salvo el comportamiento de los puntos
anteriormente comentados que son los que mayores residuales producen. En general
estas tres grficas son mejores que los del experimento uno, en especial la de la
distribucin normal. Esto puede indicar que el criterio de pesos seguido en este
experimento es ms acertado que el seguido para el experimento uno.
Para detectar el punto ms adecuado a los criterios de bsqueda nos fijamos nuevamente
en la grfica de contornos:
13

0.19

Factor B

0.25
0.31
12

0.39
0.45
0.48

Factor A

Grfica 5.54. Grfica de contorno del ndice D en el experimento 2.

Vemos como de nuevo el punto donde se obtiene un mayor ndice D es en le (7,11).

Proseguimos con el experimento 3:

Escenario
(7,11)
(7,11)

Respuestas
Nivel de Servicio
WIP
98,9047
17,6578
97,4109
17,9816

- 219 -

Funciones Desirability
d1
d2
0,0000
0,8684
0,0305
0,8037

D
0,0000
0,1566

(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)

98,3477
98,1935
97,1691
98,5249
94,4143
96,7389
98,4371
97,0913
98,1378
97,6007
97,2297
98,0410
96,9627
96,2217
98,2033
96,9683
97,1731
97,2973
97,6818
97,6623
95,1835
98,1938
97,7763
97,7593
98,2573
98,0214
98,3829
97,5704
98,7094
98,5236
97,7087
98,2578
98,1965
97,8955
96,6458
96,2845
98,3882
97,2905
97,4983
98,1765
98,1240
97,4387
98,0479
98,3256
98,0905
97,3631
97,5167
97,5561
97,6364
97,9394
98,7321
97,3467
97,9888

17,8816
17,9813
17,8648
17,9687
17,9939
17,5921
17,9841
17,9856
17,9856
17,8409
17,9129
17,9892
17,8995
17,8162
17,4958
17,8798
17,9813
17,9791
17,9111
17,9880
17,9854
17,9855
17,9894
17,7987
17,9895
17,9900
17,9784
17,9815
19,6197
19,7993
19,8353
19,4810
19,3771
19,9363
19,8771
19,6908
19,4467
19,6316
19,7564
19,7892
18,8943
19,9362
19,8024
19,9906
19,9911
19,9820
19,9237
19,7203
19,3978
19,4167
19,5848
19,3255
19,9782

- 220 -

0,0140
0,1165
0,0047
0,0006
0,0000
0,0000
0,0032
0,0023
0,2270
0,1079
0,0077
0,6579
0,0007
0,0000
0,1030
0,0007
0,0048
0,0132
0,1768
0,1573
0,0000
0,1160
0,3054
0,2774
0,0510
0,8057
0,0080
0,0891
0,0000
0,0006
0,2072
0,0507
0,1121
0,5846
0,0000
0,0000
0,0073
0,0125
0,0557
0,1434
0,2661
0,0371
0,6123
0,0195
0,3874
0,0216
0,0629
0,0813
0,1345
0,7350
0,0000
0,0192
0,9455

0,8237
0,8037
0,8270
0,8063
0,8012
0,8816
0,8032
0,8029
0,8029
0,8318
0,8174
0,8022
0,8201
0,8368
0,9008
0,8240
0,8037
0,8042
0,8178
0,8024
0,8029
0,8029
0,8021
0,8403
0,8021
0,8020
0,8043
0,8037
0,4761
0,4401
0,4329
0,5038
0,5246
0,4127
0,4246
0,4618
0,5107
0,4737
0,4487
0,4422
0,6211
0,4128
0,4395
0,4019
0,4018
0,4036
0,4153
0,4559
0,5204
0,5167
0,4830
0,5349
0,4044

0,1072
0,3060
0,0621
0,0217
0,0000
0,0065
0,0506
0,0433
0,4269
0,2995
0,0795
0,7265
0,0234
0,0000
0,3046
0,0241
0,0622
0,1030
0,3802
0,3553
0,0000
0,3052
0,4949
0,4828
0,2023
0,8038
0,0802
0,2676
0,0014
0,0163
0,2995
0,1598
0,2425
0,4912
0,0023
0,0000
0,0612
0,0770
0,1581
0,2518
0,4066
0,1238
0,5188
0,0885
0,3945
0,0934
0,1616
0,1925
0,2645
0,6162
0,0010
0,1012
0,6183

(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)

97,8063
98,2593
98,0310
97,1395
95,9710
97,4663
98,2101
97,8952
98,2695
97,7987
97,8733
96,7575
97,7227
98,6166
97,0575
97,1719
97,6624
97,7351
97,8271
97,6889
98,9052
97,8127
97,1925
96,6543
96,2865
97,8822
98,4516
98,6790
97,6357
97,6180
96,7916
97,7054
97,9716
96,7944
96,2152
98,1830
97,9353
98,7688
98,0239
96,2722
98,1324
97,3017
98,5892
98,2998
98,8137
97,9335
98,3078
98,8488
98,2692
98,8704
96,3791
98,4163
98,6311

19,7455
19,7639
19,6753
19,5610
19,7867
19,7351
19,8704
19,9248
19,8493
19,6400
19,9637
19,9877
19,7563
19,9737
19,9826
19,9833
19,8359
19,7969
19,9835
19,9881
19,9838
19,8275
19,9900
19,9730
19,8058
19,8921
19,9812
19,6479
19,9800
19,9841
19,7853
19,6846
19,2353
19,9765
19,9774
21,5069
21,8583
21,5349
21,7766
21,4845
21,0039
21,5499
21,3987
21,3001
21,4811
20,6515
21,9627
21,6790
21,9758
21,6075
21,9906
21,9861
20,8862

- 221 -

0,3611
0,0497
0,7296
0,0036
0,0000
0,0449
0,0945
0,5839
0,0433
0,3461
0,5197
0,0001
0,2247
0,0001
0,0017
0,0048
0,1574
0,2415
0,4048
0,1844
0,0000
0,3741
0,0057
0,0000
0,0000
0,5449
0,0025
0,0000
0,1339
0,1201
0,0001
0,2032
0,8665
0,0001
0,0000
0,1324
0,7198
0,0000
0,7852
0,0000
0,2417
0,0136
0,0001
0,0283
0,0000
0,7131
0,0253
0,0000
0,0435
0,0000
0,0000
0,0046
0,0000

0,4509
0,4472
0,4649
0,4878
0,4427
0,4530
0,4259
0,4150
0,4301
0,4720
0,4073
0,4025
0,4487
0,4053
0,4035
0,4033
0,4328
0,4406
0,4033
0,4024
0,4032
0,4345
0,4020
0,4054
0,4388
0,4216
0,4038
0,4704
0,4040
0,4032
0,4429
0,4631
0,5529
0,4047
0,4045
0,0986
0,0283
0,0930
0,0447
0,1031
0,1992
0,0900
0,1203
0,1400
0,1038
0,2697
0,0075
0,0642
0,0048
0,0785
0,0019
0,0028
0,2228

0,4035
0,1491
0,5824
0,0419
0,0000
0,1426
0,2006
0,4923
0,1364
0,4042
0,4601
0,0049
0,3176
0,0053
0,0263
0,0439
0,2610
0,3262
0,4040
0,2724
0,0000
0,4032
0,0478
0,0024
0,0000
0,4793
0,0315
0,0023
0,2325
0,2200
0,0065
0,3067
0,6922
0,0063
0,0000
0,1143
0,1428
0,0002
0,1873
0,0000
0,2194
0,0350
0,0041
0,0630
0,0001
0,4385
0,0137
0,0000
0,0145
0,0000
0,0000
0,0036
0,0032

(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)

97,6541
97,1628
98,1969
97,6360
98,4553
98,9671
97,6491
96,7379
97,8424
98,5263
98,3090
98,2550
97,9587
98,2566
97,7965
98,9143
97,2448
97,8034
96,6827
97,0027
98,2367
96,4857
96,6667
99,0027
97,6079
97,9176
97,3953
98,2361
96,6356
96,9056
98,5298
97,7607
97,4894
98,5640
97,9045
98,9080
97,6812
98,0061
97,7445
98,9827
97,8684
97,2581

20,9013
21,7734
21,9551
21,3883
21,8527
20,4870
21,3817
21,8707
21,7044
21,4399
21,1211
21,2062
19,9891
19,3629
19,9837
19,7470
19,8401
19,9427
19,6516
19,9206
19,4902
19,9023
19,7630
19,9717
19,7674
19,9191
19,9849
19,5333
19,8240
19,9866
19,1750
19,7586
19,4631
19,9240
19,6154
19,8083
19,7491
19,8455
19,9818
19,8888
19,8550
19,6738

0,1497
0,0044
0,1115
0,1341
0,0023
0,0000
0,1453
0,0000
0,4400
0,0006
0,0248
0,0527
0,8117
0,0515
0,3420
0,0000
0,0087
0,3554
0,0000
0,0010
0,0672
0,0000
0,0000
0,0000
0,1128
0,6565
0,0273
0,0676
0,0000
0,0004
0,0005
0,2796
0,0525
0,0002
0,6132
0,0000
0,1761
0,9407
0,2550
0,0000
0,5062
0,0097

0,2197
0,0453
0,0090
0,1223
0,0295
0,3026
0,1237
0,0259
0,0591
0,1120
0,1758
0,1588
0,4022
0,5274
0,4033
0,4506
0,4320
0,4115
0,4697
0,4159
0,5020
0,4195
0,4474
0,4057
0,4465
0,4162
0,4030
0,4933
0,4352
0,4027
0,5650
0,4483
0,5074
0,4152
0,4769
0,4383
0,4502
0,4309
0,4036
0,4222
0,4290
0,4652

0,1814
0,0141
0,0316
0,1281
0,0082
0,0000
0,1340
0,0011
0,1613
0,0080
0,0660
0,0914
0,5714
0,1649
0,3714
0,0000
0,0614
0,3824
0,0032
0,0204
0,1836
0,0005
0,0028
0,0000
0,2244
0,5227
0,1049
0,1827
0,0021
0,0121
0,0173
0,3540
0,1632
0,0101
0,5408
0,0000
0,2816
0,6367
0,3208
0,0000
0,4660
0,0672

Tabla 5.77. Resultados del experimento 3 para la funcin desirability y el ndice D.

A continuacin los datos necesarios para efectuar el anlisis de varianza:

- 222 -

Escenario ndice D medio STD ndice D

(7,11)
0,2059
0,2188
(9,11)
0,2173
0,1992
(7,13)
0,1976
0,1958
(9,13)
0,0688
0,0982
(8,12)
0,1890
0,2057
Tabla 5.78. ndice D medio y desviacin estndar obtenidos en el experimento 3.

El anlisis de varianza queda:

Termino Efectos
A
-0,06
B
-0,08
AB
-0,07
Error
Total

SS
0,11
0,18
0,15
5,16
5,60

Porcentaje g.d.l MSS Fo Fo Tablas

1,96
1
0,10 2,92
3,91
3,22
1
0,18 5,21
3,91
2,68
1
0,15 4,17
3,91
92,14
146
100
149

Tabla 5.79. Anlisis de varianza del experimento 3 para el ajuste del ndice D.

Examinando los resultados obtenidos vemos como son significativos el factor B y la

interaccin AB. Al ser esta ltima significativa hemos de aadir al modelo el trmino
correspondiente al factor A aunque este no haya resultado ser significativo, as el
modelo queda en variables codificadas:

y = 0,18 0,03x1 0,04 x2 0,035x1 x2

y en variables naturales:

y = 2,48 + 0,391 + 0,24 2 0,0351 2

Las pruebas de significacin y falta de ajuste:
Termino
Modelo
Residual
(Falta de ajuste LOF)
(Error puro)
Total

SS
0,43
5,17
0,01
5,16
5,60

g.d.l MSS
3
0,14
146 0,04
1
0,01
145 0,04
149

Fo
3,5

Fo Tablas
2,67

0,25

3,91

Tabla 5.80. Prueba de significacin y de la falta de ajuste del experimento 3 para el ajuste del ndice D.

- 223 -

Se observa que el modelo las pasa, por lo que proseguimos con las pruebas grficas de
los residuales:
Respuestas
0,00
0,16
0,11
0,31
0,06
0,02
0,00
0,01
0,05
0,04
0,43
0,30
0,08
0,73
0,02
0,00
0,30
0,02
0,06
0,10
0,38
0,36
0,00
0,31
0,49
0,48
0,20
0,80
0,08
0,27
0,00
0,02
0,30
0,16
0,24
0,49
0,00
0,00
0,06
0,08
0,16
0,25
0,41
0,12
0,52
0,09
0,39

Prediccin
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,21
0,22
0,22
0,22
0,22
0,22
0,22
0,22
0,22
0,22
0,22
0,22
0,22
0,22
0,22
0,22
0,22
0,22

- 224 -

Residuales
-0,21
-0,05
-0,10
0,10
-0,15
-0,19
-0,21
-0,20
-0,16
-0,17
0,22
0,09
-0,13
0,52
-0,19
-0,21
0,10
-0,19
-0,15
-0,11
0,17
0,15
-0,21
0,10
0,29
0,27
-0,01
0,59
-0,13
0,06
-0,22
-0,20
0,08
-0,06
0,02
0,27
-0,22
-0,22
-0,16
-0,14
-0,06
0,03
0,19
-0,10
0,30
-0,13
0,17

0,09
0,16
0,19
0,26
0,62
0,00
0,10
0,62
0,40
0,15
0,58
0,04
0,00
0,14
0,20
0,49
0,14
0,40
0,46
0,00
0,32
0,01
0,03
0,04
0,26
0,33
0,40
0,27
0,00
0,40
0,05
0,00
0,00
0,48
0,03
0,00
0,23
0,22
0,01
0,31
0,69
0,01
0,00
0,11
0,14
0,00
0,19
0,00
0,22
0,04
0,00
0,06
0,00

0,22
0,22
0,22
0,22
0,22
0,22
0,22
0,22
0,22
0,22
0,22
0,22
0,22
0,20
0,20
0,20
0,20
0,20
0,20
0,20
0,20
0,20
0,20
0,20
0,20
0,20
0,20
0,20
0,20
0,20
0,20
0,20
0,20
0,20
0,20
0,20
0,20
0,20
0,20
0,20
0,20
0,20
0,07
0,07
0,07
0,07
0,07
0,07
0,07
0,07
0,07
0,07
0,07

- 225 -

-0,13
-0,06
-0,03
0,04
0,40
-0,22
-0,12
0,40
0,18
-0,07
0,36
-0,18
-0,22
-0,06
0,00
0,29
-0,06
0,20
0,26
-0,20
0,12
-0,20
-0,17
-0,16
0,06
0,13
0,20
0,07
-0,20
0,20
-0,15
-0,20
-0,20
0,28
-0,17
-0,20
0,03
0,02
-0,19
0,11
0,49
-0,19
-0,07
0,04
0,07
-0,07
0,12
-0,07
0,15
-0,04
-0,07
-0,01
-0,07

0,44
0,01
0,00
0,01
0,00
0,00
0,00
0,00
0,18
0,01
0,03
0,13
0,01
0,00
0,13
0,00
0,16
0,01
0,07
0,09
0,57
0,16
0,37
0,00
0,06
0,38
0,00
0,02
0,18
0,00
0,00
0,00
0,22
0,52
0,10
0,18
0,00
0,01
0,02
0,35
0,16
0,01
0,54
0,00
0,28
0,64
0,32
0,00
0,47
0,07

0,07
0,07
0,07
0,07
0,07
0,07
0,07
0,07
0,07
0,07
0,07
0,07
0,07
0,07
0,07
0,07
0,07
0,07
0,18
0,18
0,18
0,18
0,18
0,18
0,18
0,18
0,18
0,18
0,18
0,18
0,18
0,18
0,18
0,18
0,18
0,18
0,18
0,18
0,18
0,18
0,18
0,18
0,18
0,18
0,18
0,18
0,18
0,18
0,18
0,18

0,37
-0,06
-0,07
-0,06
-0,07
-0,07
-0,07
-0,07
0,11
-0,06
-0,04
0,06
-0,06
-0,07
0,06
-0,07
0,09
-0,06
-0,11
-0,08
0,40
-0,01
0,20
-0,18
-0,11
0,21
-0,17
-0,16
0,01
-0,18
-0,17
-0,18
0,05
0,35
-0,07
0,01
-0,17
-0,16
-0,16
0,18
-0,01
-0,17
0,37
-0,18
0,11
0,46
0,15
-0,18
0,29
-0,11

Tabla 5.81. Residuales del experimento 3 para el ajuste del ndice D.

- 226 -

% de probabilidad normal

99
95
90
80
70
50
30
20
10
5

-1.19

-0.09

1.01

2.11

3.21

Residuales

Grfica 5.55. Probabilidad normal de los residuales en el experimento 3 para el ajuste del ndice D.

0,60
0,50
0,40
0,30

Residuales

0,20
0,10
0,00
-0,100,00

0,10

0,20

-0,20
-0,30
-0,40
-0,50
-0,60
Indice D predicho

Grfica 5.56. Residuales frente a en el experimento 3 para el ajuste del ndice D.

- 227 -

0,60

0,40

Residuales

0,20

0,00
0

50

100

150

-0,20

-0,40

-0,60
Orden de Realizacin de la Sim ulacin

Grfica 5.57. Residuales frente al orden de simulacin en el experimento 3 para el ajuste del ndice D.

Observando la grfica de la probabilidad normal, lo primero que nos llama la atencin

es que sigue adecuadamente la lnea recta salvo el extremo izquierdo. Esto significa que
los valores negativos de los residuales no son tan grandes en valor absoluto como se
esperaba. Esto se pone de manifiesto observando estos valores en las grficas 5.56 y
5.57. Tambin se observa el comportamiento ya comentado de las respuestas no
adecuadas segn los lmites de aceptabilidad elegidos a lo hora de disear las funciones
desirability. Los resultados obtenidos al analizar los residuales no ofrecen un resultado
como para no dar al modelo por adecuado, aunque por ahora, los resultados obtenidos
en el experimento nmero dos, parecen indicar que el criterio de pesos empleados en
aquel experimento es ms adecuado que los empleados en este.

- 228 -

13

0.10
0.12

Factor B

0.15
0.17
12

0.20
0.21
0.21

0.22

Factor A

Grfica 5.58. Grfica de contorno del ndice D en el experimento 3.

En la grfica de contornos se aprecia como el punto que alcanza un mayor ndice D

dentro de la regin de experimentacin, es el (9, 11).
El experimento nmero cuatro se muestra a continuacin:

Escenario
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)

Respuestas
Nivel de Servicio
98,9047
97,4109
98,3477
98,1935
97,1691
98,5249
94,4143
96,7389
98,4371
97,0913
98,1378
97,6007
97,2297
98,0410
96,9627
96,2217
98,2033
96,9683
97,1731
97,2973
97,6818
97,6623

WIP
17,6578
17,9816
17,8816
17,9813
17,8648
17,9687
17,9939
17,5921
17,9841
17,9856
17,9856
17,8409
17,9129
17,9892
17,8995
17,8162
17,4958
17,8798
17,9813
17,9791
17,9111
17,9880

- 229 -

Funciones Desirability
d1
d2
0,0000
0,2440
0,0305
0,1124
0,0140
0,1437
0,1165
0,1125
0,0047
0,1497
0,0006
0,1161
0,0000
0,1090
0,0000
0,2835
0,0032
0,1117
0,0023
0,1113
0,2270
0,1113
0,1079
0,1586
0,0077
0,1332
0,6579
0,1103
0,0007
0,1376
0,0000
0,1683
0,1030
0,3519
0,0007
0,1444
0,0048
0,1125
0,0132
0,1131
0,1768
0,1338
0,1573
0,1106

D
0,0000
0,0586
0,0448
0,1145
0,0264
0,0082
0,0000
0,0037
0,0189
0,0161
0,1590
0,1308
0,0321
0,2694
0,0096
0,0000
0,1904
0,0101
0,0233
0,0386
0,1538
0,1319

(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)

95,1835
98,1938
97,7763
97,7593
98,2573
98,0214
98,3829
97,5704
98,7094
98,5236
97,7087
98,2578
98,1965
97,8955
96,6458
96,2845
98,3882
97,2905
97,4983
98,1765
98,1240
97,4387
98,0479
98,3256
98,0905
97,3631
97,5167
97,5561
97,6364
97,9394
98,7321
97,3467
97,9888
97,8063
98,2593
98,0310
97,1395
95,9710
97,4663
98,2101
97,8952
98,2695
97,7987
97,8733
96,7575
97,7227
98,6166
97,0575
97,1719
97,6624
97,7351
97,8271
97,6889

17,9854
17,9855
17,9894
17,7987
17,9895
17,9900
17,9784
17,9815
19,6197
19,7993
19,8353
19,4810
19,3771
19,9363
19,8771
19,6908
19,4467
19,6316
19,7564
19,7892
18,8943
19,9362
19,8024
19,9906
19,9911
19,9820
19,9237
19,7203
19,3978
19,4167
19,5848
19,3255
19,9782
19,7455
19,7639
19,6753
19,5610
19,7867
19,7351
19,8704
19,9248
19,8493
19,6400
19,9637
19,9877
19,7563
19,9737
19,9826
19,9833
19,8359
19,7969
19,9835
19,9881

- 230 -

0,0000
0,1160
0,3054
0,2774
0,0510
0,8057
0,0080
0,0891
0,0000
0,0006
0,2072
0,0507
0,1121
0,5846
0,0000
0,0000
0,0073
0,0125
0,0557
0,1434
0,2661
0,0371
0,6123
0,0195
0,3874
0,0216
0,0629
0,0813
0,1345
0,7350
0,0000
0,0192
0,9455
0,3611
0,0497
0,7296
0,0036
0,0000
0,0449
0,0945
0,5839
0,0433
0,3461
0,5197
0,0001
0,2247
0,0001
0,0017
0,0048
0,1574
0,2415
0,4048
0,1844

0,1114
0,1113
0,1103
0,1755
0,1102
0,1101
0,1133
0,1125
0,0006
0,0003
0,0002
0,0011
0,0016
0,0001
0,0002
0,0004
0,0012
0,0006
0,0003
0,0003
0,0085
0,0001
0,0003
0,0001
0,0001
0,0001
0,0002
0,0004
0,0015
0,0014
0,0007
0,0019
0,0001
0,0003
0,0003
0,0005
0,0008
0,0003
0,0004
0,0002
0,0002
0,0002
0,0005
0,0001
0,0001
0,0003
0,0001
0,0001
0,0001
0,0002
0,0003
0,0001
0,0001

0,0000
0,1137
0,1835
0,2206
0,0750
0,2978
0,0301
0,1001
0,0001
0,0004
0,0069
0,0073
0,0133
0,0092
0,0000
0,0000
0,0030
0,0027
0,0043
0,0064
0,0477
0,0023
0,0128
0,0015
0,0065
0,0016
0,0031
0,0056
0,0140
0,0316
0,0000
0,0061
0,0105
0,0112
0,0040
0,0186
0,0017
0,0000
0,0040
0,0043
0,0094
0,0031
0,0138
0,0081
0,0001
0,0086
0,0001
0,0004
0,0007
0,0060
0,0082
0,0068
0,0045

(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)

98,9052
97,8127
97,1925
96,6543
96,2865
97,8822
98,4516
98,6790
97,6357
97,6180
96,7916
97,7054
97,9716
96,7944
96,2152
98,1830
97,9353
98,7688
98,0239
96,2722
98,1324
97,3017
98,5892
98,2998
98,8137
97,9335
98,3078
98,8488
98,2692
98,8704
96,3791
98,4163
98,6311
97,6541
97,1628
98,1969
97,6360
98,4553
98,9671
97,6491
96,7379
97,8424
98,5263
98,3090
98,2550
97,9587
98,2566
97,7965
98,9143
97,2448
97,8034
96,6827
97,0027

19,9838
19,8275
19,9900
19,9730
19,8058
19,8921
19,9812
19,6479
19,9800
19,9841
19,7853
19,6846
19,2353
19,9765
19,9774
21,5069
21,8583
21,5349
21,7766
21,4845
21,0039
21,5499
21,3987
21,3001
21,4811
20,6515
21,9627
21,6790
21,9758
21,6075
21,9906
21,9861
20,8862
20,9013
21,7734
21,9551
21,3883
21,8527
20,4870
21,3817
21,8707
21,7044
21,4399
21,1211
21,2062
19,9891
19,3629
19,9837
19,7470
19,8401
19,9427
19,6516
19,9206

- 231 -

0,0000
0,3741
0,0057
0,0000
0,0000
0,5449
0,0025
0,0000
0,1339
0,1201
0,0001
0,2032
0,8665
0,0001
0,0000
0,1324
0,7198
0,0000
0,7852
0,0000
0,2417
0,0136
0,0001
0,0283
0,0000
0,7131
0,0253
0,0000
0,0435
0,0000
0,0000
0,0046
0,0000
0,1497
0,0044
0,1115
0,1341
0,0023
0,0000
0,1453
0,0000
0,4400
0,0006
0,0248
0,0527
0,8117
0,0515
0,3420
0,0000
0,0087
0,3554
0,0000
0,0010

0,0001
0,0002
0,0001
0,0001
0,0003
0,0002
0,0001
0,0005
0,0001
0,0001
0,0003
0,0005
0,0027
0,0001
0,0001
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0001
0,0017
0,0001
0,0003
0,0002
0,0001
0,0005
0,0002

0,0000
0,0095
0,0008
0,0000
0,0000
0,0098
0,0005
0,0001
0,0039
0,0037
0,0002
0,0096
0,0481
0,0001
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0002
0,0000
0,0000
0,0000
0,0000
0,0012
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0002
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0095
0,0093
0,0062
0,0000
0,0014
0,0070
0,0001
0,0004

(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)

98,2367
96,4857
96,6667
99,0027
97,6079
97,9176
97,3953
98,2361
96,6356
96,9056
98,5298
97,7607
97,4894
98,5640
97,9045
98,9080
97,6812
98,0061
97,7445
98,9827
97,8684
97,2581

19,4902
19,9023
19,7630
19,9717
19,7674
19,9191
19,9849
19,5333
19,8240
19,9866
19,1750
19,7586
19,4631
19,9240
19,6154
19,8083
19,7491
19,8455
19,9818
19,8888
19,8550
19,6738

0,0672
0,0000
0,0000
0,0000
0,1128
0,6565
0,0273
0,0676
0,0000
0,0004
0,0005
0,2796
0,0525
0,0002
0,6132
0,0000
0,1761
0,9407
0,2550
0,0000
0,5062
0,0097

0,0010
0,0002
0,0003
0,0001
0,0003
0,0002
0,0001
0,0009
0,0002
0,0001
0,0033
0,0003
0,0011
0,0002
0,0006
0,0003
0,0003
0,0002
0,0001
0,0002
0,0002
0,0005

0,0083
0,0000
0,0001
0,0000
0,0060
0,0101
0,0018
0,0076
0,0001
0,0002
0,0013
0,0096
0,0077
0,0002
0,0193
0,0000
0,0078
0,0144
0,0054
0,0000
0,0103
0,0021

Tabla 5.82. Resultados del experimento 4 para la funcin desirability y el ndice D.

El ndice D medio y la desviacin estndar para cada uno de los escenarios se muestran
en la tabla 5.83:
Escenario ndice D medio STD ndice D
(7,11)
0,0820
0,0859
(9,11)
0,0077
0,0102
(7,13)
0,0055
0,0090
(9,13)
0,0001
0,0002
(8,12)
0,0049
0,0051
Tabla 5.83. ndice D medio y desviacin estndar obtenidos en el experimento 4.

El anlisis de varianza muestra como tanto los factores A y B, como la interaccin entre
ellos son significativos:
Termino Efectos SS
Porcentaje g.d.l MSS
A
-0,04 0,05
13,08
1
0,05
B
-0,04 0,05
14,44
1
0,05
AB
-0,03 0,04
9,81
1
0,04
Error
0,23
62,67
146 0,00
Total
0,37
100,00
149

Fo
Fo Tablas
30,47
3,91
33,64
3,91
22,85
3,91

Tabla 5.84. Anlisis de varianza del experimento 4 para el ajuste del ndice D.

