Академический Документы
Профессиональный Документы
Культура Документы
ESTADO DEL
ARTE.
Se
presentan
sustentan
la
las
bases
propuesta
tericas
que
metodolgica.
14
Metodologas de diseo
El diferencial semntico
El mtodo Kano para la satisfaccin del cliente
El anlisis factorial
La ingeniera Kansei
Teora de conjuntos difusos (fuzzy set theory)
2.1.
METODOLOGAS DE DISEO.
El propsito de hacer una recopilacin de estas metodologas es hacer notoria la
falta de mecanismos estructurados de identificacin y anlisis de las necesidades y
su interpretacin en trminos de requerimientos de diseo. La fuente de estas
necesidades, el cliente, usualmente comunica su percepcin del problema, la
cual tiene dos caractersticas fundamentales: primeramente se comunica en un
lenguaje poco tcnico y, por otro lado, la percepcin del problema no siempre es
equivalente a la necesidad real. La tendencia natural del diseador es buscar
soluciones para el problema percibido antes de comprender totalmente aquello que
ha de ser diseado. Esta predisposicin, aunada a la falta de una definicin
apropiada de la tarea, puede conducir a que el diseador desperdicie tiempo y
recursos en la bsqueda de solucin a un problema que no corresponde a una
realidad 1 .
desarrollo de productos (Kroll et al., 2001), debido a que su definicin incorrecta enfoca la atencin sobre aspectos
no relevantes o soluciones a problemas inexistentes, o sea respuestas magnficas a preguntas que nadie formul
(Pugh, 1993).
15
2.1.1. Introduccin.
Nuestro entorno est pleno de herramientas, utensilios, mquinas, edificaciones,
mobiliario y otros muchos objetos mediante los cuales se satisfacen necesidades de todo
tipo. De hecho, todas las cosas que nos rodean y que no tienen origen en la naturaleza han
sido diseadas por alguna persona; sin embargo, aunque hay una gran actividad de diseo a
nivel mundial los mecanismos que utiliza la gente que realiza esta labor histricamente han
sido poco comprendidos y estudiados.
Antes de intentar encontrar la racionalidad en el proceso de diseo de ingeniera,
algunas opiniones y prejuicios -paradigmas- deben eliminarse radicalmente, entre ellas que
(Hubka y Eder, 1996):
El diseo es un arte y nicamente personas especialmente talentosas pueden
ejecutar esta tarea.
El diseo no es una actividad generalizable, sino que est siempre ligada a
una actividad particular de diseo.
Como base para este trabajo de tesis, se retoman las premisas planteadas por Hubka:
El diseo es una actividad racional (cognitiva), la cual puede dividirse en
fases/etapas claramente diferenciadas y reconocibles.
El proceso de diseo depende, de hecho, del objeto a ser diseado, sin
embargo puede ser estudiado y presentado en forma general. An esto, en
clases particulares de diseo se puede lograr definir este proceso a un mayor
nivel de detalle.
Estos dos planteamientos no implican que el proceso de diseo deba ser seguido
linealmente o rigurosamente, sin dejar margen a la intuicin y al sentido comn. Al
contrario, los mecanismos empleados en este proceso creativo deben ser lo suficientemente
flexibles para poder ser adaptados al tipo de objeto de diseo, las caractersticas del
diseador y al ambiente en el cual se realiza la labor de diseo 2 .
Christopher Jones (1981) seala: no confundir el diseo con un arte, con una ciencia o unas matemticas. Es
una actividad hbrida que depende para su ejecucin con xito, de una correcta combinacin de las tres, y es ms
improbable su xito si lo asociamos exclusivamente a una de estas tres especialidades
16
Un proceso iterativo.
Un proceso creativo.
Un proceso de aprendizaje.
Un proceso dialctico.
Un proceso dinmico.
Un proceso racional.
Un proceso exploratorio.
Un proceso social.
17
outputs), leyes, teoras e hiptesis, con el fin de que esto sirva de gua para la actividad de
diseo.
Figura 2.1. La ciencia del diseo vista como un sistema de informacin. Elaboracin propia. Tomado y adaptado de
Hubka y Eder (1996:72)
Definido segn el diccionario Webster como: The amount passing through a system from input to output la
cantidad que pasa a travs del sistema a partir de los insumos hasta obtener el producto (salida)
18
2.