- 232 -

Por tanto el modelo en variables codificadas y en variables naturales, quedan

respectivamente:

y = 0,02 0,02 x1 0,02 x2 0,015x1 x2

y = 2,08 0,231 0,16 2 + 0,021 2
La prueba de significacin la pasa, como se puede ver en la tabla 5.85, sin embargo la
de falta de ajuste no. Esto significa que el modelo no se ajusta adecuadamente a la
superficie de respuesta real del ndice D. El prximo paso sera disear un experimento
central compuesto en las caras para intentar ajustar un modelo de segundo orden que se
ajustara a la superficie de respuesta en esta regin de experimentacin, sin embargo lo
desestimamos porque esto significa realizar 120 rplicas ms (30 en cada uno de los
cuatro puntos centrales), por otro lado la combinacin de pesos de este experimento es
la ms radical de todas y a tenor de los resultados obtenidos en los experimentos
anteriores es muy probablemente que no aporte nada nuevo.
Termino
Modelo
Residual
(Falta de ajuste LOF)
(Error puro)
Total

SS g.d.l MSS
Fo
Fo Tablas
0,14
3
0,045 28,57
2,67
0,23 146 0,002
0,01
1
0,010 6,59
3,91
0,22 145 0,002
0,37 149

Tabla 5.85. Prueba de significacin y de la falta de ajuste del experimento 4 para el ajuste del ndice D.

En el ltimo experimento de esta batera se han obtenido los siguientes resultados:

Escenario
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)

Respuestas
Nivel de Servicio
98,9047
97,4109
98,3477
98,1935
97,1691
98,5249
94,4143
96,7389
98,4371
97,0913
98,1378
97,6007
97,2297
98,0410

WIP
17,6578
17,9816
17,8816
17,9813
17,8648
17,9687
17,9939
17,5921
17,9841
17,9856
17,9856
17,8409
17,9129
17,9892

- 233 -

Funciones Desirability
d1
d2
0,0000
0,9860
0,7054
0,9784
0,0140
0,9808
0,1165
0,9784
0,5846
0,9812
0,0006
0,9787
0,0000
0,9781
0,3694
0,9875
0,0032
0,9783
0,5457
0,9783
0,2270
0,9783
0,8004
0,9818
0,6149
0,9800
0,6579
0,9782

D
0,0000
0,8308
0,1170
0,3376
0,7573
0,0239
0,0000
0,6040
0,0559
0,7306
0,4713
0,8864
0,7763
0,8022

(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(7,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(9,11)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)

96,9627
96,2217
98,2033
96,9683
97,1731
97,2973
97,6818
97,6623
95,1835
98,1938
97,7763
97,7593
98,2573
98,0214
98,3829
97,5704
98,7094
98,5236
97,7087
98,2578
98,1965
97,8955
96,6458
96,2845
98,3882
97,2905
97,4983
98,1765
98,1240
97,4387
98,0479
98,3256
98,0905
97,3631
97,5167
97,5561
97,6364
97,9394
98,7321
97,3467
97,9888
97,8063
98,2593
98,0310
97,1395
95,9710
97,4663
98,2101
97,8952
98,2695
97,7987
97,8733
96,7575

17,8995
17,8162
17,4958
17,8798
17,9813
17,9791
17,9111
17,9880
17,9854
17,9855
17,9894
17,7987
17,9895
17,9900
17,9784
17,9815
19,6197
19,7993
19,8353
19,4810
19,3771
19,9363
19,8771
19,6908
19,4467
19,6316
19,7564
19,7892
18,8943
19,9362
19,8024
19,9906
19,9911
19,9820
19,9237
19,7203
19,3978
19,4167
19,5848
19,3255
19,9782
19,7455
19,7639
19,6753
19,5610
19,7867
19,7351
19,8704
19,9248
19,8493
19,6400
19,9637
19,9877

- 234 -

0,4813
0,1109
0,1030
0,4842
0,5865
0,6486
0,8409
0,8311
0,0000
0,1160
0,8881
0,8796
0,0510
0,8057
0,0080
0,7852
0,0000
0,0006
0,8543
0,0507
0,1121
0,9477
0,3229
0,1423
0,0073
0,6452
0,7491
0,1434
0,2661
0,7194
0,6123
0,0195
0,3874
0,6816
0,7583
0,7780
0,8182
0,9697
0,0000
0,6734
0,9944
0,9032
0,0497
0,7296
0,5698
0,0000
0,7332
0,0945
0,9476
0,0433
0,8993
0,9367
0,3787

0,9804
0,9823
0,9896
0,9808
0,9784
0,9784
0,9801
0,9782
0,9783
0,9783
0,9782
0,9827
0,9782
0,9782
0,9785
0,9784
0,9285
0,9212
0,9197
0,9337
0,9375
0,9153
0,9179
0,9257
0,9350
0,9280
0,9230
0,9216
0,9535
0,9153
0,9211
0,9129
0,9128
0,9133
0,9159
0,9245
0,9368
0,9361
0,9298
0,9394
0,9134
0,9234
0,9227
0,9263
0,9307
0,9217
0,9239
0,9182
0,9158
0,9191
0,9277
0,9141
0,9130

0,6869
0,3300
0,3193
0,6891
0,7575
0,7967
0,9078
0,9017
0,0000
0,3369
0,9321
0,9298
0,2234
0,8877
0,0885
0,8765
0,0020
0,0236
0,8864
0,2176
0,3242
0,9314
0,5444
0,3629
0,0829
0,7738
0,8315
0,3636
0,5037
0,8114
0,7510
0,1333
0,5947
0,7890
0,8334
0,8481
0,8755
0,9527
0,0013
0,7953
0,9531
0,9132
0,2142
0,8221
0,7282
0,0000
0,8230
0,2946
0,9316
0,1994
0,9134
0,9253
0,5880

(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(7,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)
(9,13)

97,7227
98,6166
97,0575
97,1719
97,6624
97,7351
97,8271
97,6889
98,9052
97,8127
97,1925
96,6543
96,2865
97,8822
98,4516
98,6790
97,6357
97,6180
96,7916
97,7054
97,9716
96,7944
96,2152
98,1830
97,9353
98,7688
98,0239
96,2722
98,1324
97,3017
98,5892
98,2998
98,8137
97,9335
98,3078
98,8488
98,2692
98,8704
96,3791
98,4163
98,6311
97,6541
97,1628
98,1969
97,6360
98,4553
98,9671
97,6491
96,7379
97,8424
98,5263
98,3090
98,2550

19,7563
19,9737
19,9826
19,9833
19,8359
19,7969
19,9835
19,9881
19,9838
19,8275
19,9900
19,9730
19,8058
19,8921
19,9812
19,6479
19,9800
19,9841
19,7853
19,6846
19,2353
19,9765
19,9774
21,5069
21,8583
21,5349
21,7766
21,4845
21,0039
21,5499
21,3987
21,3001
21,4811
20,6515
21,9627
21,6790
21,9758
21,6075
21,9906
21,9861
20,8862
20,9013
21,7734
21,9551
21,3883
21,8527
20,4870
21,3817
21,8707
21,7044
21,4399
21,1211
21,2062

- 235 -

0,8613
0,0001
0,5287
0,5860
0,8312
0,8675
0,9135
0,8445
0,0000
0,9064
0,5963
0,3271
0,1433
0,9411
0,0025
0,0000
0,8178
0,8090
0,3958
0,8527
0,9858
0,3972
0,1076
0,1324
0,9677
0,0000
0,7852
0,1361
0,2417
0,6508
0,0001
0,0283
0,0000
0,9667
0,0253
0,0000
0,0435
0,0000
0,1895
0,0046
0,0000
0,8270
0,5814
0,1115
0,8180
0,0023
0,0000
0,8246
0,3689
0,9212
0,0006
0,0248
0,0527

0,9230
0,9136
0,9132
0,9132
0,9197
0,9213
0,9132
0,9130
0,9132
0,9200
0,9129
0,9137
0,9209
0,9172
0,9133
0,9274
0,9134
0,9132
0,9218
0,9259
0,9425
0,9135
0,9135
0,7932
0,7003
0,7886
0,7328
0,7968
0,8510
0,7860
0,8091
0,8215
0,7973
0,8772
0,6127
0,7599
0,5868
0,7753
0,5339
0,5552
0,8606
0,8594
0,7339
0,6242
0,8105
0,7029
0,8873
0,8114
0,6938
0,7537
0,8034
0,8404
0,8319

0,8916
0,0079
0,6949
0,7315
0,8743
0,8940
0,9134
0,8781
0,0000
0,9132
0,7378
0,5467
0,3632
0,9291
0,0474
0,0033
0,8643
0,8595
0,6040
0,8885
0,9639
0,6024
0,3135
0,3241
0,8232
0,0006
0,7585
0,3293
0,4535
0,7152
0,0105
0,1526
0,0002
0,9209
0,1244
0,0001
0,1597
0,0000
0,3181
0,0505
0,0063
0,8431
0,6532
0,2639
0,8142
0,0402
0,0000
0,8179
0,5060
0,8332
0,0214
0,1444
0,2093

(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)
(8,12)

97,9587
98,2566
97,7965
98,9143
97,2448
97,8034
96,6827
97,0027
98,2367
96,4857
96,6667
99,0027
97,6079
97,9176
97,3953
98,2361
96,6356
96,9056
98,5298
97,7607
97,4894
98,5640
97,9045
98,9080
97,6812
98,0061
97,7445
98,9827
97,8684
97,2581

19,9891
19,3629
19,9837
19,7470
19,8401
19,9427
19,6516
19,9206
19,4902
19,9023
19,7630
19,9717
19,7674
19,9191
19,9849
19,5333
19,8240
19,9866
19,1750
19,7586
19,4631
19,9240
19,6154
19,8083
19,7491
19,8455
19,9818
19,8888
19,8550
19,6738

0,9794
0,0515
0,8983
0,0000
0,6224
0,9017
0,3413
0,5014
0,0672
0,2428
0,3333
0,0000
0,8039
0,9588
0,6977
0,0676
0,3178
0,4528
0,0005
0,8804
0,7447
0,0002
0,9523
0,0000
0,8406
0,9407
0,8723
0,0000
0,9342
0,6291

0,9129
0,9380
0,9132
0,9234
0,9195
0,9150
0,9272
0,9160
0,9334
0,9168
0,9227
0,9137
0,9225
0,9161
0,9131
0,9318
0,9202
0,9131
0,9445
0,9229
0,9344
0,9159
0,9286
0,9208
0,9233
0,9193
0,9133
0,9174
0,9189
0,9263

0,9456
0,2199
0,9057
0,0000
0,7565
0,9083
0,5626
0,6777
0,2504
0,4719
0,5546
0,0000
0,8612
0,9372
0,7982
0,2511
0,5408
0,6430
0,0223
0,9014
0,8342
0,0151
0,9404
0,0000
0,8810
0,9299
0,8925
0,0000
0,9265
0,7634

Tabla 5.86. Resultados del experimento 5 para la funcin desirability y el ndice D.

Escenario ndice D medio STD ndice D

(7,11)
0,5352
0,3433
(9,11)
0,5621
0,3408
(7,13)
0,6399
0,3275
(9,13)
0,3432
0,3334
(8,12)
0,5797
0,3594
Tabla 5.87. ndice D medio y desviacin estndar obtenidos en el experimento 5.

El anlisis de varianza se calcula con los datos obtenidos en la tabla 5.87 arrojando el
resultado siguiente:

- 236 -

Termino Efectos SS Porcentaje g.d.l

A
-0,14
0,55
2,99
1
B
-0,06
0,10
0,53
1
AB
-0,16
0,79
4,30
1
Error
16,95
92,18
146
Total
18,39
100,00
149

MSS Fo Fo Tablas
0,55 4,74
3,91
0,10 0,84
3,91
0,79 6,80
3,91
0,12

Tabla 5.88. Anlisis de varianza del experimento 5 para el ajuste del ndice D.

Se puede ver que el factor A y la interaccin AB son significativos, no siendo as para el

factor B. El modelo ajustado incluir el trmino correspondiente a este factor debido a
que la interaccin es significativa. El modelo ajustado es, en variables codificadas:

y = 0,53 0,07 x1 0,03x2 0,08x1 x2

y en variables naturales:

y = 6,35 + 0,901 + 0,62 2 0,081 2

Siguiendo la metodologa, el paso siguiente es calcular la adecuacin del modelo. Las
dos primeras pruebas son la de la significacin de los coeficientes del modelo y la de
falta de ajuste:
Termino
Modelo
Residual
(Falta de ajuste LOF)
(Error puro)
Total

SS
1,44
16,95
0,09
16,86
18,39

g.d.l
3
146
1
145
149

MSS
0,48
0,12
0,09
0,12

Fo
4,13

Fo Tablas
2,67

0,73

3,91

Tabla 5.89. Prueba de significacin y de la falta de ajuste del experimento 5 para el ajuste del ndice D.

En la tabla 5.89 se observa como el modelo pasa ambas pruebas. La siguiente es el

anlisis grfico de los residuales:
Respuestas
0,00
0,83
0,12
0,34
0,76
0,02
0,00

Prediccin
0,55
0,55
0,55
0,55
0,55
0,55
0,55

- 237 -

Residuales
-0,55
0,28
-0,43
-0,21
0,21
-0,52
-0,55

0,60
0,06
0,73
0,47
0,89
0,78
0,80
0,69
0,33
0,32
0,69
0,76
0,80
0,91
0,90
0,00
0,34
0,93
0,93
0,22
0,89
0,09
0,88
0,00
0,02
0,89
0,22
0,32
0,93
0,54
0,36
0,08
0,77
0,83
0,36
0,50
0,81
0,75
0,13
0,59
0,79
0,83
0,85
0,88
0,95
0,00
0,80
0,95
0,91
0,21
0,82
0,73
0,00

0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,55
0,57
0,57
0,57
0,57
0,57
0,57
0,57
0,57
0,57
0,57
0,57
0,57
0,57
0,57
0,57
0,57
0,57
0,57
0,57
0,57
0,57
0,57
0,57
0,57
0,57
0,57
0,57
0,57
0,57
0,57

- 238 -

0,06
-0,49
0,18
-0,08
0,34
0,23
0,26
0,14
-0,22
-0,23
0,14
0,21
0,25
0,36
0,35
-0,55
-0,21
0,38
0,38
-0,32
0,34
-0,46
0,33
-0,57
-0,55
0,31
-0,36
-0,25
0,36
-0,03
-0,21
-0,49
0,20
0,26
-0,21
-0,07
0,24
0,18
-0,44
0,02
0,21
0,26
0,27
0,30
0,38
-0,57
0,22
0,38
0,34
-0,36
0,25
0,15
-0,57

0,82
0,29
0,93
0,20
0,91
0,93
0,59
0,89
0,01
0,69
0,73
0,87
0,89
0,91
0,88
0,00
0,91
0,74
0,55
0,36
0,93
0,05
0,00
0,86
0,86
0,60
0,89
0,96
0,60
0,31
0,32
0,82
0,00
0,76
0,33
0,45
0,72
0,01
0,15
0,00
0,92
0,12
0,00
0,16
0,00
0,32
0,05
0,01
0,84
0,65
0,26
0,81
0,04

0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,36
0,36
0,36
0,36
0,36
0,36
0,36
0,36
0,36
0,36
0,36
0,36
0,36
0,36
0,36
0,36
0,36
0,36
0,36
0,36
0,36
0,36
0,36
0,36

- 239 -

0,17
-0,36
0,28
-0,45
0,26
0,27
-0,06
0,24
-0,64
0,04
0,08
0,22
0,24
0,26
0,23
-0,65
0,26
0,09
-0,11
-0,29
0,28
-0,60
-0,65
0,21
0,21
-0,05
0,24
0,31
-0,05
-0,04
-0,03
0,47
-0,35
0,40
-0,03
0,10
0,36
-0,34
-0,20
-0,35
0,57
-0,23
-0,35
-0,20
-0,35
-0,04
-0,30
-0,35
0,49
0,30
-0,09
0,46
-0,31

0,00
0,82
0,51
0,83
0,02
0,14
0,21
0,95
0,22
0,91
0,00
0,76
0,91
0,56
0,68
0,25
0,47
0,55
0,00
0,86
0,94
0,80
0,25
0,54
0,64
0,02
0,90
0,83
0,02
0,94
0,00
0,88
0,93
0,89
0,00
0,93
0,76

0,36
0,36
0,36
0,36
0,36
0,53
0,53
0,53
0,53
0,53
0,53
0,53
0,53
0,53
0,53
0,53
0,53
0,53
0,53
0,53
0,53
0,53
0,53
0,53
0,53
0,53
0,53
0,53
0,53
0,53
0,53
0,53
0,53
0,53
0,53
0,53
0,53

-0,36
0,46
0,15
0,48
-0,33
-0,39
-0,32
0,41
-0,31
0,37
-0,53
0,22
0,38
0,03
0,15
-0,28
-0,06
0,02
-0,53
0,33
0,41
0,27
-0,28
0,01
0,11
-0,51
0,37
0,30
-0,52
0,41
-0,53
0,35
0,40
0,36
-0,53
0,39
0,23

Tabla 5.90. Residuales del experimento 5 para el ajuste del ndice D.

- 240 -

% de probabilidad normal

99
95
90
80
70
50
30
20
10
5

-0.65

-0.35

-0.04

0.27

0.57

Residuales

Grfica 5.59. Probabilidad normal de los residuales en el experimento 5 para el ajuste del ndice D.

0,70
0,60
0,50
0,40
0,30
Residuales

0,20
0,10
0,00
-0,100,35

0,45

0,55

0,65

-0,20
-0,30
-0,40
-0,50
-0,60
-0,70
Indice D predicho

Grfica 5.60. Residuales frente a en el experimento 5 para el ajuste del ndice D.

- 241 -

0,70
0,50

Residuales

0,30
0,10
-0,10 0

50

100

150

-0,30
-0,50
-0,70
Orden de Realizacin de la Sim ulacin

Grfica 5.61. Residuales frente al orden de simulacin en el experimento 5 para el ajuste del ndice D.

En la grafica de la distribucin normal se pede observar como la distribucin de los

residuales sigue aproximadamente una lnea recta, aunque con algo de dificultad.
Tambin se puede apreciar como la rama de la izquierda se curva hacia abajo en su
extremo, esto al igual que en el caso del tercer experimento de esta batera, se debe a
que los residuales negativos no son tan grandes en valor absoluto como cabria esperar.
Esto se aprecia con ms claridad en las grficas 5.60 y 5.61. En la 5.60 se observa como
las hileras se van desplazando hacia valores negativos con mayor valor absoluto
conforme avanzamos hacia la derecha. En la grfica 5.61 se aprecia como la nube de
puntos es ms amplia e el semiplano correspondiente a los residuales negativos,
indicando esto un valor absoluto mayor. Lo comentado no parece lo suficientemente
grave como para no dar al modelo por adecuado.

- 242 -

13

0.40

0.60
0.45

Factor B

0.50
0.57

12

0.54
0.55
0.56
0.55

0.56
8

Factor A

Grfica 5.62. Grfica de contorno del ndice D en el experimento 5.

En la grafica de contornos correspondiente a este experimento se encuentra que el punto

de la regin de experimentacin con mayor ndice D es el (7,13).
Una vez realizados los cinco experimentos vamos a analizar los resultados obtenidos.
En una grfica similar a la que se obtuvo al superponer las dos grficas de contornos
correspondientes al nivel de servicio medio y al inventario en proceso, vamos a
superponer los puntos hallados (puntos negros). En esta grfica tambin se ha
representado con una lnea verde la direccin de las mejores soluciones admisibles, de
la que se habl en el apartado 5.4.

- 243 -

Nivel de Servicio - WIP

14

97,46
97,57
97,69
97,80
97,91
98,03
98,08
97,52
97,63
97,74
97,86
97,97
22.832

E (Factor B)

13
22.177
21.546

12

20.941

11

20.343

16.666

10
6

17.293

17.959

18.553

19.150

19.747

10

K(0) (Factor A)
Grfica 5.63.Grfica de contornos para nivel de servicio medio y WIP superpuestas con los puntos
hallados con las funciones desirability y la direccin de mejores soluciones admisibles.

En la tabla siguiente se exponen los puntos hallados con la informacin de inters:

Experimento
1
2
3
4
5

Combinacin de pesos
(s1=1, t1=1, s2=1)
(s1=1, t1=10, s2=1)
(s1=10, t1=10, s2=1)
(s1=10, t1=10, s2=10)
(s1=1, t1=10, s2=0,1)

Punto
(7,11)
(7,11)
(9,11)
(7,13)

Nivel de servicio medio

IC (99%)
97,519
97,067<>97,971
97,519
97,067<>97,971
97,763
97,456<>98,070
Modelo no adecuado
97,612
97,294<>97,930

WIP
17,909
17,909
19,691
19,867

Tabla 5.91. Puntos favorables segn el anlisis de las funciones desirability.

Analizando la grfica 5.63 vemos que todas las soluciones encontradas usando el
mtodo de la funcin desirability son buenas, en el sentido de que todas estn alrededor
de la trayectoria de las mejores soluciones admisibles. Por otro lado, analizando la tabla
5.91, vemos como las soluciones son acordes con lo que indican sus correspondientes
pesos. As, en el experimento nmero tres, en donde se le da gran importancia a
alcanzar un nivel de servicio muy prximo al 98%, se obtiene un valor medio mayor
que en los experimentos uno y dos, en donde al menos uno de los pesos s y t relajan esta
condicin. En el cuarto experimento las condiciones son las ms exigentes de todas y el
modelo no resulta adecuado, indicando esto que condiciones tan extremas no son
beneficiosas. El quinto experimento es exigente en no sobrepasar el valor del 98% para
el nivel de servicio pero resulta demasiado permisivo con el inventario en proceso
ofreciendo el peor registro para este. Los experimentos 1 y 2 obtienen los mismos
resultados por lo que endurecer la condicin de no sobrepasar el nivel de servicio medio

- 244 -

de un 98% no parece tener la misma importancia que si se endurece la de alcanzar dicho

registro.
Fijndonos ahora en los intervalos de confianza vemos que el nico que incluye al 98%
de nivel de servicio es el correspondiente al experimento tres, haciendo que esta sea la
nica solucin admisible encontrada. Por otro lado si aplicamos estrictamente el
criterio de bsqueda empleado, vemos que la combinacin de pesos que lo representa es
la del experimento tres. Nosotros hemos perseguido obtener en primer lugar la
combinacin de parmetros K (0) y E que proporcionen el nivel de servicio ms cercano
posible al valor 98%, y una vez hecho esto, hemos buscado el WIP ms pequeo, pero
dndole menor importancia a esto ltimo. La traduccin de esto a pesos s y t sera
(s1=10, t1=10, s2=1), que es precisamente la combinacin escogida para el experimento
nmero tres.
Este resultado parece que nos proporciona la solucin ms cercana a nuestros deseos en
la regin de experimentacin, pero no significa que sea la ms cercana a ellos dentro del
conjunto de todas las soluciones admisibles. Esto nos obliga, al igual que ocurriera en la
seccin 5.4, a estudiar la vecindad del punto (9,11), para lo que deberamos construir
una tabla igual a la 5.59 (ver seccin 5.4) y seguir el mismo proceso visto en la seccin
5.4, que nos lleva a la solucin ptima (15,3).
La pregunta que en este punto nos formulamos es si el uso en el sistema objeto de
estudio de la funcin desirability aporta alguna ventaja al empleo del mtodo grfico de
la superposicin de las grficas de contornos. En un principio parece que la respuesta es
negativa debido a que, an aplicando una combinacin de pesos que refleja con bastante
exactitud el criterio de bsqueda, su empleo no implica una disminucin del nmero de
observaciones a realizar, una vez se ha elegido el punto de la regin de experimentacin
que ms se aproxima a nuestros deseos. Una vez elegido este, el proceso ha seguir es el
mismo en ambos casos, como ha quedado de manifiesto en el prrafo anterior. Sin
embargo si que parece que puede ser til a la hora de estudiar la vecindad de un punto
de inters en donde estemos interesados en saber de una manera aproximada como se
comportan de una manera conjunta las dos respuestas del sistema objeto de estudio. En
el siguiente captulo veremos cmo puede ser interesante su uso en el mtodo de
bsqueda que se va ha proponer.

- 245 -

CAPTULO 6:
PROPUESTA DE OPTIMIZACIN

- 246 -

En esta seccin vamos a ir explicando y aplicando cada uno de los pasos de la heurstica
propuesta con el fin de que la exposicin sea lo ms clara posible.
En el captulo anterior se ha recogido una informacin muy valiosa acerca del
funcionamiento del sistema objeto de estudio en el presente proyecto y del
comportamiento de la metodologa RSM aplicada a l. En esta seccin se propone una
heurstica que aprovecha este conocimiento y cuyo objetivo es encontrar la combinacin
de los parmetros K (0) y E que proporcionan el funcionamiento ms cercano al ideal.
Este ideal persigue que la lnea de fabricacin funcione con un nivel objetivo
predeterminado del 98% y que lo haga con el inventario en proceso ms pequeo, es
decir, se pretende maximizar la capacidad productiva de la lnea con el menor capital
invertido en inventarios.
Con la heurstica propuesta se pretende llevar al ptimo o a sus inmediaciones con el
menor nmero de simulaciones. Para ello nos basamos en el anlisis de la forma de las
superficies de respuesta reales que obtuvimos en la seccin 5.4 al realizar la bsqueda
exhaustiva.
La superficie que se obtuvo para el WIP muestra que en la zona de inters esta es
prcticamente un plano inclinado. Esto nos hace pensar que un modelo ajustado en ella
recoger con bastante aproximacin su forma ya que esta no presenta complicaciones.
La superficie real correspondiente al nivel de servicio medio, por el contrario, si que
ofrece importantes particularidades que tenemos que tener en cuenta. Esta superficie
ofrece dos zonas bien diferenciadas. Por un lado se tiene una zona en pronunciada
pendiente, que comprende los valores para el nivel de servicio medio que van desde 0%
hasta el 97% aproximadamente. Por otro lado, tenemos una zona casi plana y horizontal,
que comprende desde el 97% y tiende ligeramente hacia el 100%. La particularidad ms
importante para nosotros radica en la lnea que hace de frontera entre estas dos zonas.
En la seccin 5.4 se encontr que esta lnea la formaban las soluciones admisibles para
el nivel de servicio buscado y que presentaban la propiedad de que la suma de los
parmetros K (0) y E era constante. El primer paso de la heurstica va a ser encontrar la
trayectoria de las soluciones admisibles.
En la tabla 5.62 de la seccin 5.4 se muestran las combinaciones que forman parte de
esta trayectoria, en ella se observa que la serie comienza en la combinacin (18,0) que
corresponde con un sistema Conwip tradicional, en el que no existen tarjetas extras.
Apoyndonos de nuevo en la forma de la superficie de respuesta para el nivel de
servicio medio y en que esta recoge el comportamiento de un sistema Conwip (ver
seccin 5.3 y seccin 5.4), proponemos como primer paso de la heurstica plantear una
pseudo trayectoria de mxima pendiente, aplicada a la lnea de produccin como si esta
estuviera gobernada por un sistema Conwip tradicional. Se parte de un nmero
razonablemente bajo de tarjetas y se va ha ir recorriendo la trayectoria hasta encontrar
una solucin admisible, es decir, se va buscar un intervalo de confianza en el que un
nivel de servicio del 98% este incluido. Tambin, se van a graficar el nivel de servicio
medio, el inventario en proceso y el radio del intervalo de confianza, con objeto de

- 247 -

recopilar informacin que nos permita ir conociendo en mayor detalle el

comportamiento del sistema.
Este primer paso lo aplicamos al sistema objeto de estudio. En la siguiente tabla se
muestran los puntos recorrido, con los resultados de inters recogidos en las
simulaciones:
K(0)
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

E
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

Nivel de servicio medio

0,000
6,211
29,128
45,973
59,156
70,908
75,660
83,749
86,440
91,205
93,589
95,238
95,968
97,080
98,457
98,801

IC (99%) para el nivel de servicio

0,000<>0,000
4,066<>8,356
26,890<>31,366
44,335<>47,610
57,197<>61,114
69,387<>72,430
74,009<>77,311
82,530<>84,970
84,962<>87,918
89,966<>92,445
92,654<>94,555
94,244<>96,232
94,976<>96,960
96,488<>97,672
97,893<>99,021
98,505<>99,097

WIP medio
3,933
4,976
6,011
7,023
8,023
9,023
10,022
11,018
12,015
13,011
14,009
15,007
16,005
17,004
18,002
19,002

Tabla 6.1. Resultados de las simulaciones en el primer paso de la heurstica propuesta.