3.
Educacin en diseo
Investigacin en
diseo
Figura 2.2. Interacciones entre los tres campos de atencin en el diseo. Elaboracin propia.
The term Design Science is to be understood as a system of logically related knowledge, which should contain
and organize the complete knowledge about and for designing (Hubka y Eder, 1996). El trmino Ciencia del
Diseo debe ser entendido como un sistema de conocimiento relacionado lgicamente, el cual debe incluir y
organizar el conocimiento completo acerca y para disear
19
Resultado de la
Caractersticas
investigacin
Teora de diseo
Estrategia de diseo
Modelo de diseo
Problemas
epistemolgicos.
Por
ejemplo
la
naturaleza
extensin
del
3.
Figura 2.3. Ciclo emprico de diseo. Elaboracin propia. Tomado y traducido de Roozenburg y Eekels (1995).
23
El ciclo bsico de diseo es una unidad fundamental que se aplica de forma iterativa
a lo largo de todo el proceso de diseo en forma de espiral convergente, en donde se
pretende que despus de cada ciclo las soluciones obtenidas se aproximan ms a los
objetivos y requerimientos enunciados en el problema.
Sin embargo, debido a su carcter general y abstracto, no ofrece el suficiente
alcance para establecer una metodologa de diseo, por lo que conviene estructurar el
proceso de diseo en grupos de actividades relacionadas que conduzcan a ciertos estados
de desarrollo.
Figura 2.4. El ciclo bsico de diseo. Elaboracin propia. Tomado y traducido de Roozenburg y Eekels (1995).
25
inputs puede ser logrado mediante el uso adecuado de la tecnologa. Estos cambios se
realizan mediante un sistema de ejecucin, el cual comprende tanto a los sistemas humanos
como tcnicos y que tiene como requisitos de calidad el contar con la suficiente informacin
relevante,
objetivos definidos y
liderazgo para lograr las metas) y que las influencias externas, ambientales, no excedan
unos lmites determinados.
Estos factores (humanos, sistemas tcnicos, la informacin disponible, los factores
organizacionales y el medio ambiente) son llamados los operadores del proceso de
transformacin. Los valores de los input pueden variar, dentro de ciertos lmites, estas
variaciones son las que producen las llamadas salidas secundarias en la figura 2.5.
evaluate). Schn percibe el diseo como una practica reflexiva con la situacin de diseo:
los diseadores trabajan enumerando los factores relevantes a la situacin, enmarcando el
problema, movindose en direccin a la solucin, evaluando los resultados de esos
movimientos.
2.1.7.8. El lenguaje social para la descripcin de los procesos de diseo
(social language for the description of design processes) (Friedrich, 2003) quien
seala que el diseo debe ser visto como un conjunto de procesos sociales, interaccionales y
de interpretacin.
Divergencia.
Es el acto de ampliar los lmites de la situacin de diseo y la obtencin de un
Junto a Christopher Alexander (1963), quien aborda los mtodos de diseo desde la perspectiva de la
Arquitectura. Adems destaca el trabajo de Herbert Simon (1973) en el diseo de sistemas informticos.
27
2.
Transformacin.
Esta es la etapa de alto nivel creativo en donde se combinan los juicios de valor
subjetivos y las valoraciones tcnicas que reflejan las realidades polticas, econmicas y
operacionales de la situacin de diseo. Es la etapa de elaboracin de un modelo de carcter
general, considerado adecuado pero sin posibilidades de comprobacin.
Las principales caractersticas de esta etapa las resume Jones de esta manera:
El principal objetivo es la imposicin de un modelo suficientemente preciso
como para permitir la convergencia hacia un solo diseo a detallar.
Es la etapa de fijacin de objetivos y lmites del problema, de identificacin
de las variables crticas, de imposicin de condicionantes y de emisin de
juicios.
Es la etapa de divisin del problema en subproblemas.
El establecimiento de requerimientos.
3.
Convergencia.