Observamos que la primera solucin admisible de obtiene para 18 tarjetas. Antes de

aceptar esta combinacin como la adecuada, observemos las siguientes grficas:
100
Nivel de Servicio medio

90
80
70
60
50
40
30
20
10
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Nmero de Tarjetas

Grfica 6.1. Evolucin del Nivel de Servicio Medio a lo largo de las simulaciones del primer paso de la
heurstica propuesta.

- 248 -

2,5

IC (99%)

2
1,5
1
0,5
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Nmero de Tarjetas

Grfica 6.2. Evolucin de de los intervalos de confianza del Nivel de Servicio Medio a lo largo de las
simulaciones del primer paso de la heurstica propuesta.

En la grfica 6.1 se aprecia que el nivel de servicio medio evoluciona de la manera

caracterstica que lo hace un sistema Conwip. Tambin se observa como el tamao de
los intervalos de confianza para el nivel de servicio medio disminuyen conforme
aumenta el nmero de tarjetas. Para hacernos una idea de como evoluciona la
admisibilidad de las soluciones, se puede estudiar la diferencia entre el lmite superior e
inferior de los intervalos de confianza y el valor del 98%. Por un lado se define el ndice
(LS-98), que es la diferencia entre el limite superior del intervalo de confianza y el valor
objetivo. Si esta diferencia es positiva, es seguro que la solucin no es admisible. Por
otro lado se define el ndice (98-LI), que es la diferencia entre el valor objetivo y el
lmite inferior del intervalo de confianza. En el momento en que esta diferencia sea
negativa, es seguro que la solucin no es admisible. Si graficamos ambos ndices, la
primera solucin admisible ser aquella en donde por primera vez no se cumpla
ninguna de las dos condiciones anteriormente comentadas. En la grfica 6.3 se grafican
ambos ndices. Podemos observar como el primer punto que es admisible es el
correspondiente al de 18 tarjetas. Tambin podemos observar como, conforme aumenta
el nmero de tarjetas las soluciones van tendiendo a la admisibilidad.
100
Indices (LS-98) y (98-LI)

80
60
40
20

(LS-98)

0
-20 0 1 2 3 4 5 6 7 8 9 1011 1213 141516 1718 1920

(98-LI)

-40
-60
-80
-100
Nmero de Tarjetas

Grfica 6.3. Evolucin de la admisibilidad a lo largo de las simulaciones del primer paso de la heurstica
propuesta.

- 249 -

Tras el estudio de los datos recogidos el nmero de tarjetas escogido es de 18. Este
punto va a ser el primero de la trayectoria de las soluciones admisibles buscada. Una
propiedad que cumplan las combinaciones pertenecientes a esta trayectoria era la de
mantener constante el la suma de los parmetros K (0) y E. En nuestro caso esta
constante vale 18.
El segundo paso de la heurstica va a ser la de recorrer esta trayectoria con el fin de
encontrar la combinacin que mejor se ajuste al criterio de la mejor solucin. Para ello
se simulan todas las combinaciones que cumplen esta propiedad y se recopilan los datos
de inters, como son el nivel de servicio medio, los intervalos de confianza y el
inventario en proceso medio. Es de esperar, por la forma de las superficies de repuesta
reales, que el dato determinante en este paso sea el WIP, ya que si realmente nos
encontramos en la frontera entre las dos zonas en las que se divide la superficie de
respuesta para el nivel de servicio medio, es de esperar que el valor de este no ofrezca
grandes variaciones.
En la tabla siguiente se muestran las simulaciones de las combinaciones que suman 18
tarjetas con sus correspondientes resultados:
K(0)
18
17
16
15
14
13
12
11
10
9
8
7
6

E
0
1
2
3
4
5
6
7
8
9
10
11
12

Nivel de servicio medio

98,457
97,891
98,069
97,776
97,880
97,726
97,672
97,828
97,826
97,552
97,424
97,519
97,202

IC (99%) para el nivel de servicio

97,893<>99,021
97,395<>98,387
97,740<>98,398
97,385<>98,167
97,577<>98,183
97,322<>98,130
97,228<>98,116
97,450<>98,206
97,398<>98,254
97,181<>97,923
96,968<>97,880
97,067<>97,971
96,656<>97,748

WIP medio
18,002
17,626
17,408
17,171
17,330
17,439
17,660
17,798
17,790
17,776
17,804
17,909
17,905

Tabla 6.2. Resultados de las simulaciones en el segundo paso de la heurstica propuesta.

En la tabla anterior se observa como las soluciones (9,9), (8,10), (7,11) y (6,12) no son
admisibles a no estar incluido en sus intervalos de confianza el valor del 98%. Esto nos
puede hacer pensar que sera necesario aumentar el nmero de observaciones a aquellas
que sus dos parmetros sumen 19 tarjetas para los casos donde el parmetro K (0) sea
igual a 9, 8, 7 y 6. Antes de tomar una decisin al respecto, observemos las siguientes
grficas:

- 250 -

Nivel de Servicio medio

98,6
98,4
98,2
98
97,8
97,6
97,4
97,2
97
5

10

11 12

13

14

15

16

17

18

19

K(0)

Grfica 6.4. Evolucin del Nivel de Servicio medio a lo largo de las simulaciones del segundo paso de la
heurstica propuesta.
18,1
18

WIP medio

17,9
17,8
17,7
17,6
17,5
17,4
17,3
17,2
17,1
5

10

11 12

13

14

15

16

17

18

19

K(0)

Grfica 6.5. Evolucin del WIP medio a lo largo de las simulaciones del segundo paso de la heurstica
propuesta.

0,6
0,5

IC(99%)

0,4
0,3
0,2
0,1
0
5

10

11

12

13

14

15

16

17

18

19

K(0)

Grfica 6.6. Evolucin de los intervalos de confianza del Nivel de Servicio Medio a lo largo de las
simulaciones del segundo paso de la heurstica propuesta.

- 251 -

Como esperbamos la grfica que ofrece un resultado claro es la 6.5, en donde se

grafica el WIP frente al parmetro K (0). En ella se aprecia como claramente el
inventario en proceso es inferior para la combinacin (15,3). En la grfica 6.4 se
observa como el nivel de servicio aumenta ligeramente conforme lo hace el parmetro
K (0) a lo largo de la trayectoria de las soluciones admisibles, y en la grfica 6.6 se
observa como los intervalos de confianza disminuyen ligeramente, en general,
conforme aumenta K (0) a lo largo de esta trayectoria. Hay que hacer notar que en todas
las grficas anteriores el peor resultado en todas ellas lo ofrece la combinacin (18,0),
correspondiente a un sistema Conwip tradicional.
Retomando las combinaciones (9,9), (8,10), (7,11) y (6,12), y teniendo en cuenta los
resultados obtenidos, llegamos a la conclusin de que en este caso no merece la pena
plantear nuevas observaciones. Sabemos por lo visto en la seccin 5.4, que manteniendo
el parmetro K (0) fijo, si aumentamos el E, aumentamos el inventario en proceso. Esto
significa que, aunque muy probablemente las combinaciones (9,10), (8,11), (7,12) y
(6,13) van a ser admisibles, estas van a tener un inventario en proceso mayor y por
consiguiente no van a mejorar el correspondiente al de la combinacin (15,3).
Cuando se lleve a cabo este segundo paso hay que tener presente que la trayectoria de
las soluciones admisibles es una direccin a seguir y no tiene por qu coincidir con una
hilera de puntos. Esto se puede observar en la seccin 5.4, por ejemplo en la tabla 5.62 o
en la grfica 5.31. Por esto no es de extraar que en la hilera de puntos que cumplen que
la suma de sus parmetros es 18 tengamos soluciones admisibles y en un punto dado
empecemos a tenerlas en la hilera donde la suma vale 19. Por este motivo al hallar la
combinacin (15,3) deberemos estudiar su vecindad ya que no tenemos seguridad de
haber encontrado el ptimo.
En el caso de estar estudiando un sistema, que al aplicar este segundo paso, obtengamos
resultados que ofrezcan dudas, si que sera necesario ampliar el nmero de
observaciones. En este caso, sera muy importante la informacin que ofrecen las
grficas y el conocimiento de cmo se comportan, tanto el nivel de servicio medio como
el inventario proceso, segn varan los parmetros K (0) y E.
Hallada la combinacin (15,3), debemos estudiar su vecindad. Sabemos, por una parte,
que la superficie de respuesta para el nivel de servicio medio, una vez se llega a la
trayectoria de las soluciones admisibles, se asemeja a un plano ligeramente inclinado
que tiende hacia valores del 100% para el nivel de servicio medio, y por otra parte, la
superficie de respuesta para el inventario en proceso tambin se asemeja a un plano
inclinado en la zona de inters. Esto nos hace pensar que la metodologa RSM puede
ofrecer muy buenos resultados si ajustamos sendos modelos en una regin de
experimentacin que esta situada en esta zona. Esta regin ha de ser elegida teniendo
en cuenta una serie de condiciones, a saber:

La regin de experimentacin ha de estar limitada por la trayectoria de las

soluciones admisibles ya que si a ella pertenece algn punto de la zona de
pendiente pronunciada, el modelo ajustado recoger esa informacin, en la cual
nosotros no estamos interesados. Creemos que el vrtice con menores
- 252 -

parmetros K (0) y E, de la regin de experimentacin debera pertenecer a la

trayectoria de las soluciones admisibles. As nos aseguramos que los modelos
recojan la informacin y se ajusten a la zona que realmente nos interesa. El
candidato para este vrtice es la combinacin hallada en el segundo paso.
Intentaremos escoger una regin de experimentacin amplia, con el fin de que en ella se
incluyan un mayor nmero de combinaciones. La idea es abarcar otras hileras de puntos
que puedan ofrecer una mejor solucin a la hallada en el segundo paso. Pensamos que
una regin de experimentacin con un radio de dos tarjetas puede ser suficiente.
Tambin pensamos que la forma de la regin no tiene una especial relevancia,
pudindose emplear tanto regiones cuadradas como rectangulares. En los casos
estudiados anteriormente el incremento de K (0) y E ha sido uno el doble que el otro, es
decir, la regin de experimentacin ha sido rectangular. El los siguientes emplearemos
tanto regiones cuadradas como rectangulares.
Veamos este tercer paso aplicado a nuestro sistema. Decidimos que la regin de
experimentacin sea cuadra de radio dos y el punto con menores parmetros, K (0) y E,
el (15, 3). La regin de experimentacin queda:

Factor B

(15,7)

(19,3)

(17,5)

(15,3)

(19,3)
Factor A

Figura 6.1. Regin de experimentacin para el tercer paso de la heurstica propuesta.

Los nuevos escenarios se muestran en las dos siguientes tablas. En la primera en

variables naturales y en la segunda en variables codificadas:
Escenario
1
2
3
4
5

K(0)
15
19
15
19
17

E
3
3
7
7
5

Tabla 6.3. Escenarios del tercer paso de la heurstica propuesta en variables naturales.

- 253 -

Escenario
1
2
3
4
5

K(0)
-1
1
-1
1
0

E
-1
-1
1
1
0

Tabla 6.4. Escenarios del tercer paso de la heurstica propuesta en variables codificadas.

Los resultados obtenidos en las simulaciones realizadas en estos escenarios han sido:
Escenario Nivel de servicio medio (%) STD Nivel de Servicio WIP medio STD WIP
1
97,776
0,391
17,171
0,305
2
98,700
0,340
19,962
0,463
3
98,214
0,312
19,995
0,626
4
98,921
0,253
20,948
1,019
5
98,527
0,232
19,876
0,839
Tabla 6.5. Resultados de las simulaciones de los escenarios del tercer paso de la heurstica propuesta.

Primero se exponen los resultados obtenidos para el ajuste de un modelo para el nivel de
servicio medio y a continuacin los obtenidos para el ajuste de un modelo para el
inventario en proceso medio.
Para el nivel de servicio medio el anlisis de varianza obtenido se muestra en la tabla
6.6:
Termino Efectos SS Porcentaje g.d.l MSS
Fo
Fo Tablas
A
0,82 19,96
22,87
1
19,96 45,73
3,91
B
0,32
3,26
3,73
1
3,26 7,47
3,91
AB
-0,11
0,35
0,40
1
0,35 0,80
3,91
Error
63,72
73,00
146 0,44
Total
87,29
100,00
149
Tabla 6.6. Anlisis de varianza para el nivel de servicio medio en el tercer paso de la heurstica
propuesta.

Se observa como los efecto principales son significativos, mientras que la interaccin de
ambos no lo es. El modelo ajusta es, en variables codificadas:

y = 98.43 + 0.41x1 + 0.16 x2

- 254 -

y en variables naturales:

y = 94.55 + 0.201 + 0.08 2

La batera de pruebas encaminadas a demostrar la adecuacin de modelo se exponen a
continuacin. En la siguiente tabla se muestran las pruebas de la significacin de los
coeficientes y la de falta de ajuste:
Termino
Modelo
Residual
(Falta de ajuste LOF)
(Error puro)
Total

SS
23,22
64,07
0,72
63,35
87,29

g.d.l
2
147
2
145
149

MSS
11,61
0,44
0,36
0,44
0,59

Fo
26,64

Fo Tablas
3,06

0,82

3,06

Tabla 6.7. Prueba de significacin y de la falta de ajuste para el nivel de servicio medio en el tercer paso
de la heurstica propuesta.

El modelo propuesto supera tanto la prueba de significacin como la de la falta de

ajuste. En la tabla y grficas siguientes se muestran los residuales y los resultados del
anlisis grfico de los residuales, respectivamente:
Respuestas
98,63
97,99
97,92
97,29
96,92
98,20
96,07
98,54
97,28
96,93
96,92
96,27
97,27
98,77
98,53
97,41
98,87
97,83
98,66
96,41
97,19

Prediccin
97,85
97,85
97,85
97,85
97,85
97,85
97,85
97,85
97,85
97,85
97,85
97,85
97,85
97,85
97,85
97,85
97,85
97,85
97,85
97,85
97,85

- 255 -

Residuales
0,77
0,13
0,06
-0,57
-0,93
0,35
-1,78
0,68
-0,57
-0,93
-0,93
-1,59
-0,58
0,92
0,67
-0,45
1,01
-0,03
0,80
-1,45
-0,67

97,99
98,35
97,99
96,67
98,83
98,65
98,17
98,57
98,16
98,93
98,96
99,09
99,32
99,25
98,64
97,56
98,41
98,02
98,44
99,12
98,96
99,68
99,35
96,64
97,99
99,18
98,00
97,49
99,03
99,49
99,14
99,88
98,19
99,52
99,00
98,22
98,42
98,41
98,65
98,13
96,90
98,78
98,79
98,78
97,95
97,95
97,81
98,42
97,36
98,43
97,68
98,73
98,73

97,85
97,85
97,85
97,85
97,85
97,85
97,85
97,85
97,85
98,67
98,67
98,67
98,67
98,67
98,67
98,67
98,67
98,67
98,67
98,67
98,67
98,67
98,67
98,67
98,67
98,67
98,67
98,67
98,67
98,67
98,67
98,67
98,67
98,67
98,67
98,67
98,67
98,67
98,67
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18

- 256 -

0,13
0,50
0,14
-1,19
0,98
0,80
0,32
0,72
0,31
0,26
0,29
0,42
0,65
0,58
-0,03
-1,11
-0,26
-0,65
-0,23
0,45
0,29
1,01
0,68
-2,03
-0,68
0,51
-0,67
-1,18
0,36
0,82
0,47
1,21
-0,48
0,85
0,33
-0,45
-0,25
-0,26
-0,02
-0,06
-1,29
0,59
0,60
0,59
-0,23
-0,23
-0,37
0,23
-0,83
0,25
-0,50
0,55
0,55

99,00
98,38
96,31
97,96
98,69
98,20
97,86
99,10
98,39
97,83
98,97
97,59
98,63
98,69
97,45
98,91
98,93
98,93
99,09
99,31
99,25
98,85
97,76
98,38
98,93
98,82
97,84
98,96
99,68
99,35
98,64
99,22
98,80
99,48
98,58
99,03
99,49
99,14
99,88
97,65
99,52
99,00
98,39
98,76
99,34
98,65
98,72
97,45
98,80
98,89
99,02
98,91
97,51

98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
99,00
99,00
99,00
99,00
99,00
99,00
99,00
99,00
99,00
99,00
99,00
99,00
99,00
99,00
99,00
99,00
99,00
99,00
99,00
99,00
99,00
99,00
99,00
99,00
99,00
99,00
99,00
99,00
99,00
99,00
98,43
98,43
98,43
98,43
98,43
98,43
98,43

- 257 -

0,82
0,20
-1,87
-0,22
0,51
0,01
-0,32
0,92
0,21
-0,36
0,78
-0,59
0,45
0,51
-0,73
0,73
-0,07
-0,07
0,09
0,31
0,25
-0,15
-1,24
-0,62
-0,07
-0,18
-1,16
-0,04
0,68
0,35
-0,37
0,22
-0,20
0,48
-0,42
0,03
0,49
0,14
0,88
-1,35
0,52
0,00
-0,61
-0,24
0,34
-0,35
0,29
-0,98
0,38
0,47
0,59
0,48
-0,92

99,31
98,47
97,93
98,13
98,49
99,22
98,61
98,70
98,03
98,14
99,18
98,78
98,24
98,24
98,62
98,61
99,12
98,39
98,28
99,19
98,10
98,81
97,91

98,43
98,43
98,43
98,43
98,43
98,43
98,43
98,43
98,43
98,43
98,43
98,43
98,43
98,43
98,43
98,43
98,43
98,43
98,43
98,43
98,43
98,43
98,43

0,88
0,04
-0,50
-0,30
0,06
0,80
0,18
0,28
-0,40
-0,29
0,75
0,35
-0,18
-0,18
0,19
0,18
0,69
-0,04
-0,15
0,76
-0,33
0,38
-0,52

Tabla 6.8. Residuales para el nivel de servicio medio en el tercer paso de la heurstica propuesta.

% de probabilidad normal

99
95
90
80
70
50
30
20
10
5

-2.03

-1.22

-0.41

0.40

1.21

Residuales
Grfica 6.7. Probabilidad normal de los residuales para el nivel de servicio medio en el tercer paso de la

heurstica propuesta.

- 258 -

2,50

Residuales

1,50

0,50

97,00
-0,50

98,00

99,00

-1,50

-2,50
Nivel de servicio m edio predicho
Grfica 6.8. Residuales frente al nivel de servicio medio predicho en el tercer paso de la heurstica
propuesta.

2,50

Residuales

1,50

0,50

-0,50

50

100

150

-1,50

-2,50
Orden de Realizacin de las Sim ulacines

Grfica 6.9. Residuales frente al orden de realizacin de las simulaciones para el nivel de servicio medio
en el tercer paso de la heurstica propuesta.

- 259 -

En la grfica de la probabilidad normal los puntos siguen muy aproximadamente una

lnea recta salvo en los extremos de ambas ramas. Tambin se observa que puede haber
un ligero sesgo hacia los valores positivas de los residuales, ya que la rama de la
derecha es algo ms amplia que la de la izquierda. Ninguno de los aspectos comentados
parece indicar que la distribucin de los residuales se aparte de la condicin de
normalidad. En las otras dos grficas no se aprecia que los residuales sigan ningn
patrn que haga pensar que estn relacionados con la salida o con el orden de
realizacin de las observaciones. El modelo ajustado para el nivel de servicio medio se
puede dar por adecuado.
Para el inventario en proceso medio el anlisis de varianza obtenido se muestra en la
tabla siguiente:
Termino Efectos
SS
Porcentaje g.d.l MSS
Fo
Fo Tablas
A
1,88 105,12
18,69
1 105,12 47,48
3,91
B
1,90 108,87
19,35
1 108,87 49,17
3,91
AB
-0,92 25,33
4,50
1
25,33 11,44
3,91
Error
323,24
57,46
146 2,21
Total
562,56 100,00
149
Tabla 6.9.Anlisis de varianza para el WIP en el tercer paso de la heurstica propuesta.

En este caso tanto los factores principales como la interaccin entre ambos resultan
significativos, por lo que el modelo ajustado en variables codificadas y naturales,
respectivamente, queda:

y = 19.59 + 0.94 x1 + 0.95x2 0.49 x1 x2

y = 0.51 + 1.041 + 2.43 2 0.111 2
.
Los resultados obtenidos para las pruebas de la significacin de los coeficientes y la de
falta de ajuste se exponen el la siguiente tabla:
Termino
Modelo
Residual
(Falta de ajuste LOF)
(Error puro)
Total

SS
239,32
323,24
3,07
320,17
562,56

g.d.l
3
146
1
145
149

MSS
79,77
2,21
3,07
2,21
3,78

Fo
36,03

Fo Tablas
2,67

1,39

3,91

Tabla 6.10. Prueba de significacin y de la falta de ajuste para el WIP en el tercer paso de la heurstica
propuesta.

- 260 -

El modelo ajustado para el WIP supera las dos pruebas anteriores. Pasamos a realizar el
anlisis grafico de los residuales.

Respuestas
17,34
16,46
17,06
16,77
17,81
17,67
16,92
17,24
15,95
16,93
17,43
17,86
17,89
16,99
17,08
15,97
17,50
16,93
16,65
17,90
17,94
17,86
15,53
16,57
17,53
17,79
17,77
16,69
17,25
17,84
19,00
19,10
19,42
20,09
19,00
21,21
20,88
19,99
21,16
19,71
20,04
19,00
19,00
19,00
21,38
21,09

Prediccin
17,24
17,24
17,24
17,24
17,24
17,24
17,24
17,24
17,24
17,24
17,24
17,24
17,24
17,24
17,24
17,24
17,24
17,24
17,24
17,24
17,24
17,24
17,24
17,24
17,24
17,24
17,24
17,24
17,24
17,24
20,03
20,03
20,03
20,03
20,03
20,03
20,03
20,03
20,03
20,03
20,03
20,03
20,03
20,03
20,03
20,03

- 261 -

Residuales
0,10
-0,79
-0,19
-0,47
0,57
0,42
-0,32
0,00
-1,29
-0,31
0,19
0,62
0,64
-0,26
-0,16
-1,27
0,26
-0,31
-0,60
0,66
0,69
0,62
-1,71
-0,67
0,29
0,55
0,53
-0,55
0,00
0,60
-1,03
-0,94
-0,62
0,06
-1,03
1,18
0,84
-0,05
1,13
-0,32
0,01
-1,03
-1,03
-1,03
1,34
1,06

19,64
21,20
20,57
19,00
19,00
19,00
19,00
21,41
19,00
19,00
21,04
21,06
21,61
19,23
19,90
18,39
20,89
19,13
21,55
21,71
19,47
18,44
17,21
19,55
20,67
20,49
19,19
19,63
20,33
17,23
20,83
21,46
18,96
21,98
19,47
20,96
20,91
18,50
20,62
21,51
21,45
18,94
18,86
21,62
19,00
19,23
19,92
21,73
19,00
24,15
23,38
21,30
24,04

20,03
20,03
20,03
20,03
20,03
20,03
20,03
20,03
20,03
20,03
20,03
20,03
20,03
20,03
20,07
20,07
20,07
20,07
20,07
20,07
20,07
20,07
20,07
20,07
20,07
20,07
20,07
20,07
20,07
20,07
20,07
20,07
20,07
20,07
20,07
20,07
20,07
20,07
20,07
20,07
20,07
20,07
20,07
20,07
21,02
21,02
21,02
21,02
21,02
21,02
21,02
21,02
21,02

- 262 -

-0,39
1,16
0,54
-1,03
-1,03
-1,03
-1,03
1,38
-1,03
-1,03
1,01
1,03
1,57
-0,80
-0,16
-1,68
0,82
-0,94
1,48
1,64
-0,59
-1,62
-2,86
-0,52
0,60
0,43
-0,88
-0,44
0,26
-2,84
0,76
1,40
-1,11
1,91
-0,59
0,90
0,85
-1,56
0,55
1,45
1,39
-1,13
-1,21
1,56
-2,02
-1,79
-1,10
0,71
-2,02
3,13
2,36
0,28
3,02

20,72
23,51
19,00
19,00
19,00
20,65
22,32
20,30
20,93
22,70
19,00
19,00
19,00
19,00
23,31
19,00
19,00
23,75
23,81
20,08
19,58
21,48
20,80
21,85
20,44
21,10
17,00
21,28
19,61
22,00
17,00
18,83
21,86
17,75
21,49
18,42
20,90
18,85
17,55
21,84
22,00
19,05
20,83
20,92
17,42
17,00
21,45
19,72
19,07
21,55
17,21

21,02
21,02
21,02
21,02
21,02
21,02
21,02
21,02
21,02
21,02
21,02
21,02
21,02
21,02
21,02
21,02
21,02
21,02
21,02
21,02
21,02
19,59
19,59
19,59
19,59
19,59
19,59
19,59
19,59
19,59
19,59
19,59
19,59
19,59
19,59
19,59
19,59
19,59
19,59
19,59
19,59
19,59
19,59
19,59
19,59
19,59
19,59
19,59
19,59
19,59
19,59

-0,30
2,49
-2,02
-2,02
-2,02
-0,37
1,31
-0,72
-0,09
1,68
-2,02
-2,02
-2,02
-2,02
2,29
-2,02
-2,02
2,73
2,79
-0,94
-1,44
1,89
1,21
2,26
0,85
1,51
-2,59
1,69
0,02
2,41
-2,59
-0,76
2,27
-1,84
1,90
-1,17
1,31
-0,74
-2,04
2,25
2,41
-0,54
1,24
1,33
-2,17
-2,59
1,86
0,13
-0,52
1,96
-2,38

Tabla 6.11. Residuales para el WIP medio en el tercer paso de la heurstica propuesta.

- 263 -

% de probabilidad normal

99
95
90
80
70
50
30
20
10
5

-2.86

0.82

-1.02

2.65

4.49

Residuales

Grfica 6.10. Probabilidad normal de los residuales para el WIP medio en el tercer paso de la heurstica

propuesta.

4,50
3,50
2,50

Residuales

1,50
0,50
-0,5017,00

18,00

19,00

20,00

21,00

22,00

-1,50
-2,50
-3,50
-4,50
WIP predicho

Grfica 6.11. Residuales frente al WIP medio predicho en el tercer paso de la heurstica propuesta.

- 264 -

4,50
3,50
2,50

Residuales

1,50
0,50
-0,50 0

50

100

150

-1,50
-2,50
-3,50
-4,50
Orden de Realizacin de las Sim ulacines

Grfica 6.12. Residuales frente al orden de realizacin de las simulaciones para el WIP medio en el tercer
paso de la heurstica propuesta.

En la grfica de la distribucin normal sigue aproximadamente una lnea recta y en las

otras dos grficas no se aprecia ningn patrn que haga pensar que el modelo no es
adecuado.
Estos dos modelos ajustados son una aproximacin de las superficies de respuesta reales
por lo que los vamos a utilizar para buscar una combinacin que se adecue a nuestros
deseos y compararla con la hallada en el segundo paso de la heurstica propuesta. Cmo
ya hemos visto en las secciones 5.4 y 5.5, para la optimizacin multirespuesta se puede
emplear el mtodo grfico de la superposicin de las grficas de contornos o el mtodo
de la funcin desirability. Nosotros proponemos usar este ltimo pero usando una
modalidad basada en la primera variante propuesta por Myers y Montgomery. (Ver
seccin 5.5). Esta modalidad emplea las respuestas predichas por los modelos ajustados
para hallar las funciones desirability, di, lo que presenta las siguientes ventajas:
La primera es que al usar las respuestas predichas no es necesario realizar
simulaciones de la lnea de produccin.
Para calcular las respuestas en la zona de inters y con ellas calcular las
funciones desirability, di, es una tarea que se realiza fcil y rpidamente,
implementando las ecuaciones en una hoja de clculo del programa EXCEL.
Los resultados resultan ms fciles de interpretar que usando el mtodo grfico
de la superposicin de las grficas de contornos. Hallar el valor mximo del
ndice D, identificando a qu combinacin pertenece con slo mirar una matriz
- 265 -

construida con el programa EXCEL, es una tarea ms rpida que interpretar dos
grficas superpuestas.
La funcin desirability, d1, empleada para el nivel de servicio medio es del tipo de las
que se usa en el caso de intentar conseguir un valor determinado. En nuestro caso este
valor es el correspondiente a un nivel de servicio medio del 98%. Los lmites de
aceptabilidad escogidos son el 96, como lmite inferior, y de 99 como lmite superior.
En general, la forma de escoger los lmites de aceptabilidad depende de lo que
pretendamos buscar con el empleo de la funcin desirability. En este caso pretendemos
buscar un nivel de servio medio que se aproxime lo mximo posible al valor del 98%,
sin sobrepasarlo, por lo que no estamos interesados en valores muy superiores a este
valor. Para que el empleo de esta metodologa sea efectiva es necesario que entre el
valor buscado y los lmites de admisibilidad haya cierta distancia para que se puedan
recoger un mnimo de soluciones admisibles. En nuestro caso, y teniendo en cuenta el
tamao de los intervalos de confianza para el nivel de servicio, creemos que una forma
apropiada de hallar los lmites superior e inferior de admisibilidad es sumar una unidad
y restar dos al valor predeterminado, respectivamente.
La funcin d1 queda:

1 96 s1
y
96 y1 98

98 96
d1 =
y
1 99 t1

98 y1 99
98 99

Para el WIP la funcin desirability, d2, escogida es del tipo usado en los casos en los
que se pretenden minimizar la respuesta. La combinacin hallada en el segundo paso
tiene un WIP medio de 17,171, por lo que parece razonable escoger como lmite inferior
un valor de 15 y como lmite superior un valor de 19. La expresin de la funcin d2 es la
siguiente:
s2

d2

y 19
= 2

1519

15 y 2 19

Las respuestas y1 y y 2 se calculan a partir de los modelos ajustados, en variables

naturales, para el nivel de servicio medio y para el inventario en proceso medio
respectivamente. Este proceso se realiza en una hoja de clculo del programa EXCEL,
mediante dos matrices, una por respuesta, donde las filas corresponden a los valores del
factor A (parmetro K (0)) y las columnas al factor B (parmetro E). A partir de estas
dos matrices se construyen tres ms, una para la funcin d1, otra para la funcin d2 y
otra para el ndice D. Este proceso apenas lleva unos minutos y, adems, una vez

- 266 -

realizado, la actualizacin de la hoja de clculo ante distintas combinaciones de los

pesos s1, t1 y s2 es inmediata. Para identificar el mximo valor que alcanza el ndice D
en cada exploracin, basta con restar a cada uno de los miembros de la matriz del ndice
D el valor mximo alcanzado en esta, con lo que todos los valores son negativos
excepto el correspondiente al mximo que vale cero. La combinacin que produce el
mayor ndice D es la correspondiente a la fila y a la columna de la casilla en donde se
encuentra el cero.
En la realizacin de este cuarto paso obtendremos tantas combinaciones candidatas a ser
la ptimas como combinaciones de pesos planteemos. Consideramos que es suficiente
con la realizacin de slo aquellas combinaciones que mejor reflejen los criterios de
bsqueda. Con tres o cuatro combinaciones, a lo sumo cinco, creemos que hay
suficiente.
Estas combinaciones se comparan con la hallada en el segundo paso, y de todas ellas
elegimos la que ofrezca una solucin admisible con el menor inventario en proceso. El
mtodo no asegura la consecucin de la combinacin ptima, pero creemos que
proporciona una solucin bastante prxima a la buscada, con la que el sistema funciona
adecuadamente.
La primera de las operaciones que forman parte de este paso, aplicadas al sistema objeto
de estudio, es la de construir las matrices de respuesta calculadas a partir de los modelos
ajustados:
Respuesta
Nivel de servicio medio

WIP medio

Modelo ajustado

y1 = 94.55 + 0.201 + 0.08 2

y 2 = 0.51 + 1.041 + 2.43 2 0.111 2

Tabla 6.12. Modelos ajustados usados en el cuarto paso de la heurstica propuesta.

Las matrices construidas a partir de estos modelos slo dependen de las variables
naturales 1 (parmetro K (0)) y 2 (parmetro E) por lo que van ser las mismas para
cada combinacin de los pesos s1, t1 y s2. Las matrices obtenidas son:

- 267 -

K(0)

96,06

95,85

95,65

95,45

96,35

96,14

95,94

95,73

95,53

96,43

96,22

96,02

95,82

95,61

96,51

96,31

96,10

95,90

95,69

96,59

96,39

96,18

95,98

95,78

96,67

96,47

96,27

96,06

95,86

96,76

96,55

96,35

96,15

95,94

96,84

96,64

96,43

96,23

96,02

97,13

96,92

96,72

96,51

96,31

96,11

97,21

97,00

96,80

96,60

96,39

96,19

10

97,29

97,09

96,88

96,68

96,48

96,27

11

97,37

97,17

96,97

96,76

96,56

96,35

12

97,46

97,25

97,05

96,84

96,64

96,44

13

- 268 -

1, Nivel de servicio Medio

7
96,26

97,04

96,96

97,86

96,88

97,78

98,07

96,80

97,70

97,99

98,27

96,71

97,62

97,90

98,19

98,48

96,63

97,53

97,82

98,11

98,39

98,68

96,55

97,45

97,74

98,02

98,31

98,60

98,88

96,47

97,37

97,66

97,94

98,23

98,51

98,80

99,09

97,29

97,57

97,86

98,15

98,43

98,72

99,00

99,29

97,66
97,20

97,49

97,78

98,06

98,35

98,64

98,92

99,21

99,49

97,58

97,12

97,41

97,69

97,98

98,27

98,55

98,84

99,13

99,41

97,49

97,04

97,33

97,61

97,90

98,18

98,47

98,76

99,04

99,33

97,41

96,96
97,24

97,53

97,82

98,10

98,39

98,67

98,96

99,25

97,33

96,87
97,16

97,45

97,73

98,02

98,31

98,59

98,88

99,17

97,25

11
97,08
97,36

97,65

97,94

98,22

98,51

98,80

99,08

97,17

12
97,28
97,57

97,85

98,14

98,43

98,71

99,00

97,08

13
97,49

97,77

98,06

98,35

98,63

98,92

97,00

14
97,69

97,98

98,26

98,55

98,84

96,92

15
97,89

98,18

98,47

98,75

96,84

16

98,10

98,38

98,67

96,75

17

98,30

98,59

96,67

18

98,51

10

19

Tabla 6.13. Nivel de Servicio medio ajustado en el cuarto paso de la heurstica propuesta.

K(0)

8,41

7,48

6,56

5,63

10,85

10,04

9,22

8,41

7,60

12,36

11,66

10,96

10,27

9,57

13,87

13,29

12,70

12,12

11,54

15,38

14,91

14,44

13,97

13,51

16,89

16,54

16,18

15,83

15,48

18,40

18,16

17,92

17,68

17,45

19,91

19,78

19,66

19,54

19,41

21,43

21,42

21,41

21,40

21,39

21,38

22,82

22,93

23,03

23,14

23,25

23,35

10

24,22

24,44

24,66

24,88

25,10

25,32

11

25,61

25,95

26,28

26,62

26,96

27,29

12

27,01

27,46

27,91

28,36

28,81

29,26

13

- 269 -

2, WIP Medio

7
9,34

20,03

18,64

26,11

17,24

24,94

25,65

15,85

23,77

24,60

25,20

14,45

22,61

23,55

24,27

24,75

13,06

21,44

22,50

23,33

23,93

24,30

11,66

20,28

21,45

22,40

23,11

23,60

23,85

10,27

19,11

20,40

21,46

22,29

22,89

23,26

23,40

17,95

19,35

20,53

21,47

22,18

22,67

22,92

22,95

26,56
16,78

18,30

19,59

20,65

21,48

22,08

22,45

22,59

22,50

25,28

15,62

17,25

18,65

19,83

20,77

21,49

21,97

22,23

22,25

24,00

14,45

16,20

17,72

19,01

20,07

20,90

21,49

21,86

22,00

22,72

13,29
15,15

16,78

18,19

19,36

20,30

21,02

21,50

21,76

21,44

12,12
14,10

15,85

17,37

18,65

19,71

20,54

21,14

21,51

20,15

11
13,05
14,91

16,54

17,95

19,12

20,07

20,78

21,27

18,87

12
13,98
15,72

17,24

18,53

19,59

20,42

21,02

17,59

13
14,90

16,54

17,94

19,11

20,06

20,77

16,31

14
15,83

17,35

18,64

19,70

20,53

15,03

15
16,76

18,16

19,34

20,28

13,75

16

17,69

18,97

20,03

12,47

17

18,61

19,79

11,19

18

19,54

10

19

Tabla 6.14. WIP medio ajustado en el cuarto paso de la heurstica propuesta.

Una vez se tienen las matrices de respuesta hay que decidir qu combinaciones de pesos
se estudian. En nuestro caso se parte de la combinacin (s1=1, t1=1, s2=1), que como se
vio en la seccin 5.5 es la que le da una importancia moderada a cada uno de los
objetivos a alcanzar por las funciones d1 y d2. Despus se repite el proceso para una
combinacin (s1=1, t1=10, s2=1), en la que se exige que el nivel de servicio medio
aceptable prcticamente no supere el valor determinado, que en nuestro caso es el 98%.
A esta combinacin le sucede la (s1=10, t1=10, s2=1) en donde se exige que el nivel de
servicio medio aceptable sea prcticamente el 98% en todos los casos. Esta serie de
experimentos finaliza con la combinacin (s1=5, t1=8, s2=5) en donde se pide que el
nivel de servicio medio aceptable este prximo al 98%, pero no de una manera tan
fuerte como antes, y que el inventario en proceso aceptable este bastante prximo al
limite inferior.
Las matrices correspondientes a las funciones desirability, d1, d2 y al ndice D, para la
combinacin (s1=1, t1=1, s2=1), son las siguientes:

- 270 -

K(0)

0,03

0,00

0,00

0,00

0,17

0,07

0,00

0,00

0,00

0,21

0,11

0,01

0,00

0,00

0,25

0,15

0,05

0,00

0,00

0,30

0,19

0,09

0,00

0,00

0,34

0,24

0,13

0,03

0,00

0,38

0,28

0,17

0,07

0,00

0,42

0,32

0,22

0,11

0,01

0,56

0,46

0,36

0,26

0,16

0,05

0,60

0,50

0,40

0,30

0,20

0,09

10

0,65

0,54

0,44

0,34

0,24

0,14

11

0,69

0,58

0,48

0,38

0,28

0,18

12

0,73

0,63

0,52

0,42

0,32

0,22

13

- 271 -

Funcin Desirability, d1

7
0,13

0,52

0,48

0,93

0,44

0,89

0,93

0,40

0,85

0,99

0,73

0,36

0,81

0,95

0,81

0,52

0,32

0,77

0,91

0,89

0,61

0,32

0,27

0,73

0,87

0,98

0,69

0,40

0,12

0,23

0,68

0,83

0,97

0,77

0,49

0,20

0,00

0,64

0,79

0,93

0,85

0,57

0,28

0,00

0,00

0,83
0,60

0,75

0,89

0,94

0,65

0,36

0,08

0,00

0,00

0,79
0,56

0,70

0,85

0,99

0,73

0,45

0,16

0,00

0,00

0,75

0,52

0,66

0,81

0,95

0,82

0,53

0,24

0,00

0,00

0,71

0,48

0,62

0,76

0,91

0,90

0,61

0,33

0,04

0,00

0,66

0,44
0,58

0,72

0,87

0,98

0,69

0,41

0,12

0,00

0,62

11
0,54
0,68

0,83

0,97

0,78

0,49

0,20

0,00

0,58

12
0,64

0,78

0,93

0,86

0,57

0,29

0,00

0,54

13
0,74

0,89

0,94

0,65

0,37

0,08

0,50

14
0,84

0,99

0,74

0,45

0,16

0,46

15

0,95

0,82

0,53

0,25

0,42

16

0,90

0,62

0,33

0,38

17

0,70

0,41

0,34

18

0,49

10

19

Tabla 6.15. Funcin Desirability, d1, en el cuarto paso de la heurstica propuesta para los pesos (s1=1, t1=1, s2=1).

K(0)

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

0,91

1,00

1,00

1,00

1,00

0,53

0,62

0,70

0,79

0,88

0,15

0,21

0,27

0,33

0,39

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

10

0,00

0,00

0,00

0,00

0,00

0,00

11

0,00

0,00

0,00

0,00

0,00

0,00

12

0,00

0,00

0,00

0,00

0,00

0,00

13

- 272 -

Funcin Desirability, d2

7
1,00

0,00

0,09

0,00

0,44

0,00

0,00

0,79

0,00

0,00

0,00

1,00

0,00

0,00

0,00

0,00

1,00

0,00

0,00

0,00

0,00

0,00

1,00

0,00

0,00

0,00

0,00

0,00

0,00

1,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,26

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,55

0,17

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,85

0,44

0,09

0,00

0,00

0,00

0,00

0,00

0,00

0,00

1,00

0,70

0,32

0,00

0,00

0,00

0,00

0,00

0,00

0,00

1,00

0,96

0,55

0,20

0,00

0,00

0,00

0,00

0,00

0,00

1,00
1,00

0,79

0,41

0,09

0,00

0,00

0,00

0,00

0,00

11
1,00
1,00

0,61

0,26

0,00

0,00

0,00

0,00

0,03

12
1,00

0,82

0,44

0,12

0,00

0,00

0,00

0,35

13
1,00

0,62

0,27

0,00

0,00

0,00

0,67

14
0,79

0,41

0,09

0,00

0,00

0,99

15

0,56

0,21

0,00

0,00

1,00

16

0,33

0,01

0,00

1,00

17

0,10

0,00

1,00

18

0,00

10

19

Tabla 6.16. Funcin Desirability, d2, en el cuarto paso de la heurstica propuesta para los pesos (s1=1, t1=1, s2=1).

K(0)

0,17

0,00

0,00

0,00

0,42

0,27

0,00

0,00

0,00

0,46

0,33

0,10

0,00

0,00

0,50

0,39

0,23

0,00

0,00

0,52

0,44

0,30

0,00

0,00

0,42

0,38

0,31

0,16

0,00

0,24

0,24

0,22

0,15

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

10

0,00

0,00

0,00

0,00

0,00

0,00

11

0,00

0,00

0,00

0,00

0,00

0,00

12

0,00

0,00

0,00

0,00

0,00

0,00

13

- 273 -

ndice D

7
0,36

0,00

0,21

0,00

0,44

0,00

0,00

0,56

0,00

0,00

0,00

0,60

0,00

0,00

0,00

0,00

0,56

0,00

0,00

0,00

0,00

0,00

0,52

0,00

0,00

0,00

0,00

0,00

0,00

0,48

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,41

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,58

0,36

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,69

0,55

0,27

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,72

0,68

0,51

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,69

0,77

0,65

0,43

0,00

0,00

0,00

0,00

0,00

0,00

0,66
0,76

0,76

0,60

0,29

0,00

0,00

0,00

0,00

0,00

11
0,73
0,83

0,71

0,50

0,00

0,00

0,00

0,00

0,14

12
0,80

0,80

0,64

0,32

0,00

0,00

0,00

0,44

13
0,86

0,74

0,50

0,00

0,00

0,00

0,58

14
0,82

0,64

0,26

0,00

0,00

0,67

15

0,73

0,41

0,00

0,00

0,65

16

0,54

0,06

0,00

0,61

17

0,26

0,00

0,58

18

0,00

10

19

Tabla 6.17. ndice D, en el cuarto paso de la heurstica propuesta para los pesos (s1=1, t1=1, s2=1).

En esta ltima tabla se observa como el mayor valor le corresponde a la pareja (14,1),
por lo que para esta combinacin de pesos esta es la combinacin de parmetros que se
compara con la hallada en el segundo paso de la heurstica.
Para la combinacin de pesos (s1=1, t1=10, s2=1), los resultados son:

- 274 -

K(0)

0,03

0,00

0,00

0,00

0,17

0,07

0,00

0,00

0,00

0,21

0,11

0,01

0,00

0,00

0,25

0,15

0,05

0,00

0,00

0,30

0,19

0,09

0,00

0,00

0,34

0,24

0,13

0,03

0,00

0,38

0,28

0,17

0,07

0,00

0,42

0,32

0,22

0,11

0,01

0,56

0,46

0,36

0,26

0,16

0,05

0,60

0,50

0,40

0,30

0,20

0,09

10

0,65

0,54

0,44

0,34

0,24

0,14

11

0,69

0,58

0,48

0,38

0,28

0,18

12

0,73

0,63

0,52

0,42

0,32

0,22

13

- 275 -

Funcin Desirability, d1

7
0,13

0,52

0,48

0,93

0,44

0,89

0,50

0,40

0,85

0,99

0,04

0,36

0,81

0,95

0,12

0,00

0,32

0,77

0,91

0,32

0,01

0,00

0,27

0,73

0,87

0,78

0,02

0,00

0,00

0,23

0,68

0,83

0,97

0,08

0,00

0,00

0,00

0,64

0,79

0,93

0,21

0,00

0,00

0,00

0,00

0,83
0,60

0,75

0,89

0,52

0,01

0,00

0,00

0,00

0,00

0,79
0,56

0,70

0,85

0,99

0,04

0,00

0,00

0,00

0,00

0,75

0,52

0,66

0,81

0,95

0,13

0,00

0,00

0,00

0,00

0,71

0,48

0,62

0,76

0,91

0,34

0,01

0,00

0,00

0,00

0,66

0,44
0,58

0,72

0,87

0,82

0,03

0,00

0,00

0,00

0,62

11
0,54
0,68

0,83

0,97

0,08

0,00

0,00

0,00

0,58

12
0,64

0,78

0,93

0,22

0,00

0,00

0,00

0,54

13
0,74

0,89

0,55

0,01

0,00

0,00

0,50

14
0,84

0,99

0,05

0,00

0,00

0,46

15

0,95

0,14

0,00

0,00

0,42

16

0,36

0,01

0,00

0,38

17

0,03

0,00

0,34

18

0,00

10

19

Tabla 6.18. Funcin Desirability, d1, en el cuarto paso de la heurstica propuesta para los pesos (s1=1, t1=10, s2=1).

K(0)

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

0,91

1,00

1,00

1,00

1,00

0,53

0,62

0,70

0,79

0,88

0,15

0,21

0,27

0,33

0,39

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

10

0,00

0,00

0,00

0,00

0,00

0,00

11

0,00

0,00

0,00

0,00

0,00

0,00

12

0,00

0,00

0,00

0,00

0,00

0,00

13

- 276 -

Funcin Desirability, d2

7
1,00

0,00

0,09

0,00

0,44

0,00

0,00

0,79

0,00

0,00

0,00

1,00

0,00

0,00

0,00

0,00

1,00

0,00

0,00

0,00

0,00

0,00

1,00

0,00

0,00

0,00

0,00

0,00

0,00

1,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,26

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,55

0,17

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,85

0,44

0,09

0,00

0,00

0,00

0,00

0,00

0,00

0,00

1,00

0,70

0,32

0,00

0,00

0,00

0,00

0,00

0,00

0,00

1,00

0,96

0,55

0,20

0,00

0,00

0,00

0,00

0,00

0,00

1,00
1,00

0,79

0,41

0,09

0,00

0,00

0,00

0,00

0,00

11
1,00
1,00

0,61

0,26

0,00

0,00

0,00

0,00

0,03

12
1,00

0,82

0,44

0,12

0,00

0,00

0,00

0,35

13
1,00

0,62

0,27

0,00

0,00

0,00

0,67

14
0,79

0,41

0,09

0,00

0,00

0,99

15

0,56

0,21

0,00

0,00

1,00

16

0,33

0,01

0,00

1,00

17

0,10

0,00

1,00

18

0,00

10

19

Tabla 6.19. Funcin Desirability, d2, en el cuarto paso de la heurstica propuesta para los pesos (s1=1, t1=10, s2=1).

K(0)

0,17

0,00

0,00

0,00

0,42

0,27

0,00

0,00

0,00

0,46

0,33

0,10

0,00

0,00

0,50

0,39

0,23

0,00

0,00

0,52

0,44

0,30

0,00

0,00

0,42

0,38

0,31

0,16

0,00

0,24

0,24

0,22

0,15

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

10

0,00

0,00

0,00

0,00

0,00

0,00

11

0,00

0,00

0,00

0,00

0,00

0,00

12

0,00

0,00

0,00

0,00

0,00

0,00

13

- 277 -

ndice D

7
0,36

0,00

0,21

0,00

0,44

0,00

0,00

0,56

0,00

0,00

0,00

0,60

0,00

0,00

0,00

0,00

0,56

0,00

0,00

0,00

0,00

0,00

0,52

0,00

0,00

0,00

0,00

0,00

0,00

0,48

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,41

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,58

0,36

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,69

0,55

0,27

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,72

0,68

0,51

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,69
0,77

0,65

0,43

0,00

0,00

0,00

0,00

0,00

0,00

0,66
0,76

0,76

0,60

0,27

0,00

0,00

0,00

0,00

0,00

11
0,73
0,83

0,71

0,50

0,00

0,00

0,00

0,00

0,14

12
0,80
0,80

0,64

0,16

0,00

0,00

0,00

0,44

13
0,86

0,74

0,38

0,00

0,00

0,00

0,58

14
0,82

0,64

0,07

0,00

0,00

0,67

15
0,73

0,17

0,00

0,00

0,65

16

0,34

0,01

0,00

0,61

17

0,05

0,00

0,58

18

0,00

10

19

Tabla 6.20. ndice D, en el cuarto paso de la heurstica propuesta para los pesos (s1=1, t1=10, s2=1).

Para esta combinacin de pesos la combinacin de parmetros con mayor ndice D

vuelve a ser la misma, la pareja (14, 1).

Veamos lo sucedido para (s1=10, t1=10, s2=1):

K(0)

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,01

0,00

0,00

0,00

0,00

0,00

10

0,01

0,00

0,00

0,00

0,00

0,00

11

0,02

0,00

0,00

0,00

0,00

0,00

12

0,04

0,01

0,00

0,00

0,00

0,00

13

- 278 -

Funcin Desirability, d1

7
0,00

0,00

0,00

0,49

0,00

0,31

0,50

0,00

0,20

0,93

0,04

0,00

0,12

0,61

0,12

0,00

0,00

0,07

0,39

0,32

0,01

0,00

0,00

0,04

0,25

0,78

0,02

0,00

0,00

0,00

0,02

0,15

0,74

0,08

0,00

0,00

0,00

0,01

0,09

0,48

0,21

0,00

0,00

0,00

0,00

0,15
0,01

0,05

0,31

0,52

0,01

0,00

0,00

0,00

0,00

0,09
0,00

0,03

0,19

0,91

0,04

0,00

0,00

0,00

0,00

0,05
0,00

0,02

0,12

0,59

0,13

0,00

0,00

0,00

0,00

0,03

0,00

0,01

0,07

0,38

0,34

0,01

0,00

0,00

0,00

0,02

0,00
0,00

0,04

0,24

0,82

0,03

0,00

0,00

0,00

0,01

11
0,00

0,02

0,15

0,73

0,08

0,00

0,00

0,00

0,00

12
0,01

0,09

0,47

0,22

0,00

0,00

0,00

0,00

13
0,05

0,30

0,55

0,01

0,00

0,00

0,00

14

0,19

0,89

0,05

0,00

0,00

0,00

15

0,58

0,14

0,00

0,00

0,00

16

0,36

0,01

0,00

0,00

17

0,03

0,00

0,00

18

0,00

10

19

Tabla 6.21. Funcin Desirability, d1, en el cuarto paso de la heurstica propuesta para los pesos (s1=10, t1=10, s2=1).

K(0)

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

0,91

1,00

1,00

1,00

1,00

0,53

0,62

0,70

0,79

0,88

0,15

0,21

0,27

0,33

0,39

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

10

0,00

0,00

0,00

0,00

0,00

0,00

11

0,00

0,00

0,00

0,00

0,00

0,00

12

0,00

0,00

0,00

0,00

0,00

0,00

13

- 279 -

Funcin Desirability, d2

7
1,00

0,00

0,09

0,00

0,44

0,00

0,00

0,79

0,00

0,00

0,00

1,00

0,00

0,00

0,00

0,00

1,00

0,00

0,00

0,00

0,00

0,00

1,00

0,00

0,00

0,00

0,00

0,00

0,00

1,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,26

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,55

0,17

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,85

0,44

0,09

0,00

0,00

0,00

0,00

0,00

0,00

0,00

1,00

0,70

0,32

0,00

0,00

0,00

0,00

0,00

0,00

0,00

1,00

0,96

0,55

0,20

0,00

0,00

0,00

0,00

0,00

0,00

1,00
1,00

0,79

0,41

0,09

0,00

0,00

0,00

0,00

0,00

11
1,00
1,00

0,61

0,26

0,00

0,00

0,00

0,00

0,03

12
1,00

0,82

0,44

0,12

0,00

0,00

0,00

0,35

13
1,00

0,62

0,27

0,00

0,00

0,00

0,67

14
0,79

0,41

0,09

0,00

0,00

0,99

15

0,56

0,21

0,00

0,00

1,00

16

0,33

0,01

0,00

1,00

17

0,10

0,00

1,00

18

0,00

10

19

Tabla 6.22. Funcin Desirability, d2, en el cuarto paso de la heurstica propuesta para los pesos (s1=10, t1=10, s2=1).

K(0)

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

10

0,00

0,00

0,00

0,00

0,00

0,00

11

0,00

0,00

0,00

0,00

0,00

0,00

12

0,00

0,00

0,00

0,00

0,00

0,00

13

En esta ocasin la pareja correspondiente al mayor ndice D es la (16,2).

- 280 -

ndice D

7
0,00

0,00

0,01

0,00

0,01

0,00

0,00

0,01

0,00

0,00

0,00

0,01

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,06

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,06

0,10

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,05

0,11

0,13

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,04

0,11

0,19

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,03
0,09

0,19

0,28

0,00

0,00

0,00

0,00

0,00

0,00

0,02
0,07

0,18

0,31

0,27

0,00

0,00

0,00

0,00

0,00

11
0,05
0,15

0,30

0,44

0,00

0,00

0,00

0,00

0,01

12
0,11
0,27

0,45

0,16

0,00

0,00

0,00

0,03

13
0,23

0,43

0,38

0,00

0,00

0,00

0,03

14
0,38

0,61

0,07

0,00

0,00

0,02

15
0,57

0,17

0,00

0,00

0,01

16

0,34

0,01

0,00

0,01

17

0,05

0,00

0,00

18

0,00

10

19

Tabla 6.23. ndice D, en el cuarto paso de la heurstica propuesta para los pesos (s1=10, t1=10, s2=1).

Por ltimo, para la combinacin (s1=5, t1=8, s2=5), se obtiene:

K(0)

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,01

0,00

0,00

0,00

0,00

0,01

0,00

0,00

0,00

0,00

0,06

0,02

0,01

0,00

0,00

0,00

0,08

0,03

0,01

0,00

0,00

0,00

10

0,11

0,05

0,02

0,00

0,00

0,00

11

0,15

0,07

0,03

0,01

0,00

0,00

12

0,20

0,10

0,04

0,01

0,00

0,00

13

- 281 -

Funcin Desirability, d1

7
0,00

0,04

0,03

0,70

0,02

0,56

0,57

0,01

0,44

0,96

0,08

0,01

0,34

0,78

0,19

0,01

0,00

0,27

0,62

0,41

0,02

0,00

0,00

0,20

0,50

0,82

0,05

0,00

0,00

0,00

0,15

0,39

0,86

0,13

0,00

0,00

0,00

0,11

0,30

0,69

0,28

0,01

0,00

0,00

0,00

0,39
0,08

0,23

0,55

0,59

0,03

0,00

0,00

0,00

0,00

0,31
0,06

0,17

0,44

0,95

0,08

0,00

0,00

0,00

0,00

0,23
0,04

0,13

0,34

0,77

0,20

0,01

0,00

0,00

0,00

0,18

0,03

0,09

0,26

0,62

0,42

0,02

0,00

0,00

0,00

0,13

0,02
0,07

0,20

0,49

0,85

0,05

0,00

0,00

0,00

0,09

11
0,05

0,15

0,38

0,85

0,13

0,00

0,00

0,00

0,07

12
0,11

0,30

0,69

0,30

0,01

0,00

0,00

0,05

13
0,23

0,55

0,62

0,03

0,00

0,00

0,03

14

0,43

0,94

0,09

0,00

0,00

0,02

15

0,76

0,20

0,01

0,00

0,01

16

0,44

0,02

0,00

0,01

17

0,06

0,00

0,00

18

0,00

10

19

Tabla 6.24. Funcin Desirability, d1, en el cuarto paso de la heurstica propuesta para los pesos (s1=5, t1=8, s2=5).

K(0)

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

0,61

1,00

1,00

1,00

1,00

0,04

0,09

0,17

0,31

0,53

0,00

0,00

0,00

0,00

0,01

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

10

0,00

0,00

0,00

0,00

0,00

0,00

11

0,00

0,00

0,00

0,00

0,00

0,00

12

0,00

0,00

0,00

0,00

0,00

0,00

13

- 282 -

Funcin Desirability, d2

7
1,00

0,00

0,00

0,00

0,02

0,00

0,00

0,30

0,00

0,00

0,00

1,00

0,00

0,00

0,00

0,00

1,00

0,00

0,00

0,00

0,00

0,00

1,00

0,00

0,00

0,00

0,00

0,00

0,00

1,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,05

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,43

0,02

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

1,00

0,17

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

1,00

0,83

0,05

0,00

0,00

0,00

0,00

0,00

0,00

0,00

1,00
1,00

0,30

0,01

0,00

0,00

0,00

0,00

0,00

0,00

11
1,00
1,00

0,09

0,00

0,00

0,00

0,00

0,00

0,00

12
1,00

0,37

0,02

0,00

0,00

0,00

0,00

0,01

13
1,00

0,09

0,00

0,00

0,00

0,00

0,14

14
0,31

0,01

0,00

0,00

0,00

0,96

15

0,06

0,00

0,00

0,00

1,00

16

0,00

0,00

0,00

1,00

17

0,00

0,00

1,00

18

0,00

10

19

Tabla 6.25. Funcin Desirability, d2, en el cuarto paso de la heurstica propuesta para los pesos (s1=5, t1=8, s2=5).

K(0)

0,00

0,00

0,00

0,00

0,01

0,00

0,00

0,00

0,00

0,02

0,00

0,00

0,00

0,00

0,03

0,01

0,00

0,00

0,00

0,04

0,02

0,00

0,00

0,00

0,02

0,01

0,01

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

10

0,00

0,00

0,00

0,00

0,00

0,00

11

0,00

0,00

0,00

0,00

0,00

0,00

12

0,00

0,00

0,00

0,00

0,00

0,00

13

El mayor ndice D se vuelve a encontrar para la pareja (14,1).

- 283 -

ndice D

7
0,01

0,06

8
0,08

0,00

0,06

0,00

0,00

0,04

0,00

0,00

0,00

0,03

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,01

0,00

0,00

0,00

0,00

0,00

0,00
0,06

0,01

0,00

0,00

0,00

0,00

0,00
0,15

0,05

0,00

0,00

0,00

0,00

0,00

0,19

0,15

0,03

0,00

0,00

0,00

0,00

0,16

0,28

0,12

0,01

0,00

0,00

0,02

0,13
0,26

0,25

0,07

0,00

0,00

0,07

11
0,21
0,38

0,18

0,03

0,00

0,14

12
0,33

0,33

0,11

0,00

0,11

13
0,48

0,22

0,03

0,09

14
0,37

0,11

0,07

15

0,21

10

16

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,00

0,00

0,00
0,00

0,00

0,00
0,00

0,00

0,00
0,00

0,00

0,00
0,00

0,00

0,00
0,00

0,00

0,00
0,00

0,00

0,00
0,00

0,00

0,00
0,00

0,00

0,01
0,00

0,00

0,04
18

0,00

17

19

Tabla 6.26. ndice D, en el cuarto paso de la heurstica propuesta para los pesos (s1=5, t1=8, s2=5).

Recopilando las combinaciones con mayor ndice D encontrados en esta fase de la

heurstica, tenemos que se han encontrado dos candidatas a ser la combinacin elegida,
la (14,1) y la (16,2). La simulacin de la (16,2) ya se realiz en el segundo paso. Ahora
realizamos la simulacin de la (14,1). En la tabla siguiente se muestran las tres con sus
correspondientes datos de inters:
K(0)
14
15
16

E
1
3
2

Nivel de servicio medio

95.042
97,776
98,069

IC (99%) para el nivel de servicio

94,081<>96,003
97,385<>98,167
97,740<>98,398

WIP medio
14.931
17,171
17,408

Tabla 6.27. Comparativa de soluciones candidatas.

En la tabla 6.27 se puede ver como de las dos combinaciones obtenidas en el cuarto
paso de la heurstica, la que es admisible es la que se ha obtenido con la combinacin de
pesos ms exigente. Esto esta en consonancia con los resultados obtenidos en la seccin
5.5. Por otro lado, esta combinacin ya la habamos tenido en cuenta en el segundo
paso, donde resulto elegida la combinacin (15,3) al tener esta menor inventario en
proceso medio. No obstante, la combinacin (16,2) no sera mala solucin de ser
elegida, aunque la (15,3) es algo mejor.
En la seccin 5.4 se realizo la bsqueda exhaustiva en prcticamente todo el espacio de
soluciones y se encontr que la combinacin ptima es la (15,3). En esta ocasin la
heurstica ha proporcionado la mejor de las soluciones, pero nosotros creemos que no
siempre va ha ser as cuando la apliquemos a otros sistemas operando en otras
condiciones. Creemos, no obstante, que proporcionara una buena solucin realizando un
nmero bajo de simulaciones. En nuestro caso, el nmero de simulaciones empleadas al
aplicar la heurstica ha sido de 33, frente a las 200 de la bsqueda exhaustiva o las 53
que se emplearon en la seccin 5.5 empleando slo el mtodo de la funcin desirability.
A modo de resumen, los pasos de la heurstica propuesta se exponen a continuacin:
1. Consideramos el sistema como si fuese un sistema Conwip tradicional y
simulamos todos los casos hasta encontrar una solucin admisible, que ser
aquella que en su intervalo de confianza para el nivel de servicio primero
contenga el valor del 98%. Conviene partir de un nmero razonablemente bajo
de tarjetas. Se construyen la grficas del nivel de servicio medio e intervalo de
confianza para el nivel de servicio frente al nmero de tarjetas, para tener un
conocimiento ms preciso del comportamiento del sistema.
2. Se simulan todas las combinaciones de parmetros K (0) y E, cuya suma sea
igual al nmero de tarjetas del sistema Conwip tradicional encontrado en el paso
1. Construir las grficas del nivel de servicio medio, inventario en proceso
medio e intervalo de confianza para el nivel de servicio frente al parmetro K (0)
con objeto de comprobar el comportamiento del sistema. Se elige la
combinacin con menor inventario en proceso, teniendo la precaucin de que
sea una solucin admisible.

- 284 -

3. Se estudia la vecindad de la solucin hallada aplicando la metodologa RSM,

ajustando sendo modelos para el nivel de servicio medio y el inventario en
proceso medio. La regin de experimentacin ha de elegirse de forma que el
vrtice con menor valor para los parmetros K (0) y E sea la combinacin
hallada en el paso 2. Se recomienda que la regin de experimentacin sea
amplia.
4. Utilizar el mtodo de la funcin desirability para encontrar soluciones
candidatas. Construir las funciones desirability d1, para el nivel de servicio
medio, y d2 para el inventario en proceso. Las respuestas a emplear en su
construccin son las respuestas de los modelos ajustados para el nivel de
servicio medio y el inventario en proceso medio hallados en el paso 3. La
funcin d1 ha de ser del tipo usado para encontrar soluciones que tiendan a un
valor determinado y la funcin d2 ha de ser del tipo usado para minimizar las
soluciones. Se plantean diferentes combinaciones de pesos y se comparan las
soluciones halladas con la que se obtuvo en el paso 2. Se escoger aquella que,
siendo admisible, tenga menor WIP.
Esto expresado en forma de esquema:

Heurstica Propuesta

Considerar el sistema como un Conwip tradicional.

Para la primera solucin admisible hacer N de tarjetas=cte.
Construir grficas del nivel de servicio medio e intervalo de confianza.

Simular todas las combinaciones tales que K (0) + E = cte y elegir aquella
admisible con menor WIP.
Construir las grficas del nivel de servicio medio, inventario en proceso medio
e intervalo de confianza para el nivel de servicio frente al parmetro K (0).

Estudiar la vecindad de la solucin hallada aplicando la metodologa RSM

Utilizar el mtodo de la funcin desirability para encontrar soluciones candidatas.

Figura 6.2. Esquema de la heurstica propuesta.

- 285 -

CAPTULO 7:
EXPERIMENTO DE CONFIRMACIN

- 286 -

En este captulo vamos comprobar la validez de la heurstica propuesta en captulo seis,

aplicndola a un sistema diferente operando en un entorno distinto al empleado en todos
los experimentos que se han llevado a cabo en los captulos anteriores.
Al proponer una heurstica que nos permita determinar los parmetros K (0) y E que
gobiernan un sistema de produccin PS, una de las caractersticas perseguidas es que
sea aplicable a la mayor variedad de situaciones, por esta razn, el experimento que se
ha diseado para comprobar su validez debe de ser sustancialmente distinto.
Se consideran las mismas hiptesis presentadas en la seccin 3.3, excepto que la lnea es
equilibrada. En este caso el tiempo de proceso de las mquinas que componen la lnea
de produccin no es el mismo para cada una de ellas. En la literatura no queda claro si
un sistema pull equilibrado mejora o no, a uno desequilibrado. Por ejemplo, Sarker y
Harris, 1988, y Gupta y Gupta, 1989, mostraron que un sistema equilibrado ofrece
mejores ratios de salida que uno no equilibrado, mientras que Villeda et al, 1988,
mostraron lo contrario. Esto hace que el hecho de emplear un sistema no equilibrado en
el experimento de confirmacin sea de inters. En la bibliografa se definen diferentes
patrones de desequilibrio (Hillier y Boling, 1966), entre los que encontramos el
denominado Bowl, donde las dos ltimas mquinas tienen los tiempos de proceso ms
elevados, el Funnel, donde los tiempos de proceso se acortan conforme se avanza en la
estacin y el Reversed Funnel, en el que los tiempos de proceso se alargan conforme se
avanza en la estacin. En nuestro caso el patrn seguido es que la mquina con distinto
tiempo de proceso ocupa la parte central de la lnea de produccin.
Meral y Erkip, 1991, definieron el grado de desequilibrio, DI (Degree of Imbalance),
como una medida del equilibrio de una lnea. El DI viene definido por la siguiente
expresin:

TWC N
TWC
min (PTi ); max(PTi )
DI = max
*
N TWC
N

(74)

Donde:

PTi es el tiempo de proceso de la estacin en una lnea formada por N estaciones.

TWC
es el tiempo de proceso de una estacin en una lnea equilibrada formada por N
N
estaciones.
TWC es la capacidad de trabajo total, tomado como la suma de los tiempos de proceso
de la lnea.
En la literatura se encuentran habitualmente los siguientes grados de desequilibrio:

- 287 -

Autores
Villena et al, 1988
Meral y Erkip, 1991
Yavuz y Satir, 1995

DI
0.0 a 1.4 (paso 0.2)
0.0 a 0.7 (paso 0.1)
0.0, 0.1, 0.2, 0.45
0.0, 0.1, 0.3, 0.5

Tabla 7.1. Grados de desequilibrio utilizados en la literatura (Gaury, 2000).

Antes de elegir el DI es importante tener en cuenta que los tiempos de proceso entre las
diferentas mquinas no deben de diferir en ms del 20% (Lageweg et al, 1978).
El nuevo sistema empleado esta compuesto por cinco mquinas, donde la que ocupa la
posicin central tiene distinto tiempo de proceso. Las mquinas que ocupan las
posiciones primera, segunda, cuarta y quinta, tienen tiempos de procesado distribuidos
por una funcin exponencial de media 3. El 20% de este valor es 0.6, por lo que la
mquina central funciona con un tiempo de procesado de 3.6, lo que significa un DI de
0.15.
La demanda viene distribuida por una funcin exponencial, que tras una serie de
pruebas piloto ofrece valores razonables para una media de 5, por lo que este es el valor
tomado para aquella.
El primer paso de la heurstica propuesta en el captulo seis consiste en considerar al
sistema como si fuese un sistema Conwip tradicional y simular todos los casos hasta
encontrar una solucin admisible. En la tabla siguiente se muestran los resultados
obtenidos:
K(0)
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

E
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0

Nivel de servicio medio

8,070
42,098
58,455
64,086
73,771
81,117
83,461
88,080
91,092
93,236
95,024
96,527
97,145
97,860
98,242

IC (99%) para el nivel de servicio

25, 919<>29,907
40,618<>43,578
57,398<>59,511
62,222<>65,950
72,456<>75,086
79,329<>82,904
82,137<>84,786
86,967<>89,193
90,385<>91,789
92,420<>94,052
94,557<>95,490
95,872<>97,181
96,812<>97,479
97,247<>98,473
97,702<>98,782

WIP medio
9,066
10,053
11,050
12,040
13,030
14,026
15,021
16,051
17,013
18,009
19,007
20,006
21,004
22,004
23,003

Tabla 7.2. Resultados de las simulaciones en el primer paso de la heurstica para el experimento de
confirmacin.

- 288 -

La primera solucin admisible se obtiene para 22 tarjetas, ya que presenta el primer

intervalo de confianza en el que un valor del 98% de nivel de servicio es admisible.
100
Nivel de Servicio medio

90
80
70
60
50
40
30
20
10
0
0

10

15

20

25

Nmero de Tarjetas

Grfica 7.1. Evolucin del Nivel de Servicio Medio a lo largo de las simulaciones del primer paso de la
heurstica para el experimento de confirmacin.

4,5
4
3,5
IC(99%)

3
2,5
2
1,5
1
0,5
0
0

10

15

20

25

Nmero de Tarjetas

Grfica 7.2. Evolucin de de los intervalos de confianza del Nivel de Servicio Medio a lo largo de las
simulaciones del primer paso de la heurstica para el experimento de confirmacin.

En el segundo paso de la heurstica se recorre la trayectoria de las soluciones

admisibles, formada por aquellas combinaciones que la suma de los parmetros K (0) y
E sumaban el nmero de tarjetas hallado en el primer paso. En este caso este valor es de
22. En la tabla siguiente se muestran las combinaciones que cumplen con esta
condicin:

- 289 -

K(0)
22
21
20
19
18
17
16
15
14
13
12
11
10
9

E
0
1
2
3
4
5
6
7
8
9
10
11
12
13

Nivel de servicio medio

97,860
98,198
97,598
97,778
97,647
97,832
97,672
97,738
97,543
97,700
97,466
97,570
97,606
97,511

IC (99%) para el nivel de servicio

97,247<>98,473
97,655<>98,741
97,001<>98,196
97,262<>98,294
97,115<>98,178
97,378<>98,287
97,242<>98,102
97,259<>98,216
97,080<>98,006
97,205<>98,195
96,851<>98,082
97,102<>98,038
97,112<>98,099
96,940<>98,083

WIP medio
22,004
21,401
21,381
21,257
21,332
21,565
21,507
21,641
21,729
21,674
21,770
21,808
21,875
21,854

Tabla 7.3. Resultados de las simulaciones en el segundo paso de la heurstica para el experimento de
confirmacin

Nivel de Servicio medio

98,4
98,2
98
97,8
97,6
97,4
5

10

15

20

25

K(0)

Grfica 7.3. Evolucin del Nivel de Servicio medio a lo largo de las simulaciones del segundo paso de la
heurstica para el experimento de confirmacin.

- 290 -

22,2

WIP medio

22
21,8
21,6
21,4
21,2
5

10

15

20

25

K(0)

Grfica 7.4. Evolucin del WIP medio a lo largo de las simulaciones del segundo paso de la heurstica
para el experimento de confirmacin.

1,3

IC(99%)

1,2
1,1
1
0,9
0,8
5

10

15

20

25

K(0)

Grfica 7.5. Evolucin de de los intervalos de confianza del Nivel de Servicio Medio a lo largo de las
simulaciones del segundo paso de la heurstica para el experimento de confirmacin.

Observando las grficas anteriores, podemos observar como, en general, el nivel de

inventario medio aumenta conforme lo hace el parmetro K (0), como el tamao de los
intervalos de confianza presenta el valor ms pequeo para la combinacin K (0) =16,
E = 6, aumentando a partir de esta y como el menor WIP medio los obtenemos para
K (0) = 19, E = 3, siendo esta ltima la combinacin elegida como candidata a ptima,
en este paso de la heurstica.
En la tabla 7.3 no observamos ninguna combinacin que no sea admisible, por lo que
este segundo paso lo podemos dar por finalizado y pasar al tercero.
En el tercer paso se aplica la metodologa RSM para estudiar la vecindad de la
combinacin hallada en el paso anterior. Recordemos que la finalidad es ajustar sendos
modelos para el nivel de servicio medio y para el inventario medio para, en el cuarto
paso, aplicar la metodologa de la funcin Desirability de optimizacin multirespuesta.

- 291 -

Escogemos una regin de experimentacin cuadrada con punto central, de radio dos,
cuyo vrtice de menores parmetros K (0) y E es el K (0) = 19, E = 3. Podramos haber
elegido una regin rectangular o con otro radio, siempre que hubisemos tenido en
cuanta las indicaciones sealadas en el captulo seis. El resultado hubiera sido el mismo,
tal y como hemos comprobado mediante la realizado de pruebas piloto.
La regin elegida es:

Factor B

(19,7)

(23,3)

(21,5)

(19,3)

(23,3)
Factor A

Figura 7.1. Regin de experimentacin del

confirmacin.

tercer paso de la heurstica para el experimento de

Los escenarios se muestran en la tabla siguiente, tanto en variables naturales como en

variables codificadas:
Variables Naturales
Escenario
K(0)
E
1
19
3
2
23
3
3
19
7
4
23
7
5
21
5
Variables Codificadas
Escenario
K(0)
E
1
-1
-1
2
1
-1
3
-1
1
4
1
1
5
0
0
Tabla 7.4. Escenarios del tercer paso de la heurstica para el experimento de confirmacin.

- 292 -

Los resultados obtenidos en las simulaciones realizadas en estos escenarios han sido:
Escenario Nivel de servicio medio (%) STD Nivel de Servicio WIP medio STD WIP
1
97,778
0,516
21,257
0,424
2
98,889
0,324
24,029
0,542
3
98,293
0,252
23,872
0,965
4
98,965
0,294
24,731
0,993
5
98,484
0,328
22,828
0,862
Tabla 7.5. Resultados de las simulaciones de los escenarios del tercer paso de la heurstica para el
experimento de confirmacin.

El anlisis de varianza para el ajuste de un modelo para el nivel de servicio medio

ofrece el siguiente resultado:
Termino Efectos
SS
Porcentaje g.d.l MSS
Fo
Fo Tablas
A
0,90
23,84
21,62
1
23,84 42,25
3,91
B
0,30
2,62
2,38
1
2,62 4,64
3,91
AB
-0,22
1,45
1,31
1
1,45 2,57
3,91
Error
82,38
74,69
146 0,56
Total
110,29 100,00
149
Tabla 7.6. Anlisis de varianza para el nivel de servicio medio en el tercer paso de la heurstica para el
experimento de confirmacin.

Los factores A y B (K (0) y E, respectivamente) son significativos, mientras que la

interaccin AB no, por lo que el modelo a ajustar es, variables codificadas:

y = 98.48 + 0.45x1 + 0.15x2

y en variables naturales:

y = 93.43 + 0.221 + 0.07 2

La adecuacin del modelo se prueba con la prueba de significacin de los coeficientes,
la prueba de falta de ajuste y el anlisis grfico de los residuales:

- 293 -

Termino
SS
Modelo
26,46
Residual
84,28
(Falta de ajuste LOF) 1,45
(Error puro)
82,83
Total
110,74

g.d.l
2
147
2
145
149

MSS
13,23
0,57
0,73
0,57
0,74

Fo
23,07

Fo Tablas
3,06

1,27

3,06

Tabla 7.7. Prueba de significacin y de la falta de ajuste para el nivel de servicio medio en el tercer paso
de la heurstica para el experimento de confirmacin.

El modelo propuesto supera tanto la prueba de significacin como la de la falta de

ajuste. En la tabla y grficas siguientes se muestran los residuales y los resultados del
anlisis grfico de los residuales, respectivamente:
Respuestas
98,74
98,06
98,25
99,05
96,20
98,10
98,41
96,56
98,82
98,74
97,59
97,76
98,25
98,64
98,53
96,17
98,42
98,46
98,14
98,66
95,60
97,44
96,10
98,08
98,14
95,44
98,16
98,40
97,93
97,53
99,54
98,58
99,58
99,32

Prediccin
97,89
97,89
97,89
97,89
97,89
97,89
97,89
97,89
97,89
97,89
97,89
97,89
97,89
97,89
97,89
97,89
97,89
97,89
97,89
97,89
97,89
97,89
97,89
97,89
97,89
97,89
97,89
97,89
97,89
97,89
98,78
98,78
98,78
98,78

- 294 -

Residuales
0,85
0,17
0,36
1,16
-1,69
0,21
0,52
-1,33
0,93
0,85
-0,29
-0,13
0,37
0,75
0,64
-1,72
0,53
0,57
0,25
0,77
-2,29
-0,45
-1,79
0,19
0,25
-2,44
0,27
0,51
0,04
-0,36
0,76
-0,20
0,80
0,54

98,90
99,11
98,18
98,77
98,35
98,09
98,30
99,32
99,35
99,54
98,96
98,93
99,54
98,45
98,75
97,49
98,89
99,26
99,19
99,24
98,96
97,93
99,76
99,88
99,58
96,94
98,07
97,76
98,40
98,17
97,41
98,41
98,75
98,82
98,72
98,75
97,68
97,85
98,25
97,57
99,04
99,01
97,00
98,19
98,86
98,44
98,20
98,82
98,57
98,40
98,40
98,80
97,53

98,78
98,78
98,78
98,78
98,78
98,78
98,78
98,78
98,78
98,78
98,78
98,78
98,78
98,78
98,78
98,78
98,78
98,78
98,78
98,78
98,78
98,78
98,78
98,78
98,78
98,78
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18
98,18

- 295 -

0,12
0,33
-0,60
-0,01
-0,43
-0,69
-0,48
0,54
0,57
0,76
0,18
0,15
0,76
-0,33
-0,03
-1,29
0,11
0,48
0,41
0,46
0,18
-0,85
0,98
1,11
0,80
-1,84
-0,11
-0,42
0,21
-0,02
-0,78
0,23
0,57
0,64
0,53
0,57
-0,51
-0,33
0,07
-0,61
0,86
0,83
-1,19
0,00
0,67
0,26
0,02
0,63
0,38
0,22
0,22
0,62
-0,65

98,40
97,62
98,90
99,54
98,58
99,58
99,32
98,90
98,56
99,51
98,78
98,40
97,99
98,58
99,32
99,28
99,54
98,66
99,58
99,54
98,45
98,96
99,07
98,89
99,38
97,99
99,37
98,25
97,27
99,76
99,88
99,58
98,44
99,25
98,35
99,12
97,29
98,48
99,10
98,77
98,35
98,09
97,02
98,80
99,25
98,71
97,00
99,18
98,31
99,49
98,03
99,03
98,71

98,18
98,18
98,18
99,08
99,08
99,08
99,08
99,08
99,08
99,08
99,08
99,08
99,08
99,08
99,08
99,08
99,08
99,08
99,08
99,08
99,08
99,08
99,08
99,08
99,08
99,08
99,08
99,08
99,08
99,08
99,08
99,08
99,08
98,48
98,48
98,48
98,48
98,48
98,48
98,48
98,48
98,48
98,48
98,48
98,48
98,48
98,48
98,48
98,48
98,48
98,48
98,48
98,48

- 296 -

0,22
-0,57
0,72
0,46
-0,50
0,51
0,25
-0,18
-0,51
0,44
-0,30
-0,68
-1,08
-0,49
0,25
0,20
0,46
-0,41
0,50
0,46
-0,62
-0,12
-0,01
-0,18
0,30
-1,08
0,30
-0,83
-1,80
0,68
0,81
0,51
-0,63
0,76
-0,13
0,63
-1,19
0,00
0,62
0,29
-0,13
-0,39
-1,46
0,32
0,77
0,23
-1,48
0,70
-0,17
1,01
-0,45
0,54
0,23

98,73
98,73
98,68
98,76
97,33
98,45
97,26
99,02
99,11
98,09

98,48
98,48
98,48
98,48
98,48
98,48
98,48
98,48
98,48
98,48

0,25
0,25
0,20
0,28
-1,15
-0,03
-1,22
0,53
0,63
-0,39

Tabla 7.8. Residuales para el nivel de servicio medio en el tercer paso de la heurstica para el
experimento de confirmacin.

% de probabilidad normal

99
95
90
80
70
50
30
20
10
5

-3.44

-2.29

-1.14

0.01

1.16

Residuales

Grfica 7.6. Probabilidad normal de los residuales para el nivel de servicio medio en el tercer paso de la

heurstica para el experimento de confirmacin.

- 297 -

2,50

Residuales

1,50

0,50

97,50
-0,50

98,50

99,50

-1,50

-2,50
Nivel de Servicio m edio predicho

Grfica 7.7. Residuales frente al nivel de servicio medio predicho en el tercer paso de la heurstica para el
experimento de confirmacin.

2,50

Residuales

1,50

0,50

-0,50

50

100

150

-1,50

-2,50
Orden de Realizacin de las Sim ulacines

Grfica 7. 8. Residuales frente al orden de realizacin de las simulaciones para el nivel de servicio medio
en el tercer paso de la heurstica para el experimento de confirmacin.

- 298 -

La grfica de la normal, muestra como los puntos siguen con dificultad una lnea recta,
aunque no de manera que nos haga pensar que se aparta del supuesto de normalidad. Por
otro lado se observa que puede haber un ligero sesgo hacia los valores positivos de los
residuales, ya que la rama de la derecha es algo ms amplia que la de la izquierda. En
las grficas del nivel de servicio y el orden de realizacin de las simulaciones frente a
los residuales, no se aprecia ningn patrn que haga pensar que estn relacionados con
la salida o con el orden de realizacin de las observaciones, por lo que damos por
adecuado al modelo.
Para el inventario en proceso medio el anlisis de varianza obtenido se muestra en la
tabla siguiente:
Termino Efectos
SS
Porcentaje g.d.l
A
1,82
98,86
15,70
1
B
1,66
82,56
13,11
1
AB
-0,96 27,43
4,36
1
Error
420,83
66,83
146
Total
629,68 100,00
149

MSS
Fo
Fo Tablas
98,86 34,30
3,91
82,56 28,64
3,91
27,43 9,52
3,91
2,88

Tabla 7.9. Anlisis de varianza para el WIP en el tercer paso de la heurstica para el experimentote
confirmacin.

Se aprecia como los dos factores principales y la interaccin entre ellos son
significativos. El modelo ajustado, en variables codificadas y naturales, es por tanto:

y = 23.34 + 0.91x1 + 0.83x2 0.48x1 x2

y = 0.81 + 1.051 + 2.92 2 0.121 2
Para las pruebas de la significacin de los coeficientes y la de falta de ajuste, los
resultados obtenidos se muestran en la tabla 7.10
Termino
Modelo
Residual
(Falta de ajuste LOF)
(Error puro)
Total

SS
208,85
420,83
9,98
410,85
629,68

g.d.l
3
146
1
145
149

MSS
69,62
2,88
9,98
2,83
4,23

Fo
24,15

Fo Tablas
2,67

3,52

3,91

Tabla 7.10. Prueba de significacin y de la falta de ajuste para el WIP en el tercer paso de la heurstica
para el experimentote confirmacin.

- 299 -

El modelo ajustado pasa las pruebas anteriores. A continuacin se muestran los

residuales y el anlisis grfico de estos.
Respuestas
21,50
21,49
21,94
20,14
21,92
21,47
21,11
21,50
21,66
19,71
21,42
19,12
19,00
21,64
21,41
21,62
21,72
21,91
21,42
21,79
21,25
21,93
21,94
21,03
21,74
21,89
21,92
19,01
21,92
21,59
23,00
23,00
23,00
23,00
23,00
24,96
26,00
24,27
23,33
23,57
24,90
23,00
23,42
23,00
25,82
25,84
23,00

Prediccin
21,13
21,13
21,13
21,13
21,13
21,13
21,13
21,13
21,13
21,13
21,13
21,13
21,13
21,13
21,13
21,13
21,13
21,13
21,13
21,13
21,13
21,13
21,13
21,13
21,13
21,13
21,13
21,13
21,13
21,13
23,90
23,90
23,90
23,90
23,90
23,90
23,90
23,90
23,90
23,90
23,90
23,90
23,90
23,90
23,90
23,90
23,90

- 300 -

Residuales
0,37
0,36
0,81
-0,98
0,80
0,34
-0,02
0,37
0,53
-1,42
0,29
-2,00
-2,12
0,51
0,28
0,49
0,60
0,78
0,29
0,66
0,13
0,80
0,81
-0,10
0,62
0,76
0,79
-2,12
0,79
0,46
-0,90
-0,90
-0,90
-0,90
-0,90
1,06
2,10
0,37
-0,57
-0,33
1,00
-0,90
-0,48
-0,90
1,92
1,94
-0,90

23,00
25,77
25,86
23,00
24,89
24,72
24,53
24,25
23,75
23,00
23,00
23,00
25,94
22,18
24,14
22,73
25,18
23,23
25,11
21,33
25,97
23,97
25,49
24,64
19,28
19,00
25,16
24,35
25,71
25,35
25,78
24,77
22,66
24,24
23,53
25,83
21,96
25,08
25,65
25,32
19,01
23,68
25,81
23,00
23,00
23,00
23,00
23,00
28,28
25,38
25,96
23,41
24,31

23,90
23,90
23,90
23,90
23,90
23,90
23,90
23,90
23,90
23,90
23,90
23,90
23,90
23,74
23,74
23,74
23,74
23,74
23,74
23,74
23,74
23,74
23,74
23,74
23,74
23,74
23,74
23,74
23,74
23,74
23,74
23,74
23,74
23,74
23,74
23,74
23,74
23,74
23,74
23,74
23,74
23,74
23,74
24,60
24,60
24,60
24,60
24,60
24,60
24,60
24,60
24,60
24,60

- 301 -

-0,90
1,87
1,96
-0,90
0,99
0,82
0,63
0,35
-0,15
-0,90
-0,90
-0,90
2,04
-1,57
0,40
-1,01
1,43
-0,51
1,37
-2,42
2,23
0,23
1,75
0,90
-4,46
-4,74
1,42
0,61
1,97
1,61
2,04
1,02
-1,08
0,50
-0,22
2,09
-1,78
1,34
1,90
1,58
-4,74
-0,06
2,07
-1,60
-1,60
-1,60
-1,60
-1,60
3,67
0,77
1,36
-1,19
-0,29

27,42
23,00
24,45
23,00
24,65
24,88
23,00
23,00
27,86
29,20
23,00
23,92
27,61
24,95
26,03
24,76
23,00
23,00
23,00
29,85
21,00
24,79
21,00
23,29
22,24
21,00
21,73
24,80
21,75
25,73
22,13
21,00
25,56
25,63
21,00
23,00
21,00
22,45
21,80
25,14
23,92
24,58
21,07
21,00
24,63
24,99
25,55
21,00
21,00
21,00

24,60
24,60
24,60
24,60
24,60
24,60
24,60
24,60
24,60
24,60
24,60
24,60
24,60
24,60
24,60
24,60
24,60
24,60
24,60
24,60
23,34
23,34
23,34
23,34
23,34
23,34
23,34
23,34
23,34
23,34
23,34
23,34
23,34
23,34
23,34
23,34
23,34
23,34
23,34
23,34
23,34
23,34
23,34
23,34
23,34
23,34
23,34
23,34
23,34
23,34

2,82
-1,60
-0,15
-1,60
0,05
0,28
-1,60
-1,60
3,26
4,59
-1,60
-0,68
3,01
0,35
1,43
0,15
-1,60
-1,60
-1,60
5,24
-2,34
1,44
-2,34
-0,05
-1,10
-2,34
-1,61
1,46
-1,59
2,39
-1,21
-2,34
2,21
2,29
-2,34
-0,34
-2,34
-0,90
-1,54
1,80
0,58
1,23
-2,27
-2,34
1,29
1,65
2,21
-2,34
-2,34
-2,34

Tabla 7.11. Residuales para el WIP medio en el tercer paso de la heurstica para el experimento de
confirmacin.

- 302 -

% de probabilidad normal

99
95
90
80
70
50
30
20
10
5

-4.74

-2.24

0.25

2.75

5.24

Residuales

Grfica 7.9. Probabilidad normal de los residuales para el WIP medio en el tercer paso de la heurstica
para el experimento de confirmacin.

5,50
4,50
3,50

Residuales

2,50
1,50
0,50
-0,5021,00
-1,50

22,00

23,00

24,00

-2,50
-3,50
-4,50
-5,50
WIP m edio predicho

Grfica 7.10. Residuales frente al WIP medio predicho en el tercer paso de la heurstica para el
experimento de confirmacin.

- 303 -

5,50
4,50
3,50

Residuales

2,50
1,50
0,50
-0,50

50

100

150

-1,50
-2,50
-3,50
-4,50
-5,50
Orden de Realizacin de las Sim ulacines

Grfica 7.11. Residuales frente al orden de realizacin de las simulaciones para el WIP medio en el tercer
paso de la heurstica para el experimento de confirmacin.

No se aprecia ningn patrn que nos haga pensar que el modelo no es adecuado.
El cuarto paso de la heurstica emplea la metodologa de la funcin desirability aplicada
a los dos modelos ajustados en el paso anterior. Estos son:
Respuesta
Nivel de servicio medio

WIP medio

Modelo ajustado

y = 93.43 + 0.221 + 0.07 2

y = 0.81 + 1.051 + 2.92 2 0.121 2

Tabla 7.12. Modelos ajustados usados en el

confirmacin.

cuarto paso de la heurstica para el experimento de

Recordemos que para el nivel de servicio se emplea una funcin desirability, d1, es del
tipo usado para buscar un valor determinado, en nuestro caso, el nivel de servicio medio
del 98%, y para el caso del inventario en proceso, una funcin desirability, d2, del tipo
usado en los casos en los que se pretenden minimizar la respuesta. (esto se estudia en
detalle en la seccin 5.5).
Los lmites de admisibilidad para la funcin desirability, d1, han sido del 96% para el
inferior y del 99% para el superior. Para la desirability, d2, y a tenor de los resultados

- 304 -

obtenidos en los dos primeros pasos de la heursticas, el lmite inferior ha sido de 18 y el

superior de 22.

Las matrices de respuesta que se obtienen con estos modelos para el espacio de inters
de las combinaciones de los parmetros son:
K(0)

1, Nivel de servicio Medio

11

10

96,18

95,96

95,74

95,51

95,29

96,25

96,03

95,81

95,59

95,36

96,33

96,11

95,88

95,66

95,44

96,40

96,18

95,96

95,73

95,51

96,48

96,25

96,03

95,81

95,58

96,55

96,33

96,10

95,88

95,66

96,62

96,40

96,18

95,96

95,73

96,92

96,70

96,47

96,25

96,03

95,81

96,99

96,77

96,55

96,33

96,10

95,88

97,07

96,85

96,62

96,40

96,18

95,95

10

97,14

96,92

96,70

96,47

96,25

96,03

11

97,22

96,99

96,77

96,55

96,32

96,10

12

97,29

97,07

96,84

96,62

96,40

96,18

13

97,36

97,14

96,92

96,70

96,47

96,25

14

- 305 -

12

96,85

97,81

96,77

97,74

98,03

96,70

97,66

97,96

98,26

96,63

97,59

97,88

98,18

98,48

96,55

97,51

97,81

98,11

98,40

98,70

96,48

97,44

97,74

98,03

98,33

98,63

98,92

96,40

97,37

97,66

97,96

98,26

98,55

98,85

99,15

13

97,29

97,59

97,89

98,18

98,48

98,78

99,07

99,37

97,59
97,22

97,52

97,81

98,11

98,41

98,70

99,00

99,30

99,59

97,51
97,14

97,44

97,74

98,03

98,33

98,63

98,92

99,22

99,52

97,44
97,07

97,37

97,66

97,96

98,26

98,55

98,85

99,15

99,44

97,36
97,00

97,29

97,59

97,89

98,18

98,48

98,78

99,07

99,37

97,29

96,92

97,22

97,52

97,81

98,11

98,41

98,70

99,00

99,30

97,22

96,85

97,15

97,44

97,74

98,04

98,33

98,63

98,93

99,22

97,14

15
97,07

97,37

97,67

97,96

98,26

98,56

98,85

99,15

97,07

16

97,30

97,59

97,89

98,19

98,48

98,78

99,08

97,00

17

97,52

97,81

98,11

98,41

98,70

99,00

96,92

18

97,74

98,04

98,33

98,63

98,93

96,85

19

97,96

98,26

98,56

98,85

96,77

20

98,19

98,48

98,78

96,70

21

98,41

98,71

96,63

22

98,63

14

23

Tabla 7.13. Nivel de Servicio medio ajustado en el cuarto paso de la heurstica para el experimento de
confirmacin.

K(0)

2, WIP Medio

11

10

13,30

12,37

11,43

10,50

9,57

14,79

13,98

13,16

12,35

11,54

16,28

15,59

14,89

14,20

13,51

17,77

17,20

16,62

16,05

15,48

19,26

18,81

18,35

17,90

17,44

20,75

20,42

20,08

19,75

19,41

22,24

22,03

21,81

21,60

21,38

23,83

23,73

23,64

23,54

23,44

23,35

25,20

25,22

25,25

25,27

25,29

25,32

26,57

26,71

26,86

27,00

27,14

27,29

10

27,94

28,20

28,47

28,73

28,99

29,25

11

29,31

29,69

30,08

30,46

30,84

31,22

12

30,68

31,18

31,69

32,19

32,69

33,19

13

32,05

32,67

33,30

33,92

34,54

35,16

14

- 306 -

12

22,45

30,81

21,08

29,68

30,19

19,71

28,54

29,17

29,56

18,34

27,41

28,16

28,67

28,94

16,97

26,28

27,15

27,78

28,17

28,32

15,60

25,15

26,14

26,89

27,40

27,67

27,70

14,23

24,02

25,12

25,99

26,62

27,01

27,16

27,08

13

22,88

24,11

25,10

25,85

26,36

26,63

26,66

26,45

31,43
21,75

23,10

24,21

25,08

25,70

26,10

26,25

26,16

25,83

30,18
20,62

22,09

23,31

24,30

25,05

25,56

25,83

25,86

25,66

28,93

19,49

21,07

22,42

23,53

24,40

25,03

25,42

25,57

25,48

27,68

18,36

20,06

21,53

22,76

23,74

24,49

25,00

25,27

25,31

26,42

17,22
19,05

20,64

21,98

23,09

23,96

24,59

24,98

25,13

25,17

16,09
18,04

19,74

21,21

22,44

23,42

24,17

24,68

24,95

23,92

15
17,02
18,85

20,44

21,78

22,89

23,76

24,39

24,78

22,67

16
17,96

19,66

21,13

22,36

23,34

24,09

24,60

21,42

17
18,89

20,47

21,82

22,93

23,80

24,43

20,17

18
19,82

21,29

22,51

23,50

24,25

18,92

19

20,75

22,10

23,21

24,08

17,66

20

21,68

22,91

23,90

16,41

21

22,62

23,72

15,16

22

23,55

14

23

Tabla 7.14. WIP medio ajustado en el cuarto paso de la heurstica para el experimento de confirmacin.

A continuacin elegimos las combinaciones de pesos de las funciones desirability, d1 y

d2 que se van a estudiar. Cuando se expuso la heurstica en el captulo seis se estudiaron
los casos:

Combinacin 1
Combinacin 2
Combinacin 3
Combinacin 4

s1
1
1
10
5

Pesos
t1
s2
1
1
10
1
10
1
8
5

Tabla 7.15. Combinaciones de pesos para el cuarto paso de la heurstica para el experimento de
confirmacin.

Las matrices correspondientes a las funciones desirability, d1, d2 y al ndice D, para la

combinacin (s1=1, t1=1, s2=1), son las siguientes:

- 307 -

K(0)

Funcin Desirability, d1

11

10

0,09

0,00

0,00

0,00

0,00

0,13

0,02

0,00

0,00

0,00

0,16

0,05

0,00

0,00

0,00

0,20

0,09

0,00

0,00

0,00

0,24

0,13

0,02

0,00

0,00

0,28

0,16

0,05

0,00

0,00

0,31

0,20

0,09

0,00

0,00

0,46

0,35

0,24

0,13

0,01

0,00

0,50

0,39

0,27

0,16

0,05

0,00

0,53

0,42

0,31

0,20

0,09

0,00

10

0,57

0,46

0,35

0,24

0,13

0,01

11

0,61

0,50

0,39

0,27

0,16

0,05

12

0,64

0,53

0,42

0,31

0,20

0,09

13

0,68

0,57

0,46

0,35

0,24

0,12

14

- 308 -

12

0,42

0,90

0,39

0,87

0,97

0,35

0,83

0,98

0,74

0,31

0,79

0,94

0,82

0,52

0,28

0,76

0,91

0,89

0,60

0,30

0,24

0,72

0,87

0,97

0,67

0,37

0,08

0,20

0,68

0,83

0,98

0,74

0,45

0,15

0,00

13

0,65

0,79

0,94

0,82

0,52

0,22

0,00

0,00

0,79
0,61

0,76

0,91

0,89

0,59

0,30

0,00

0,00

0,00

0,76
0,57

0,72

0,87

0,97

0,67

0,37

0,08

0,00

0,00

0,72

0,54

0,68

0,83

0,98

0,74

0,45

0,15

0,00

0,00

0,68

0,50

0,65

0,80

0,94

0,82

0,52

0,22

0,00

0,00

0,65

0,46
0,61

0,76

0,91

0,89

0,59

0,30

0,00

0,00

0,61

0,42
0,57
0,72

0,87

0,96

0,67

0,37

0,07

0,00

0,57

15
0,54
0,68

0,83

0,98

0,74

0,44

0,15

0,00

0,53

16
0,65
0,80

0,94

0,81

0,52

0,22

0,00

0,50

17
0,76

0,91

0,89

0,59

0,30

0,00

0,46

18
0,87

0,96

0,67

0,37

0,07

0,42

19
0,98

0,74

0,44

0,15

0,39

20

0,81

0,52

0,22

0,35

21

0,59

0,29

0,31

22

0,37

14

23

Tabla 7.16. Funcin Desirability, d1, en el cuarto paso de la heurstica para el experimento de
confirmacin con los pesos (s1=1, t1=1, s2=1).

K(0)

Funcin Desirability, d2

11

10

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

0,69

0,80

0,91

1,00

1,00

0,31

0,40

0,48

0,56

0,65

0,00

0,00

0,05

0,10

0,15

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

10

0,00

0,00

0,00

0,00

0,00

0,00

11

0,00

0,00

0,00

0,00

0,00

0,00

12

0,00

0,00

0,00

0,00

0,00

0,00

13

0,00

0,00

0,00

0,00

0,00

0,00

14

- 309 -

12

0,00

0,00

0,23

0,00

0,00

0,57

0,00

0,00

0,00

0,91

0,00

0,00

0,00

0,00

1,00

0,00

0,00

0,00

0,00

0,00

1,00

0,00

0,00

0,00

0,00

0,00

0,00

1,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

13

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,06

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,34

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,63

0,23

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,91

0,48

0,12

0,00

0,00

0,00

0,00

0,00

0,00

0,00

1,00
0,74

0,34

0,00

0,00

0,00

0,00

0,00

0,00

0,00

1,00
0,99

0,56

0,20

0,00

0,00

0,00

0,00

0,00

0,00

15
1,00
0,79

0,39

0,05

0,00

0,00

0,00

0,00

0,00

16
1,00
0,58

0,22

0,00

0,00

0,00

0,00

0,15

17
0,78

0,38

0,04

0,00

0,00

0,00

0,46

18
0,54

0,18

0,00

0,00

0,00

0,77

19

0,31

0,00

0,00

0,00

1,00

20

0,08

0,00

0,00

1,00

21

0,00

0,00

1,00

22

0,00

14

23

Tabla 7.17. Funcin Desirability, d2, en el cuarto paso de la heurstica para el experimento de
confirmacin con los pesos (s1=1, t1=1, s2=1).

K(0)

ndice D

11

10

0,30

0,00

0,00

0,00

0,00

0,36

0,13

0,00

0,00

0,00

0,41

0,23

0,00

0,00

0,00

0,45

0,30

0,00

0,00

0,00

0,40

0,32

0,12

0,00

0,00

0,29

0,25

0,16

0,00

0,00

0,00

0,00

0,06

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

10

0,00

0,00

0,00

0,00

0,00

0,00

11

0,00

0,00

0,00

0,00

0,00

0,00

12

0,00

0,00

0,00

0,00

0,00

0,00

13

0,00

0,00

0,00

0,00

0,00

0,00

14

- 310 -

12

0,00

0,00

0,30

0,00

0,00

0,45

0,00

0,00

0,00

0,53

0,00

0,00

0,00

0,00

0,53

0,00

0,00

0,00

0,00

0,00

0,49

0,00

0,00

0,00

0,00

0,00

0,00

0,45

0,00

0,00

0,00

0,00

0,00

0,00

0,00

13

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,19

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,44

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,58

0,40

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,67

0,56

0,31

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,68
0,67

0,51

0,06

0,00

0,00

0,00

0,00

0,00

0,00

0,65
0,75

0,64

0,41

0,00

0,00

0,00

0,00

0,00

0,00

15
0,73
0,73

0,57

0,23

0,00

0,00

0,00

0,00

0,00

16
0,80
0,68

0,45

0,00

0,00

0,00

0,00

0,27

17
0,77

0,59

0,20

0,00

0,00

0,00

0,46

18
0,69

0,41

0,00

0,00

0,00

0,57

19

0,55

0,00

0,00

0,00

0,62

20

0,25

0,00

0,00

0,59

21

0,00

0,00

0,56

22

0,00

14

23

Tabla 7.18. ndice D en el cuarto paso de la heurstica para el experimento de confirmacin con los
pesos (s1=1, t1=1, s2=1).

En esta ltima tabla se observa como el mayor valor le corresponde a la pareja (17,1),
por lo que para esta combinacin de pesos esta es la combinacin de parmetros que se
compara con la hallada en el segundo paso de la heurstica.

Para la combinacin de pesos (s1=1, t1=10, s2=1), los resultados son:

K(0)

Funcin Desirability, d1

11

10

0,09

0,00

0,00

0,00

0,00

0,13

0,02

0,00

0,00

0,00

0,16

0,05

0,00

0,00

0,00

0,20

0,09

0,00

0,00

0,00

0,24

0,13

0,02

0,00

0,00

0,28

0,16

0,05

0,00

0,00

0,31

0,20

0,09

0,00

0,00

0,46

0,35

0,24

0,13

0,01

0,00

0,50

0,39

0,27

0,16

0,05

0,00

0,53

0,42

0,31

0,20

0,09

0,00

10

0,57

0,46

0,35

0,24

0,13

0,01

11

0,61

0,50

0,39

0,27

0,16

0,05

12

0,64

0,53

0,42

0,31

0,20

0,09

13

0,68

0,57

0,46

0,35

0,24

0,12

14

- 311 -

12

0,42

0,90

0,39

0,87

0,72

0,35

0,83

0,98

0,05

0,31

0,79

0,94

0,14

0,00

0,28

0,76

0,91

0,32

0,01

0,00

0,24

0,72

0,87

0,71

0,02

0,00

0,00

0,20

0,68

0,83

0,98

0,05

0,00

0,00

0,00

13

0,65

0,79

0,94

0,13

0,00

0,00

0,00

0,00

0,79
0,61

0,76

0,91

0,32

0,01

0,00

0,00

0,00

0,00

0,76
0,57

0,72

0,87

0,70

0,02

0,00

0,00

0,00

0,00

0,72
0,54

0,68

0,83

0,98

0,05

0,00

0,00

0,00

0,00

0,68

0,50

0,65

0,80

0,94

0,13

0,00

0,00

0,00

0,00

0,65

0,46

0,61

0,76

0,91

0,31

0,01

0,00

0,00

0,00

0,61

0,42
0,57

0,72

0,87

0,69

0,02

0,00

0,00

0,00

0,57

15
0,54

0,68

0,83

0,98

0,05

0,00

0,00

0,00

0,53

16
0,65

0,80

0,94

0,13

0,00

0,00

0,00

0,50

17
0,76

0,91

0,31

0,01

0,00

0,00

0,46

18

0,87

0,68

0,02

0,00

0,00

0,42

19

0,98

0,05

0,00

0,00

0,39

20

0,13

0,00

0,00

0,35

21

0,01

0,00

0,31

22

0,00

14

23

Tabla 7.19. Funcin Desirability, d1, en el cuarto paso de la heurstica para el experimento de
confirmacin con los pesos (s1=1, t1=10, s2=1).

K(0)

Funcin Desirability, d2

11

10

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

0,69

0,80

0,91

1,00

1,00

0,31

0,40

0,48

0,56

0,65

0,00

0,00

0,05

0,10

0,15

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

10

0,00

0,00

0,00

0,00

0,00

0,00

11

0,00

0,00

0,00

0,00

0,00

0,00

12

0,00

0,00

0,00

0,00

0,00

0,00

13

0,00

0,00

0,00

0,00

0,00

0,00

14

- 312 -

12

0,00

0,00

0,23

0,00

0,00

0,57

0,00

0,00

0,00

0,91

0,00

0,00

0,00

0,00

1,00

0,00

0,00

0,00

0,00

0,00

1,00

0,00

0,00

0,00

0,00

0,00

0,00

1,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

13

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,06

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,34

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,63

0,23

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,91

0,48

0,12

0,00

0,00

0,00

0,00

0,00

0,00

0,00

1,00
0,74

0,34

0,00

0,00

0,00

0,00

0,00

0,00

0,00

1,00
0,99

0,56

0,20

0,00

0,00

0,00

0,00

0,00

0,00

15
1,00
0,79

0,39

0,05

0,00

0,00

0,00

0,00

0,00

16
1,00
0,58

0,22

0,00

0,00

0,00

0,00

0,15

17
0,78

0,38

0,04

0,00

0,00

0,00

0,46

18
0,54

0,18

0,00

0,00

0,00

0,77

19

0,31

0,00

0,00

0,00

1,00

20

0,08

0,00

0,00

1,00

21

0,00

0,00

1,00

22

0,00

14

23

Tabla 7.20. Funcin Desirability, d2, en el cuarto paso de la heurstica para el experimento de
confirmacin con los pesos (s1=1, t1=10, s2=1).

K(0)

ndice D

11

10

0,30

0,00

0,00

0,00

0,00

0,36

0,13

0,00

0,00

0,00

0,41

0,23

0,00

0,00

0,00

0,45

0,30

0,00

0,00

0,00

0,40

0,32

0,12

0,00

0,00

0,29

0,25

0,16

0,00

0,00

0,00

0,00

0,06

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

10

0,00

0,00

0,00

0,00

0,00

0,00

11

0,00

0,00

0,00

0,00

0,00

0,00

12

0,00

0,00

0,00

0,00

0,00

0,00

13

0,00

0,00

0,00

0,00

0,00

0,00

14

- 313 -

12

0,00

0,00

0,30

0,00

0,00

0,45

0,00

0,00

0,00

0,53

0,00

0,00

0,00

0,00

0,53

0,00

0,00

0,00

0,00

0,00

0,49

0,00

0,00

0,00

0,00

0,00

0,00

0,45

0,00

0,00

0,00

0,00

0,00

0,00

0,00

13

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,19

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,44

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,58

0,40

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,67

0,56

0,31

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,68
0,67

0,51

0,06

0,00

0,00

0,00

0,00

0,00

0,00

0,65
0,75

0,64

0,41

0,00

0,00

0,00

0,00

0,00

0,00

15
0,73
0,73

0,57

0,23

0,00

0,00

0,00

0,00

0,00

16
0,80
0,68

0,45

0,00

0,00

0,00

0,00

0,27

17
0,77

0,59

0,12

0,00

0,00

0,00

0,46

18
0,69

0,35

0,00

0,00

0,00

0,57

19

0,55

0,00

0,00

0,00

0,62

20

0,10

0,00

0,00

0,59

21

0,00

0,00

0,56

22

0,00

14

23

Tabla 7.21.ndice D, en el cuarto paso de la heurstica para el experimento de confirmacin con los pesos
(s1=1, t1=10, s2=1).

Para esta combinacin de pesos la combinacin de parmetros con mayor ndice D

vuelve a ser la misma, la pareja (17, 1).

Veamos los resultados para (s1=10, t1=10, s2=1):

K(0)

Funcin Desirability, d1

11

10

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

10

0,00

0,00

0,00

0,00

0,00

0,00

11

0,01

0,00

0,00

0,00

0,00

0,00

12

0,01

0,00

0,00

0,00

0,00

0,00

13

0,02

0,00

0,00

0,00

0,00

0,00

14

- 314 -

12

0,00

0,37

0,00

0,24

0,72

0,00

0,16

0,81

0,05

0,00

0,10

0,55

0,14

0,00

0,00

0,06

0,37

0,32

0,01

0,00

0,00

0,04

0,24

0,71

0,02

0,00

0,00

0,00

0,02

0,16

0,82

0,05

0,00

0,00

0,00

13

0,01

0,10

0,56

0,13

0,00

0,00

0,00

0,00

0,10
0,01

0,06

0,37

0,32

0,01

0,00

0,00

0,00

0,00

0,06
0,00

0,04

0,25

0,70

0,02

0,00

0,00

0,00

0,00

0,04
0,00

0,02

0,16

0,82

0,05

0,00

0,00

0,00

0,00

0,02

0,00

0,01

0,10

0,56

0,13

0,00

0,00

0,00

0,00

0,01

0,00

0,01

0,06

0,38

0,31

0,01

0,00

0,00

0,00

0,01

0,00
0,00

0,04

0,25

0,69

0,02

0,00

0,00

0,00

0,00

15
0,00

0,02

0,16

0,83

0,05

0,00

0,00

0,00

0,00

16
0,01

0,10

0,56

0,13

0,00

0,00

0,00

0,00

17
0,06

0,38

0,31

0,01

0,00

0,00

0,00

18

0,25

0,68

0,02

0,00

0,00

0,00

19

0,83

0,05

0,00

0,00

0,00

20

0,13

0,00

0,00

0,00

21

0,01

0,00

0,00

22

0,00

14

23

Tabla 7.22. Funcin Desirability, d1, en el cuarto paso de la heurstica para el experimento de
confirmacin con los pesos (s1=10, t1=10, s2=1).

K(0)

Funcin Desirability, d2

11

10

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

0,69

0,80

0,91

1,00

1,00

0,31

0,40

0,48

0,56

0,65

0,00

0,00

0,05

0,10

0,15

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

10

0,00

0,00

0,00

0,00

0,00

0,00

11

0,00

0,00

0,00

0,00

0,00

0,00

12

0,00

0,00

0,00

0,00

0,00

0,00

13

0,00

0,00

0,00

0,00

0,00

0,00

14

- 315 -

12

0,00

0,00

0,23

0,00

0,00

0,57

0,00

0,00

0,00

0,91

0,00

0,00

0,00

0,00

1,00

0,00

0,00

0,00

0,00

0,00

1,00

0,00

0,00

0,00

0,00

0,00

0,00

1,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

13

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,06

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,34

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,63

0,23

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,91

0,48

0,12

0,00

0,00

0,00

0,00

0,00

0,00

0,00

1,00
0,74

0,34

0,00

0,00

0,00

0,00

0,00

0,00

0,00

1,00
0,99

0,56

0,20

0,00

0,00

0,00

0,00

0,00

0,00

15
1,00
0,79

0,39

0,05

0,00

0,00

0,00

0,00

0,00

16
1,00
0,58

0,22

0,00

0,00

0,00

0,00

0,15

17
0,78

0,38

0,04

0,00

0,00

0,00

0,46

18
0,54

0,18

0,00

0,00

0,00

0,77

19

0,31

0,00

0,00

0,00

1,00

20

0,08

0,00

0,00

1,00

21

0,00

0,00

1,00

22

0,00

14

23

Tabla 7.23. Funcin Desirability, d2, en el cuarto paso de la heurstica para el experimento de
confirmacin con los pesos (s1=10, t1=10, s2=1).

K(0)

10

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

10

0,00

0,00

0,00

0,00

0,00

0,00

11

0,00

0,00

0,00

0,00

0,00

0,00

12

0,00

0,00

0,00

0,00

0,00

0,00

13

0,00

0,00

0,00

0,00

0,00

0,00

14

Por ltimo, para la combinacin (s1=5, t1=8, s2=5), se obtiene:

- 316 -

ndice D

11
0,00

0,00

La combinacin con mayor ndice D es la (20,1).

12

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

13

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,02

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,04

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,03

0,07

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,03

0,08

0,11

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,02
0,07

0,15

0,04

0,00

0,00

0,00

0,00

0,00

0,00

0,01
0,06
0,15

0,22

0,00

0,00

0,00

0,00

0,00

0,00

15
0,04
0,13

0,25

0,21

0,00

0,00

0,00

0,00

0,00

16
0,11
0,24

0,35

0,00

0,00

0,00

0,00

0,01

17
0,22

0,38

0,12

0,00

0,00

0,00

0,01

18
0,37

0,35

0,00

0,00

0,00

0,01

19
0,51

0,00

0,00

0,00

0,01

20

0,10

0,00

0,00

0,01

21

0,00

0,00

0,00

22

0,00

14

23

Tabla 7.24. ndice D, en el cuarto paso de la heurstica para el experimento de confirmacin con los
pesos (s1=10, t1=10, s2=1).

K(0)

Funcin Desirability, d1

11

10

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,02

0,01

0,00

0,00

0,00

0,00

0,03

0,01

0,00

0,00

0,00

0,00

0,04

0,01

0,00

0,00

0,00

0,00

10

0,06

0,02

0,01

0,00

0,00

0,00

11

0,08

0,03

0,01

0,00

0,00

0,00

12

0,11

0,04

0,01

0,00

0,00

0,00

13

0,15

0,06

0,02

0,01

0,00

0,00

14

- 317 -

12

0,01

0,61

0,01

0,49

0,77

0,01

0,40

0,90

0,09

0,00

0,32

0,74

0,20

0,01

0,00

0,25

0,61

0,40

0,02

0,00

0,00

0,19

0,49

0,76

0,04

0,00

0,00

0,00

0,15

0,40

0,90

0,09

0,00

0,00

0,00

13

0,11

0,32

0,75

0,20

0,01

0,00

0,00

0,00

0,31
0,08

0,25

0,61

0,40

0,02

0,00

0,00

0,00

0,00

0,25
0,06

0,19

0,50

0,75

0,04

0,00

0,00

0,00

0,00

0,19

0,04

0,15

0,40

0,91

0,09

0,00

0,00

0,00

0,00

0,15

0,03

0,11

0,32

0,75

0,20

0,01

0,00

0,00

0,00

0,11

0,02
0,08

0,25

0,61

0,39

0,02

0,00

0,00

0,00

0,08

0,01
0,06

0,20

0,50

0,74

0,04

0,00

0,00

0,00

0,06

15
0,04
0,15

0,40

0,91

0,09

0,00

0,00

0,00

0,04

16
0,11
0,32

0,75

0,19

0,01

0,00

0,00

0,03

17
0,25

0,61

0,39

0,02

0,00

0,00

0,02

18
0,50

0,74

0,04

0,00

0,00

0,01

19

0,91

0,09

0,00

0,00

0,01

20

0,19

0,01

0,00

0,01

21

0,01

0,00

0,00

22

0,00

14

23

Tabla 7.25. Funcin Desirability, d1, en el cuarto paso de la heurstica para el experimento de
confirmacin con los pesos (s1=5, t1=8, s2=5).

K(0)

Funcin Desirability, d2

22

21

20

19

18

17

16

15

14

13

12

11

10

0,00

0,00

0,00

0,00

0,05

0,28

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

0,00

0,00

0,00

0,00

0,01

0,07

0,30

0,95

1,00

1,00

1,00

1,00

1,00

1,00

1,00

1,00

0,00

0,00

0,00

0,00

0,00

0,01

0,06

0,22

0,63

1,00

1,00

1,00

1,00

1,00

1,00

1,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,03

0,10

0,27

0,64

1,00

1,00

1,00

1,00

1,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,02

0,06

0,15

0,33

0,63

1,00

1,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,01

0,03

0,06

0,11

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

10

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

11

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

12

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

13

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

14

23

- 318 -

para el experimento de

Tabla 7.26. Funcin Desirability, d2, en el cuarto paso de la heurstica

confirmacin con los pesos (s1=5, t1=8, s2=5).

K(0)

10

0,00

0,00

0,00

0,00

0,01

0,00

0,00

0,00

0,00

0,01

0,00

0,00

0,00

0,00

0,02

0,00

0,00

0,00

0,00

0,01

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

10

0,00

0,00

0,00

0,00

0,00

0,00

11

0,00

0,00

0,00

0,00

0,00

0,00

12

0,00

0,00

0,00

0,00

0,00

0,00

13

0,00

0,00

0,00

0,00

0,00

0,00

14

- 319 -

ndice D

11
0,00

0,00

El mayor ndice D se vuelve a encontrar para la pareja (17,1).

12

0,00

0,00

0,00

0,00

0,00

0,02

0,00

0,00

0,00

0,04

0,00

0,00

0,00

0,00

0,04

0,00

0,00

0,00

0,00

0,00

0,03

0,00

0,00

0,00

0,00

0,00

0,00

0,02

0,00

0,00

0,00

0,00

0,00

0,00

0,00

13

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00
0,02

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,07

0,01

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,14

0,05

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,14
0,14

0,03

0,00

0,00

0,00

0,00

0,00

0,00

0,00

0,12
0,24

0,11

0,01

0,00

0,00

0,00

0,00

0,00

0,00

15
0,21
0,21

0,06

0,00

0,00

0,00

0,00

0,00

0,00

16
0,34
0,15

0,02

0,00

0,00

0,00

0,00

0,00

17
0,27

0,07

0,00

0,00

0,00

0,00

0,02

18
0,15

0,01

0,00

0,00

0,00

0,06

19

0,05

0,00

0,00

0,00

0,09

20

0,00

0,00

0,00

0,07

21

0,00

0,00

0,05

22

0,00

14

23

Tabla 7.27. ndice D, en el cuarto paso de la heurstica para el experimento de confirmacin con los
pesos (s1=5, t1=8, s2=5).

En esta fase de la heurstica las combinaciones halladas a ser candidatas a la

combinacin elegida son la (17,1) y la (20,1). En la tabla siguiente se muestran los
resultados obtenidos en la simulacin de ambas y se comparan con la obtenida en el
segundo paso:
K(0)
17
20
19

E
1
1
3

Nivel de servicio medio

94,805
97,370
97,778

IC (99%) para el nivel de servicio

94,159<>95,451
96,836<>97,905
97,262<>98,294

WIP medio
17,957
20,699
21,257

Tabla 7.28. Comparativa de soluciones candidatas para el experimento de confirmacin.

En la tabla anterior se aprecia que de las dos combinaciones halladas en este paso
ninguna es admisible, sin embargo la que se ha obtenido con la combinacin de pesos
ms exigente es la que ms prxima esta de ser admisible. Recordar que esto mismo
ocurra cuando se aplic la heurstica al sistema estudiado en el captulo 6.
Pudiera parecer que la aplicacin de la metodologa RSM fracasa al no proporcionar
una solucin admisible, sin embargo nosotros no creemos eso. Si comparamos la
combinacin (20,1) con la combinacin (19,3), vemos que hay poca diferencia entre
ellas, por lo que consideramos que la aplicacin de esta metodologa en la heurstica es
beneficiosa, porque proporciona un mtodo aceptable y complementario a la bsqueda
que se hace en los dos primeros pasos de la heurstica.
A continuacin se realiza la bsqueda exhaustiva en prcticamente todo el espacio de
soluciones en busca de la combinacin ptima con el fin de compararla con la solucin
que se ha hallado con la aplicacin de la heurstica propuesta y descubrir que grado de
fidelidad ofrece esta ltima.

- 320 -

K(0)

Nivel de Servicio Medio

12

11

10

73,771

64,086

58,455

42,098

27,913

83,720

80,274

73,624

63,904

58,454

87,555

83,721

80,490

73,803

67,697

90,618

87,743

82,973

80,758

73,361

94,079

92,899

90,752

87,643

82,754

80,017

96,172

94,794

92,970

90,568

87,518

82,894

96,552

95,971

94,298

92,681

90,829

87,789

97,327

96,660

96,192

94,365

92,334

90,517

97,543

97,135

96,349

96,220

94,438

92,494

97,680

97,700

97,223

96,583

96,056

94,382

98,300

97,784

97,466

97,195

96,757

95,928

10

98,271

98,313

97,697

97,570

97,202

96,388

11

98,020

98166

98,124

97,603

97,606

97,256

12

98,151

98,236

98,287

98,103

97,634

97,511

13

98,196

98,331

98,241

97,524

14

- 321 -

13
92,793

98,329

90,866

98,335

87,487

98,153

81,117

98,051

98,276

14

98,051

98,307

98,341
97,937

98,386

98,107
97,672

98,232

98,378

98,188
97,186

97,890

98,264

98,160
96,712

97,832

98,297

98,293

97,691
95,959

97,422

97,899

98,345

97,738

94,555

96,720

97,647

98,262

98,290

97,122

93,012

96,088

97,292

97,828

98,355

97,061

88,080
94,805

96,739

97,778

98,148

98,484

96,370

16
91,092
96,114

97,368

97,881

98,706

94,170

17
93,236

96,696

97,598

98,611

92,787

18
95,024

97,370

98,328

90,925

19
96,527

98,198

83,461

20

97,145

98,760

15

21

98,642
98,889

98,803
98,862

98,360
98,880

97,860
98,242

22
23

Tabla 7.29. Bsqueda exhaustiva para el experimento de confirmacin. Nivel de servicio medio.

K(0)

IC (99%) para el Nivel de Servicio

12

11

10

72,456<>75,086

62,222<>65,950

57,398<>59,511

40,618<>43,578

25, 919<>29,907

82,323<>85,117

78,484<>82,064

72,548<>74,699

61,592<>66,217

57,144<>59,764

86,501<>88,609

82,582<>84,860

78,702<>82,277

72,574<>75,032

67,700<>70,694

89,775<>91,462

86,795<>88,691

81,523<>84,423

79,025<>82,491

71,992<>74,731

92,068<>93,730

89,967<>91,538

86,724<>88,563

81,347<>84,162

78,692<>81,343

94,242<>95,345

92,174<>93,765

89,852<>91,283

86,547<>88,488

81,616<>84,351

96,095<>97,009

95,357<>96,584

93,662<>94,934

91,786<>93,576

90,076<>91,583

86,634<>88,944

13

95,533<>96,810

97,242<>98,102

93,508<>94,649

96,645<>97,627

97,562<>98,218

92,009<>93,578

96,234<>97,190

97,378<>98,287

98,012<>98,582

90,077<>91,656

95,249<>96,669

96,957<>97,887

97,553<>98,245

98,119<>98,572

86,353<>88,621

94,021<>95,089

96,208<>97,232

97,115<>98,178

97,975<>98,548

98,055<>98,525

79,329<>82,904

92,204<>93,820

95,372<>96,805

96,717<>97,867

97,377<>98,278

98,082<>98,628

14

86,967<>89,193

94,159<>95,451

96,213<>97,266

97,262<>98,294

97,861<>98,436

98,155<>98,812

96,646<>97,599

16
90,385<>91,789

95,454<>96,774

96,793<>97,943

97,502<>98,260

98,436<>98,977

96,661<>97,461

17
92,420<>94,052

96,182<>97,210

97,001<>98,196

98,358<>98,864

98,433<>99,086

95,694<>97,046

18
94,557<>95,490

96,836<>97,905

97,867<>98,789

98,366<>98,919

93,953<>94,887

19

95,872<>97,181

97,655<>98,741

98,532<>99,074

98,565<>99,213

91,998<>93,577

20

96,812<>97,479

97,821<>98,898

98,536<>99,187

90,126<>91,725

21

97,247<>98,473

98,531<>99,228

82,137<>84,786

22

97,702<>98,782

15

23

- 322 -

96,158<>97,135

95,576<>96,808

93,789<>94,941

91,467<>93,200

89,732<>91,301

97,080<>98,006

96,574<>97,695

95,855<>96,842

95,584<>96,856

93,750<>95,126

91,679<>93,310

97,224<>98,137

97,205<>98,195

96,65/8<>97,787

96,144<>97,021

95,483<>96,629

93,800<>94,964

98,089<>98,510

97,388<>98,179

96,851<>98,082

96,620<>97,770

96,339<>97,175

95,237<>96,619

10

98,050<>98,492

98,044<>98,582

97,206<>98,189

97,102<>98,038

96,564<>97,841

95,718<>97,057

11

97,644<>98,397

97,893<>98,439

97,824<>98,425

97,205<>98,002

97,112<>98,099

96,608<>97,904

12

97,875<>98,428

97,940<>98,531

98,050<>98,524

97,750<>98,456

97,133<>98,135

96,940<>98,083

13

97,906<>98,432

98,060<>98,602

98,002<>98,480

97,077<>97,971

14

98,063<>98,595

96,827<>97,827

98,094<>98,575

98,145<>98,537
97,816<>98,490

97,828<>98,386

97,847<>98,255

97,916<>98,636

97,918<>98,459

97,951<>98,352

98,011<>98,603

97,953<>98,366

97,608<>98,266
98,201<>98,572

97,267<>98,116

97,874<>98,591

98,087<>98,669

97,259<>98,216

98,024<>98,503
98,041<>98,545

Tabla 7.30. Bsqueda exhaustiva para el experimento de confirmacin. Intervalos de confianza del nivel
de servicio.

- 323 -

K(0)

11

10

12,040

11,050

10,053

9,066

14,018

13,023

12,035

11,048

10,050

15,004

14,012

13,020

12,033

11,440

15,986

15,001

14,012

13,021

12,031

16,971

15,982

15,004

14,015

13,019

18,917

17,942

16,972

15,992

15,003

14,012

19,907

18,934

17,957

16,979

15,988

15,003

20,802

19,861

18,948

17,951

16,985

15,993

21,729

20,763

19,876

18,952

17,968

16,978

22,586

21,674

20,844

19,917

18,936

17,975

23,481

22,612

21,770

20,889

19,931

18,969

10

24,376

23,565

22,640

21,808

20,885

19,951

11

25,126

24,320

23,673

22,710

21,875

20,932

12

25,933

25,460

24,556

23,629

22,780

21,854

13

25,379

24,652

23,709

22,817

14

WIP medio

12
13,030
17,950

- 324 -

13
16,978

26,380

15,991

25,554

15,010

24,728

14,026

23,984

25,575

14

23,135

24,803

25,603
22,387

23,710

24,911
21,507

22,966

24,561

24,113
20,658

22,296

23,565

23,250
19,830

21,565

22,673

23,872

22,487

18,875

20,691

22,130

22,879

21,641

17,922

19,807

21,332

22,266

23,294

20,731

16,973
18,882

20,598

21,388

22,930

20,364

16,051
17,957

19,798

21,257

22,528

22,828

18,879

16
17,013
18,889

20,568

21,903

22,402

17,914

17
18,009

19,781

21,381

22,273

16,961

18
19,007

20,699

21,842

15,987

19
20,006

21,401

15,021

20

21,004

23,153

15

21

22,954
24,029

22,541
23,698

22,280
23,317

22,004
23,003

22
23

Tabla 7.31.Bsqueda exhaustiva para el experimento de confirmacin. Inventario en proceso.

En color azul se han remarcado las soluciones admisibles con menor inventario en
proceso que se han encontrado. Como se puede observar, la combinacin de parmetros
admisible que ofrece un menor inventario en proceso en la (19, 3) que es la misma que
se ha encontrado al aplicar la heurstica.
La heurstica propuesta aplicada tanto al experimento llevado a cabo en la seccin 5.4
como el realizado en este captulo ha ofrecido la solucin ptima en ambos casos, por lo
que parece ser que es un mtodo fcil, rpido y fiable de encontrar la combinacin de
los parmetros K (0) y E de un sistema de la produccin PS, que hacen que este
funcione muy cercano a un nivel de servicio del 98%, con el menor inventario en
proceso.

- 325 -

CAPTULO 8:
CONCLUSIONES

- 326 -

El objeto del presente proyecto es la propuesta de un mtodo para la optimizacin de un

sistema de control de la produccin del tipo Conwip adaptativo.
Para el desarrollo de este proyecto ha sido necesario superar diferentes fases que, a
modo de resumen, se muestran a continuacin.
FASES
Fase 1: Estudio del sistema Conwip adaptativo

Para comprender mejor las caractersticas y el funcionamiento de los sistemas de la

produccin basados en tarjetas, se hace en el captulo 2 una introduccin y un posterior
estudio de estos, haciendo un repaso de la literatura existente al respecto. Este captulo
comienza con una introduccin a los sistemas basados en tarjetas, explicando las
diferencias entre los sistemas push y pull y porqu estos ltimos son superiores a los
primeros. Tambin se hace un repaso a la filosofa Just In Time (Justo a Tiempo).
A continuacin se describe el sistema Conwip, su funcionamiento en entornos contra
stock y contra pedido, y se enumeran sus ventajas e inconvenientes. La parte final de
este captulo se dedica a estudiar los distintos sistemas que ajustan el nmero de tarjetas
de forma dinmica. Se presta especial atencin al modelo propuesto por Tardif y
Maaseidvaag, ya que es en el que se basa el modelo PS propuesto por Framian et al,
que es el objeto de estudio de este proyecto.
Estos autores desarrollaron un procedimiento para controlar de forma dinmica el
nmero de tarjetas en sistemas de control de la produccin basados en tarjetas,
operando tanto en entornos contra stock como contra pedido. El mtodo se basa en el
compromiso entre el inventario de productos terminados FGI y la demanda acumulada
en un cierto instante, siendo el objetivo conseguir un nivel de servicio (o tasa de salida)
predeterminado minimizando a su vez el WIP y los costes asociados a la demanda
acumulada. Este sistema utiliza como datos de entrada do parmetros, el K (0) y E, que
corresponden con un nmero fijo de tarjetas que van a operar a lo largo de la lnea de
produccin y con un nmero de tarjetas extras, respectivamente.
Sin embargo, en los estudios del sistema propuesto PS no se ofreci ningn mtodo para
la optimizacin de los parmetros K (0) y E, por lo que el objeto del presente proyecto
es estudiar en profundidad la determinacin e importancia de los parmetros K (0) y E,
para posteriormente proponer un mtodo o heurstica que permita hallar la combinacin
de estos parmetros que hagan funcionar al sistema en el nivel de servicio
predeterminado con el menor inventario en proceso.
Fase 2: Estudio de las tcnicas RSM de optimizacin

En el presente proyecto se han empleado las tcnicas del diseo y anlisis de

experimentos para conocer la importancia de los parmetros y la metodologa de la
superficie de repuesta, RSM, para la optimizacin del mismo. Estas herramientas
estadsticas se describen en profundidad en el captulo 4, donde se han introducido todos
- 327 -

los conceptos necesarios con la realizacin de dos ejemplos con el fin de arrojar claridad
a la exposicin.
Fase 3: Aplicacin de las tcnicas RSM al sistema objeto de estudio

Una vez descritas las herramientas matemticas necesarias se ha procedido a la

experimentacin comenzando esta con la realizacin un experimento de caracterizacin
en el fin de conocer el grado de significacin de los parmetros K (0) y E, en la
respuesta del sistema, que en nuestro caso son el nivel de servicio y el inventario en
proceso.
Observando los resultados obtenidos se llega a la conclusin de que los parmetros
K (0) y E, as como su interaccin son significativos en la respuesta. El nivel de servicio
aumenta al hacerlo los parmetros K (0) y E, y lo hace ms conforme aumenta el
nmero K (0). La interpretacin de la interaccin es algo ms compleja, pero todo
parece indicar que el nivel de servicio aumenta ms al hacerlo el parmetro K (0) con
valores pequeos del nmero de tarjetas extra E.
La experimentacin prosigue con la realizacin de los experimentos encaminados a la
optimizacin del sistema. El primero de esta fase de la experimentacin se realiza para
un nivel de servicio predeterminado del 100%, con el objeto de estudiar inicialmente el
comportamiento del sistema as como la importancia relativa de los parmetros de
funcionamiento del mismo. Sin embargo este nivel de servicio parece elevado para los
datos de la lnea y datos de la demanda, por lo que se repite el proceso para un nivel de
servicio objetivo del 98%. Tras aplicar los mtodos del anlisis cannico y de la
mxima pendiente para avanzar por la superficie de respuesta en busca de un punto
cercano a los criterios de bsqueda, se llega a una combinacin admisible desde el
punto de vista del nivel de servicio medio. Esto esta bien como primera aproximacin,
pero no nos podemos quedar aqu ya que hasta ahora no se han tenido en cuenta los
intervalos de confianza para el nivel de servicio. Consideramos que una solucin es
admisible cuando el valor de nivel de servicio objetivo del 98% esta incluido en el
intervalo de confianza del nivel de servicio.
Debido a que ya no se puede explorar la superficie de respuesta por lo mtodos
anteriormente nombrados y a que la bsqueda de la combinacin ptima implica el
compromiso del nivel de servicio y del inventario en proceso, se decide aplicar el
mtodo grfico de optimizacin de la superposicin de las grficas de contorno. Para
ello se ajusta, en una regin de experimentacin alrededor del punto hallado
anteriormente, un modelo para el nivel de servicio y otro para el inventario en proceso.
Tras estudiar la informacin de las grficas de contorno, la forma de las superficies de
respuesta y las soluciones candidatas se aprecia que las soluciones admisibles guardan
una relacin lineal. Si las representamos en las graficas de contornos se aprecia como
estn alineadas, lo que hace pensar que a lo largo d esta trayectoria podremos encontrar
la solucin buscada. Se analizan todas las combinaciones que pertenecen a esta
trayectoria y se descubre que son admisibles, y que adems, son las que menor
inventario en proceso tienen. Entre todas ellas escogemos la que menor WIP presenta. A
- 328 -

esta trayectoria la denominamos trayectoria de las soluciones admisibles y a lo largo

de ella se cumple que la suma de los parmetros K (0) y E se mantiene constante.
Para averiguar si la solucin encontrada es la ptima o esta cerca de esta, se plantea una
bsqueda exhaustiva, dando como resultado que la combinacin hallada es la mejor de
todas. Este resultado no era el esperado, pero abre la puerta a plantear un mtodo de
bsqueda ms sencillo y rpido de lo que esperbamos.
Fase 4: Aplicacin de la funcin desirability

Antes de ello se considera oportuno estudiar el mtodo de optimizacin multirespuesta

de la funcin desirability, como alternativa de optimizacin al planteamiento inicial de
superposicin de las grficas de contornos. Presenta adems por una parte la ventaja de
ser analtico y poder implementarse en un ordenador, y por otra que el experimentador
puede influir en el proceso de optimizacin mediante el valor que le de a los distintos
pesos de las funciones desirability que en l se emplean. Tras su estudio y aplicacin al
sistema objeto de este proyecto, se llega a la conclusin de que su uso no aporta grandes
ventajas desde el punto de vista computacional, sin embargo s que puede ser de gran
utilidad su empleo en el estudio de la superficie de respuesta en una zona de inters en
la que estemos interesados conocer el comportamiento de varias respuestas a la vez.
Como propuesta de optimizacin se plantea el uso de una heurstica que utiliza por un
lado el seguimiento de la trayectoria de las soluciones admisibles y por otro lado la
exploracin de la vecindad de la mejor solucin de esta trayectoria para asegurar su
idoneidad, ya que no se tiene la seguridad de haber encontrado la combinacin ptima.
Los pasos que sigue la heurstica son cuatro:
1. Buscar el punto de partida de la trayectoria de las soluciones admisibles
mediante el estudio del sistema como si este fuese un Conwip tradicional.
2. Estudiar las combinaciones que forman parte de la trayectoria de las soluciones
admisibles y escoger aquella con menor WIP.
3. Estudiar la vecindad de la solucin hallada aplicando la metodologa RSM para
ajustar sendos modelos para el nivel de servicio y el inventario en proceso.
4. Aplicar el mtodo de la funcin desirability para encontrar soluciones
candidatas, escogiendo la mejor entre estas y la hallada anteriormente.
Esta heurstica se aplica al sistema y se llega a la misma solucin encontrada
anteriormente.
El resultado es prometedor, pero es necesario validar el comportamiento de la heurstica
propuesta aplicndola a un sistema PS distinto del utilizado hasta este momento. El
nuevo sistema va a estar formado por cinco mquinas con distintos tiempos de
procesado (sistema desequilibrado). Tambin va ser diferente el tiempo de llegada de la
- 329 -

demanda. Tras aplicar la heurstica al nuevo sistema se comprueba la calidad de la

solucin proporcionada por esta realizando una bsqueda exhaustiva en el espacio de
soluciones. El resultado de este experimento de confirmacin es que la heurstica
propuesta vuelve a dar como resultado la combinacin ptima.
RESUMEN CONCLUSIONES

Cmo conclusin de todo lo expuesto se puede decir que se ha hallado un mtodo

sencillo y lo suficientemente eficaz de encontrar la combinacin de parmetros que
hacen que un sistema PS funcione muy prximo al nivel de servicio predeterminado con
un inventario en proceso bajo. Sin embargo hay que tener en cuenta que no tenemos
factores objetivos para afirmar que la heurstica propuesta proporciona el ptimo en
todas las situaciones posibles en las que un sistema PS pueda operar, aunque el los dos
entornos en la que la hemos utilizado haya alcanzado la solucin ptima. Pensamos que
en el caso de no alcanzarla, la solucin que se encuentre ser prxima a ella, y
seguramente el sistema opere ofreciendo buenos resultados.
FUTURAS LNEAS DE INVESTIGACIN

Parece interesante que futuras investigaciones prueben su validez en otros escenarios

como pueden ser:

Sistemas operando en un entorno contra pedido.

Lneas de produccin con un mayor nmero de estaciones.

Lneas en donde se tengan en cuenta averas de las mquinas.

Lneas con reprocesado de piezas defectuosas.

Lneas con piezas de desecho que haya que eliminar del sistema (Scrap).

Sistemas multiproducto.

Sistemas en donde no hay infinita disponibilidad de producto.

Sistemas cuyas mquinas puedan procesar ms de un producto a la vez.

Sistemas con otro tipo de distribuciones estadsticas distintas a la

exponencial para los tiempos de proceso de las mquinas y tasa de
llegada de clientes.

Sistemas en los que el tiempo de llegada de los clientes se modele con

una distribucin distinta de la exponencial.

Sistemas en los que la demanda espere a ser satisfecha.

- 330 -

Sistemas con otros grados de desequilibrio, diferentes al usado en el

experimento de confirmacin.

Sistemas en los que los almacenes intermedios tengan capacidad finita.

- 331 -

BIBLIOGRAFA

- 332 -

Bonvik, A.M. y Gershwin, S.B., 1996, Beyond Kanban: creating and analazing lean
shop floor control policies, Manufacturing and service Operations Management
Conference, Durtmouth College.
Bonvik, A. M., Couch, C.E. y Gershwin, S. B., 1997, A comparison of production-line
control mechanisms, International Journal of Production Researh, 35, pp.789-804.
Box, G.E.P. y Hunter, J. S., 1957, Multifactor Experimental Designs for Exploring
Response Surfaces," Annals of Mathematical Statistics, Vol. 28, 1957, p. 195-242.
Cornell, J.A., 1990, How to apply response surface methodology, Vol. 8, ASQC Basic
References in Quality Control: Statistical Techniques, 2nd edition, 1990, American
Society for Quality Control.
Chase, R.B., Aquilano, N.J. y Jacobs, F.R., 2002, Manual de operaciones de
manufactura y servicios, McGraw Hill, Bogot.
Derringer, G y Suich, R., 1980, Simultaneous Optimization of Several Response
Variables, Journal of Quality Technology, vol. 12, pp. 214-219.
Daz, A., 1993, Produccin: gestin y control, Ariel Economa, Madrid.
Domnguez Machuca, J.A., 1994, Direccin de operaciones, McGraw Hill, Madrid.
Duri, C., Frein, Y. y Lee, H.S., 2000, Performance evaluation and design of a Conwip
system with inspections, International Journal of Production Economics, vol. 64, pp.
219-229.
Framin, J.M., Gonzlez, P.L. y Ruiz-Usano, R. 2003, The conwip production control
system: review and research issues, Production Planning & Control, vol. 14, no. 3, pp.
255-265.
Gaury, E.G.A., 2000, Designing pull production control systems: customisation and
robustness, Tesis Doctoral, Editorial Center.
Gaury, E. G. A., Pierreval, H. y Kleijnen, S. B., 2000, An evolutionary approach to
select a pull system among Kanban, Conwip and Hybrid, Journal of Intelligent
Manufacturing, 11, pp.157-167.
Gershwin, S.B., 2000. Design and operation of manufacturing systems: the
controlpoint policy, IIE Transactions, vol. 32, pp. 891-906.
Gonzlez, P. L., Framin, J. M., Muoz, M.A. y Ruz-Usano, R. 2003, Ajuste
dinmico de tarjetas en un sistema CONWIP, V congreso de Ingeniera de
Organizacin, Valladolid, 4-5 Septiembre 2003.

- 333 -

Guasch, A., Piera, M.A., Casanovas, J. y Figueras, J., 2002, Modelado y Simulacin:
Aplicacin a procesos logsticos de fabricacin y servicios, UPC, Barcelona.
Gupta, Y.P. y Gupta, M.C., 1989, A system dynamics model for a multi-stage,
multiline dual-card JIT-kanban system, International Journal of Production Research,
vol. 27, no. 2, pp. 309-352.
Hall, R. M., 1983, Zero Inventories, Dow-Jones-Irwin, Home-Wood,IL.
Herer, Y. T. y Masin, M., 1997, Mathematical programming formulation of CONWIP
based production lines relationship to MRP, International Journal of Production
Research, vol. 35, pp.1067-1076.
Hillier, F.S. y Boling, R.W., 1966, The effect f some design factors on the efficiency of
production lines with variable operation times, Industrial Engineering, vol. 17, pp.
651-658.
Hopp, W. J. y Spearman, L. M., 1991, Throughput of a constant work in process
manufacturing line subject to failures, International Journal of Production Research,
vol. 29, pp. 635-655.
Hopp, W. J. y Spearman, L. M., 1996, Factory Physics: Foundations of Manufacturing
Management, Richard D. Irwin.
Hopp, W. J. y Roof, M. L., 1998, Setting WIP levels with statistical throughput control
(STC) in CONWIP production lines, International Journal of Production Research, vol.
36, pp. 867-882.
Krajewski, L. J., King, B. E., Ritzman, L. P. y Wong, D. S. 1987, Kanban, MRP, and
shaping the manufacturing environment, Management Sciences, vol. 33, pp. 39-57.
Lageweg B.J., Lenstra J.K. y Rinnooy Kan, A.H.G., 1978, A General Bounding
Scheme for the Permutation Flow-Shop Problem, Operations Research Society of
America, vol. 26, no. 1, pp. 53-67.
Liberopoulos, D. y Dallery, Y., 1995 On the optimization of single-stage kanban-type
control systems in manufacturing, Proceeding of the 1995 INRIA/IEEE Symposium on
Emerging Technologies Factory Automation. Paris, France, 10-13 October 1995, pp.
437-444.
Luh, P. B., Zhou, X. y Tomastik, R. N., 2000, An effective method to reduce
inventory in job shops, IEEE Transactions on Robotics and Automation, vol. 16, no.
4, pp. 420-424.
Meral, S. y Erkip, N., 1991, Simulation analysis of a JIT production line,
International Journal of Production Economics, vol. 24, pp. 147-156.

- 334 -

Monden, Y., 1983, Toyota production system, Industrial Engineering and Management
Press, Atlanta.
Montgomery, D. C., 1991, Design and Analysis of Experiments, John Wiley & Sons,
N.Y.
Myers, R.H. y Montgomery, D.C., 1995, Response Surface Methodology: Process and
Product Optimization Using Designed Experiment, Wiley-VCH, Nueva York.
Orlicky, J., 1975, Material Requirements planning,McGraw-Hill.
Rees, L.P., Philipoom, P, R.., Taylor, W. B. y Huang, P. Y., 1987, Dynamically
adjusting the number of kanbans in a Just-in-Time production system using estimated
values of lead-times, IIE Trasactions, vol. 19, pp. 199-207.
Roderick, L. M., Philips, D. T. y Hogg, G. L., 1992, A comparison of order release
strategies in production control systems, International Journal of Production Research,
vol. 30, pp.683-694.
Ryan, M., Baynat, B. y Choobineh, F., 2000, Determining inventory levels in a
CONWIP controlled job shop, IIE Transactions, vol. 32, pp. 105-114.
Sarker, B.R. y Harris, R.D., 1988, The effect of imbalance in a Just-In-Time
production system: a simulation study, International Journal of Production Research,
vol. 26, no. 1, pp. 1-18.
Spearman, M. L., Hopp, W. J y Woodruff, D. L., 1989, A hierarchical control
architecture for Constant Work-in-process (CONWIP) production systems,
Journal of Manufacturing and Operations Management, 2, pp.147-171.
Spearman, M. L., Woodruff, D. L. y Hoop, W. J., 1990, Conwip: a pull alternative to
Kanban, International Journal of Production Research, 28, pp.879-894.
Spearman, M. L. y Zazanis, M. A., 1988, Push and productions systems: Issues and
comparison, Technical Report, pp. 88-24,Departement of Industrial Engineering and
Management Sciences, Northwestern University, Evanston, IL.
Tardif, V. y Maaseidvaag, L., 2001, An adaptative approach to controlling kanban
systems, European Journal of Operational Research, 132, pp. 411-424.
Villeda, R., Dudek, R. y Smith, M.L., 1988, Increasing the production rate of a just-intime production system with variable operation times, International Journal of
Production Research, vol. 26, pp. 1749-1768.
Vollmann, T. E., Berry, W. L. y Whybark, D. C., 1984, Manufacturing Planning and
Control Systems, Homewood, IL: Richard D. Irwin.

- 335 -

Wainer, http://www.dc.uba.ar/people/materias/sim/bibliografia.html, Departamento de

Computacin - Facultad de Cs. Exactas y Naturales - Universidad de Buenos Aires, 12
de noviembre de 2002.

- 336 -

ANEXO:
RESULTADOS OBTENIDOS EN EL
PROCESO DE DETERMINACION DE LOS
PARMETROS DE SIMULACIN

- 337 -

En este anexo se presentan los valores obtenidos en las diferentes simulaciones y

rplicas de los cinco experimentos aleatorios utilizados en la determinacin de los
parmetros de simulacin:

Tiempo efectivo de simulacin

Warm-up o periodo de calentamiento
Nmero de rplicas

- 338 -

1-CCULO DEL TIEMPO EFECTIVO DE SIMULACIN (T-W)

En todos las simulaciones y rplicas se van a mantener constantes el warm-up, con un
valor de 30.000 unidades de tiempo y el nmero de rplicas con 50.
El valor inicial del tiempo efectivo de simulacin es de 70.000 unidades de tiempo,
decreciendo de 5.000 unidades en 5.000 unidades, hasta un valor final de 5.000.

T-W
5000
10000
15000
20000
25000
30000
35000
40000
45000
50000
55000
60000
65000
70000

Media
18,329
18,498
18,436
18,487
18,499
18,473
18,481
18,509
18,482
18,487
18,484
18,496
18,511
18,515

Experimento 1
WIP
IC(99)
0,349
0,236
0,205
0,167
0,146
0,125
0,110
0,108
0,104
0,103
0,096
0,091
0,091
0,083

Nivel de servicio
Media
IC(99)
29,821
4,829
27,728
3,490
28,159
3,069
27,562
2,531
27,858
2,185
28,363
1,887
28,418
1,637
28,001
1,581
28,279
1,504
28,351
1,481
28,387
1,369
28,195
1,311
27,905
1,316
27,893
1,166

Experimento 2

WIP
T-W
5000
10000
15000
20000
25000
30000
35000
40000
45000
50000
55000
60000
65000
70000

Media
22,443
22,550
22,598
22,606
22,583
22,578
22,581
22,601
22,615
22,603
22,614
22,615
22,603
22,622

IC(99)
0,403
0,311
0,247
0,202
0,183
0,177
0,160
0,148
0,139
0,115
0,114
0,115
0,108
0,099
- 339 -

Nivel de servicio
Media
IC(99)
44,103
5,415
42,662
4,235
42,443
3,469
42,264
2,773
42,992
2,514
42,818
2,476
42,733
2,073
42,473
1,822
42,063
1,720
42,067
1,384
41,980
1,385
42,105
1,331
42,198
1,234
41,960
1,207

T-W
5000
10000
15000
20000
25000
30000
35000
40000
45000
50000
55000
60000
65000
70000

T-W
5000
10000
15000
20000
25000
30000
35000
40000
45000
50000
55000
60000
65000
70000

Media
20,574
20,385
30,345
20,418
20,442
20,398
20,409
20,405
20,417
20,411
20,419
20,410
20,408
20,402

Experimento 3
WIP
IC(99)
0,453
0,313
0,283
0,254
0,228
0,207
0,190
0,177
0,159
0,147
0,133
0,127
0,119
0,117

Nivel de servicio
Media
IC(99)
36,125
5,829
38,786
4,123
39,183
3,708
38,473
3,337
38,211
2,964
39,028
2,648
38,802
2,400
38,927
2,236
38,693
2,048
38,864
1,913
38,777
1,706
38,910
1,659
38,997
1,568
39,093
1,508

Media
19,674
19,688
19,890
19,862
19,862
19,897
19,877
19,881
19,886
19,880
19,862
19,856
19,877
19,885

Experimento 4
WIP
IC(99)
0,365
0,257
0,207
0,178
0,171
0,155
0,140
0,134
0,123
0,120
0,109
0,100
0,096
0,089

Nivel de servicio
Media
IC(99)
34,628
4,661
33,468
3,647
31,660
2,973
31,593
2,519
31,550
2,329
31,294
2,067
31,630
1,894
31,492
1,832
31,382
1,735
31,399
1,731
31,642
1,536
31,812
1,432
31,497
1,321
31,373
1,249

- 340 -

T-W
5000
10000
15000
20000
25000
30000
35000
40000
45000
50000
55000
60000
65000
70000

Media
19,864
19,850
19,860
19,886
19,910
19,961
19,971
19,979
20,000
20,010
20,022
20,038
20,030
20,033

Experimento 5
WIP
IC(99)
0,412
0,323
0,283
0,253
0,218
0,184
0,167
0,158
0,146
0,142
0,136
0,138
0,129
0,121

Nivel de servicio
Media
IC(99)
39,425
6,144
39,483
5,045
39,795
4,192
39,904
3,806
39,672
3,365
39,270
2,807
38,761
2,490
38,437
2,255
38,249
1,950
38,026
1,944
37,854
1,911
37,633
1,951
37,833
1,831
37,759
1,728

WIP
T-W
5000
10000
15000
20000
25000
30000
35000
40000
45000
50000
55000
60000
65000
70000

Exp.1
IC(99)
0,349
0,236
0,205
0,167
0,146
0,125
0,110
0,108
0,104
0,103
0,096
0,091
0,091
0,083

Exp.2
IC(99)
0,403
0,311
0,247
0,202
0,183
0,177
0,160
0,148
0,139
0,115
0,114
0,115
0,108
0,099

Exp.3
IC(99)
0,453
0,313
0,283
0,254
0,228
0,207
0,190
0,177
0,159
0,147
0,133
0,127
0,119
0,117

- 341 -

Exp.4
IC(99)
0,365
0,257
0,207
0,178
0,171
0,155
0,140
0,134
0,123
0,120
0,109
0,100
0,096
0,089

Exp.5
IC(99)
0,412
0,323
0,283
0,253
0,218
0,184
0,167
0,158
0,146
0,142
0,136
0,138
0,129
0,121

T-W
5000
10000
15000
20000
25000
30000
35000
40000
45000
50000
55000
60000
65000
70000

Exp.1
IC(99)
4,829
3,490
3,069
2,531
2,185
1,887
1,637
1,581
1,504
1,481
1,369
1,311
1,316
1,166

Nivel de Servicio
Exp.2
Exp.3
IC(99)
IC(99)
5,415
5,829
4,235
4,123
3,469
3,708
2,773
3,337
2,514
2,964
2,476
2,648
2,073
2,400
1,822
2,236
1,720
2,048
1,384
1,913
1,385
1,706
1,331
1,659
1,234
1,568
1,207
1,508

- 342 -

Exp.4
IC(99)
4,661
3,647
2,973
2,519
2,329
2,067
1,894
1,832
1,735
1,731
1,536
1,432
1,321
1,249

Exp.5
IC(99)
6,144
5,045
4,192
3,806
3,365
2,807
2,490
2,255
1,950
1,944
1,911
1,951
1,831
1,728

2- CCULO DEL WARM-UP O PERIODO DE CALENTAMIENTO

(W):
En todos las simulaciones y rplicas se van a mantener constantes el tiempo efectivo de
simulacin, con un valor de 35.000 unidades de tiempo y el nmero de rplicas con 50.
El valor inicial del warm-up es de 30.000 unidades de tiempo, decreciendo de 1.000
unidades en 1.000 unidades, hasta un valor final de 1.000.

W
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
11000
12000
13000
14000
15000
16000
17000
18000
19000
20000
21000
22000
23000
24000
25000
26000
27000
28000
29000
30000

Media
18,540
18,546
18,543
18,558
18,558
18,557
18,543
18,534
18,539
18,535
18,527
18,530
18,539
18,541
18,540
18,537
18,537
18,530
18,528
18,515
18,511
18,505
18,481
18,471
18,474
18,464
18,478
18,488
18,484
18,481

Experimento 1
WIP
IC(99)
0,115
0,114
0,120
0,118
0,119
0,122
0,126
0,129
0,133
0,129
0,127
0,133
0,131
0,130
0,130
0,129
0,128
0,124
0,121
0,116
0,118
0,117
0,120
0,115
0,115
0,123
0,120
0,119
0,114
0,110

- 343 -

Nivel de servicio
Media
IC(99)
27,349
1,770
27,286
1,792
27,257
1,861
27,049
1,847
17,056
1,863
27,113
1,882
27,257
1,997
27,151
2,053
26,993
2,085
27,000
2,036
27,138
2,024
27,113
2,074
27,024
2,065
27,067
2,034
27,009
2,043
27,154
2,047
27,227
2,016
27,397
1,926
27,474
1,901
27,749
1,881
27,737
1,918
27,826
1,863
28,207
1,850
28,420
1,792
28,498
1,817
28,592
1,811
28,555
1,793
28,491
1,720
28,460
1,686
28,418
1,627

Experimento 2

WIP
W
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
11000
12000
13000
14000
15000
16000
17000
18000
19000
20000
21000
22000
23000
24000
25000
26000
27000
28000
29000
30000

Media
22,691
22,689
22,683
22,687
22,680
22,670
22,654
22,685
22,691
22,708
22,699
22,714
22,676
22,675
22,679
22,677
22,682
22,671
22,664
22,654
22,660
22,659
22,646
22,632
22,630
22,621
22,596
22,582
22,590
22,581

IC(99)
0,179
0,177
0,170
0,168
0,165
0,172
0,176
0,173
0,178
0,179
0,182
0,177
0,169
0,169
0,160
0,156
0,158
0,157
0,156
0,155
0,155
0,158
0,156
0,161
0,170
0,174
0,177
0,176
0,168
0,160

- 344 -

Nivel de servicio
Media
IC(99)
41,955
2,474
41,833
2,472
41,803
2,413
41,822
2,367
41,909
2,342
42,088
2,483
42,092
2,484
41,723
2,464
41,647
2,495
41,508
2,457
41,525
2,471
41,580
2,358
41,913
2,281
41,767
2,232
41,677
2,135
41,855
2,134
41,897
2,182
42,067
2,158
42,158
2,118
42,282
2,075
42,097
2,072
42,104
2,162
42,234
2,153
42,363
2,166
42,444
2,237
42,636
2,246
42,820
2,301
42,823
2,284
42,727
2,202
42,733
2,073

W
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
11000
12000
13000
14000
15000
16000
17000
18000
19000
20000
21000
22000
23000
24000
25000
26000
27000
28000
29000
30000

Media
20,585
20,568
20,576
20,575
20,537
20,519
20,501
20,513
20,477
20,475
20,476
20,468
20,483
20,483
20,477
20,461
20,456
20,439
20,439
20,439
20,420
20,425
20,408
20,401
20,392
20,400
20,408
20,402
20,395
20,409

Experimento 3
WIP
IC(99)
0,175
0,185
0,192
0,191
0,188
0,198
0,195
0,198
0,200
0,190
0,188
0,184
0,178
0,179
0,187
0,189
0,182
0,180
0,181
0,178
0,173
0,168
0,176
0,178
0,179
0,185
0,190
0,193
0,196
0,190

- 345 -

Nivel de servicio
Media
IC(99)
36,646
2,283
36,828
2,363
36,736
2,419
36,805
2,421
37,282
2,413
27,485
2,491
37,565
2,486
37,456
2,533
37,862
2,593
37,927
2,509
37,987
2,531
38,077
2,472
37,953
2,396
37,956
2,415
38,029
2,525
38,143
2,563
38,194
2,500
38,351
2,443
38,315
2,414
38,330
2,341
38,518
2,272
38,570
2,242
38,923
2,273
39,065
2,253
39,173
2,231
39,113
2,329
39,065
2,378
39,007
2,431
38,914
2,462
28,802
2,400

W
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
11000
12000
13000
14000
15000
16000
17000
18000
19000
20000
21000
22000
23000
24000
25000
26000
27000
28000
29000
30000

Media
19,765
19,765
19,787
19,798
19,819
19,814
19,830
19,831
19,846
19,854
19,855
19,836
19,842
19,842
19,853
19,851
19,855
19,849
19,839
19,840
19,840
19,853
19,853
19,864
19,884
19,899
19,889
19,892
19,877
19,877

Experimento 4
WIP
IC(99)
0,134
0,133
0,133
0,133
0,140
0,146
0,153
0,150
0,151
0,149
0,149
0,148
0,147
0,142
0,142
0,140
0,151
0,152
0,145
0,144
0,138
0,143
0,144
0,142
0,138
0,142
0,139
0,139
0,142
0,140

- 346 -

Nivel de servicio
Media
IC(99)
32,162
1,720
32,236
1,737
31,956
1,737
31,788
1,723
31,624
1,777
31,763
1,876
31,625
1,939
31,703
1,933
31,612
1,980
31,545
1,978
31,510
1,951
31,709
1,948
31,643
1,923
31,643
1,919
31,524
1,957
31,419
1,871
31,359
1,927
31,467
1,847
31,601
1,857
31,572
1,878
31,567
1,829
31,559
1,901
31,590
1,921
31,383
1,908
31,368
1,821
31,283
1,872
31,323
1,864
31,333
1,850
31,633
1,922
31,630
1,894

Experimento 5

WIP
W
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
11000
12000
13000
14000
15000
16000
17000
18000
19000
20000
21000
22000
23000
24000
25000
26000
27000
28000
29000
30000

Media
20,132
20,132
20,124
20,109
20,097
20,074
20,063
20,056
20,040
20,047
20,039
20,036
20,032
20,019
20,031
20,015
20,025
20,041
20,032
20,015
20,013
20,007
20,012
20,027
20,033
20,005
19,992
19,980
19,958
19,971

IC(99)
0,152
0,157
0,162
0,165
0,161
0,159
0,162
0,163
0,161
0,162
0,166
0,170
0,174
0,177
0,183
0,188
0,188
0,184
0,182
0,186
0,180
0,180
0,174
0,176
0,177
0,173
0,172
0,172
0,172
0,167

- 347 -

Nivel de servicio
Media
IC(99)
35,784
2,576
35,697
2,641
35,781
2,675
35,987
2,700
36,318
2,592
36,652
2,578
36,821
2,576
36,988
2,491
37,095
2,434
37,031
2,471
37,248
2,568
37,442
2,652
37,618
2,660
37,722
2,661
37,595
2,709
37,765
2,841
37,606
2,920
37,494
2,912
37,770
2,900
37,983
2,888
38,082
2,782
38,109
2,737
38,087
2,714
38,018
2,726
38,205
2,677
38,446
2,556
38,548
2,566
38,761
2,580
39,001
2,545
38,761
2,490

WIP
W
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
11000
12000
13000
14000
15000
16000
17000
18000
19000
20000
21000
22000
23000
24000
25000
26000
27000
28000
29000
30000

Exp.1
IC(99)
0,115
0,114
0,120
0,118
0,119
0,122
0,126
0,129
0,133
0,129
0,127
0,133
0,131
0,130
0,130
0,129
0,128
0,124
0,121
0,116
0,118
0,117
0,120
0,115
0,115
0,123
0,120
0,119
0,114
0,110

Exp.2
IC(99)
0,179
0,177
0,170
0,168
0,165
0,172
0,176
0,173
0,178
0,179
0,182
0,177
0,169
0,169
0,160
0,156
0,158
0,157
0,156
0,155
0,155
0,158
0,156
0,161
0,170
0,174
0,177
0,176
0,168
0,160

Exp.3
IC(99)
0,175
0,185
0,192
0,191
0,188
0,198
0,195
0,198
0,200
0,190
0,188
0,184
0,178
0,179
0,187
0,189
0,182
0,180
0,181
0,178
0,173
0,168
0,176
0,178
0,179
0,185
0,190
0,193
0,196
0,190

- 348 -

Exp.4
IC(99)
0,134
0,133
0,133
0,133
0,140
0,146
0,153
0,150
0,151
0,149
0,149
0,148
0,147
0,142
0,142
0,140
0,151
0,152
0,145
0,144
0,138
0,143
0,144
0,142
0,138
0,142
0,139
0,139
0,142
0,140

Exp.5
IC(99)
0,152
0,157
0,162
0,165
0,161
0,159
0,162
0,163
0,161
0,162
0,166
0,170
0,174
0,177
0,183
0,188
0,188
0,184
0,182
0,186
0,180
0,180
0,174
0,176
0,177
0,173
0,172
0,172
0,172
0,167

W
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
11000
12000
13000
14000
15000
16000
17000
18000
19000
20000
21000
22000
23000
24000
25000
26000
27000
28000
29000
30000

Exp.1
IC(99)
1,770
1,792
1,861
1,847
1,863
1,882
1,997
2,053
2,085
2,036
2,024
2,074
2,065
2,034
2,043
2,047
2,016
1,926
1,901
1,881
1,918
1,863
1,850
1,792
1,817
1,811
1,793
1,720
1,686
1,627

Nivel de Servicio
Exp.2
Exp.3
IC(99)
IC(99)
2,474
2,283
2,472
2,363
2,413
2,419
2,367
2,421
2,342
2,413
2,483
2,491
2,484
2,486
2,464
2,533
2,495
2,593
2,457
2,509
2,471
2,531
2,358
2,472
2,281
2,396
2,232
2,415
2,135
2,525
2,134
2,563
2,182
2,500
2,158
2,443
2,118
2,414
2,075
2,341
2,072
2,272
2,162
2,242
2,153
2,273
2,166
2,253
2,237
2,231
2,246
2,329
2,301
2,378
2,284
2,431
2,202
2,462
2,073
2,400

- 349 -

Exp.4
IC(99)
1,720
1,737
1,737
1,723
1,777
1,876
1,939
1,933
1,980
1,978
1,951
1,948
1,923
1,919
1,957
1,871
1,927
1,847
1,857
1,878
1,829
1,901
1,921
1,908
1,821
1,872
1,864
1,850
1,922
1,894

Exp.5
IC(99)
2,576
2,641
2,675
2,700
2,592
2,578
2,576
2,491
2,434
2,471
2,568
2,652
2,660
2,661
2,709
2,841
2,920
2,912
2,900
2,888
2,782
2,737
2,714
2,726
2,677
2,556
2,566
2,580
2,545
2,490

3- CCULO DEL NMERO DE RPLICAS (n):

En todos las simulaciones y rplicas se van a mantener constantes el tiempo efectivo de
simulacin, con un valor de 35.000 unidades de tiempo y el warm-up con 18.000
unidades de tiempo.

Experimento 1

WIP
n
5
10
15
20
25
30
35
40
45
50

Media
18,538
18,567
18,635
18,607
18,590
18,555
18,553
18,554
18,538
18,530

IC(99)
0,377
0,232
0,179
0,154
0,137
0,145
0,149
0,143
0,135
0,124

Nivel de servicio
Media
IC(99)
28,295
6,805
27,507
3,899
26,148
3,160
26,432
2,691
26,846
2,426
27,227
2,330
27,042
2,316
27,083
2,220
27,350
2,055
27,397
1,926

Experimento 2

WIP
n
5
10
15
20
25
30
35
40
45
50

Media
22,779
22,847
22,807
22,766
22,669
22,664
22,660
22,649
22,646
22,671

IC(99)
0,339
0,238
0,178
0,153
0,197
0,185
0,183
0,168
0,160
0,157

- 350 -

Nivel de servicio
Media
IC(99)
22,664
4,327
20,587
4,418
20,434
3,237
20,408
2,643
20,396
2,802
20,409
2,566
20,383
2,504
20,423
2,310
20,417
2,154
20,439
2,158

Experimento 3

WIP
n
5
10
15
20
25
30
35
40
45
50

Media
22,664
20,587
20,434
20,408
20,396
20,409
20,383
20,423
20,417
20,439

IC(99)
0,475
0,386
0,329
0,291
0,255
0,227
0,203
0,191
0,175
0,173

Nivel de servicio
Media
IC(99)
19,790
6,294
19,790
5,256
19,803
4,700
19,836
4,083
19,762
3,508
19,829
3,115
19,850
2,735
19,872
2,581
19,839
2,332
19,849
2,331

Experimento 4

WIP
n
5
10
15
20
25
30
35
40
45
50

Media
19,790
19,790
19,803
19,836
19,762
19,829
19,850
19,872
19,839
19,849

IC(99)
0,278
0,164
0,161
0,212
0,214
0,210
0,190
0,175
0,162
0,152

Nivel de servicio
Media
IC(99)
33,449
4,094
32,871
2,375
32,329
2,411
31,824
2,740
32,542
2,590
31,699
2,524
31,323
2,286
31,103
2,142
31,583
2,024
31,467
1,947

Experimento 5

WIP
n
5
10
15
20
25
30
35
40
45
50

Media
20,166
20,249
20,158
20,153
20,071
20,134
20,077
20,037
20,055
20,031

IC(99)
0,288
0,321
0,318
0,249
0,259
0,236
0,211
0,204
0,190
0,183
- 351 -

Nivel de servicio
Media
IC(99)
35,877
6,789
34,466
5,451
35,422
5,028
35,346
4,055
36,459
3,887
35,876
3,417
37,007
3,238
37,333
3,112
37,268
2,873
37,595
2,709

WIP
n
5
10
15
20
25
30
35
40
45
50

Exp.1
IC(99)
0,377
0,232
0,179
0,154
0,137
0,145
0,149
0,143
0,135
0,124

Exp.2
IC(99)
0,339
0,238
0,178
0,153
0,197
0,185
0,183
0,168
0,160
0,157

Exp.3
IC(99)
0,475
0,386
0,329
0,291
0,255
0,227
0,203
0,191
0,175
0,173

Exp.4
IC(99)
0,278
0,164
0,161
0,212
0,214
0,210
0,190
0,175
0,162
0,152

Exp.5
IC(99)
0,288
0,321
0,318
0,249
0,259
0,236
0,211
0,204
0,190
0,183

n
5
10
15
20
25
30
35
40
45
50

Exp.1
IC(99)
6,805
3,899
3,160
2,691
2,426
2,330
2,316
2,220
2,055
1,926

Nivel de Servicio
Exp.2
Exp.3
IC(99)
IC(99)
4,327
6,294
4,418
5,256
3,237
4,700
2,643
4,083
2,802
3,508
2,566
3,115
2,504
2,735
2,310
2,581
2,154
2,332
2,158
2,331

Exp.4
IC(99)
4,094
2,375
2,411
2,740
2,590
2,524
2,286
2,142
2,024
1,947

Exp.5
IC(99)

- 352 -

6,789
5,451
5,028
4,055
3,887
3,417
3,238
3,112
2,873
2,709