Es la ltima de las tres etapas en la que, tradicionalmente, se esta ms cerca del
28
Clasificacin
Mtodo
Finalidad
Investigacin sistemtica
Anlisis de valor
Ingeniera de Sistemas
Estrategias
prefabricadas
(Convergencia)
Investigacin de los lmites
Estrategia acumulativa de
Page
Architecture)
producto.
Cambio de estrategia
Permitir
que
el
pensamiento
espontneo
influya
en
el
Control de
estrategias
Definicin de objetivos
Revisin bibliogrfica
Mtodos de
Investigacin de
inconsistencias visuales
Entrevistas a usuarios
Para extraer
producto o sistema.
exploracin de
situaciones de
diseo
(Divergencia)
Cuestionarios
Investigacin del
comportamiento de usuario
Ensayos sistemticos
Seleccin de escalas de
medicin
Bitcoras de uso
Tabla 2.3. Herramientas metodolgicas para el diseo. Elaboracin propia. Tomado de Jones (1981).
29
Clasificacin
Mtodo
Finalidad
Tormenta de ideas
(Brainstorming)
Mtodos de
Sinestesia (Synectics )
bsqueda de ideas
(Divergencia y
Eliminacin de bloques
transformacin)
mentales
Cuadros morfolgicos
Matriz de interacciones
Red de interacciones
interconectadas
de diseo.
exploracin de la
estructura del
lmites
problema
(Transformacin)
Innovacin funcional
Mtodo de determinacin de
componentes de Alexander
Clasificacin informacin de
diseo
manejar.
Permitir a los diseadores utilizar el conocimiento de los
Listas de comprobacin
situaciones similares.
Mtodos de
evaluacin
requerimientos
Criterios de seleccin
(Convergencia)
Clasificacin y valoracin
Definicin de especificaciones
Tabla 2.3 (Continuacin). Herramientas metodolgicas para el diseo. Tomado de Jones (1981).
Definicin del diccionario Webster: the fitting together of seemingly diverse elements. Esta tcnica utiliza
30
Resultados: Especificacin
Resultados:
Principios
de
solucin,
estructura
Tabla 2.4. Modelo de fases de diseo. Elaboracin propia. Tomado y traducido de Roozenburg y Eekels (1995).
31
lmites del problema. En esta etapa fundamental para el desarrollo posterior del proyecto
hay que informarse y documentarse sobre aspectos como:
Modos de operacin principal, ocasional y accidental.
Condiciones del entorno (ambientales y de uso)
Proceso de manufactura
Variables externas, tales como aspectos mercadotcnicos y la normatividad
incidente sobre el producto.
Este documento de especificacin orienta el trabajo en todas las dems fases del
proceso de diseo. Sin embargo, es posible que las actividades que se realicen en etapas
posteriores del proceso modifiquen la percepcin sobre el problema y como consecuencia de
ello se hagan revisiones sobre la especificacin inicial, como lo demuestra la lnea de
realimentacin de la figura 2.15.
Figura 2.6. Las fases del proceso de Diseo segn French. Elaboracin propia. Tomado y traducido de
French(1985).
32
33
Figura 2.7. Diagrama de la norma VDI 2221. Elaboracin propia. Tomado y traducido de Roozenburg y Eekels
(1995).
2.1.8.2.5. Crticas al modelo. Este modelo ha sido criticado, por las causas que se
resumen a continuacin:
1.
Los autores que manejan este modelo acentan que no es posible establecer
lmites rgidos en las fases, adems de que no siempre se sigue el orden marcado, sino
que en ocasiones el proceso es iterativo, con retrocesos a etapas anteriores.
2.
34
3.
Figura 2.8. Modelo de Pahl y Beitz del proceso de diseo. Elaboracin propia. Tomado y traducido de Pahl y Beitz
(1988).
35
36
Etapa
I. Planeacin
Estratgica
Actividades
Formulacin de polticas.
Establecimiento de objetivos estratgicos.
Establecimiento de calendarios, presupuestos y guas de innovacin.
Investigacin preliminar.
Seleccin de base tecnolgica para el producto.
Identificacin del rea de oportunidad de negocio.
Establecimiento del estado del arte (condiciones de mercado).
Descripcin verbal de las especificaciones del producto.
II. Investigacin
Estudio de Factibilidad.
Establecimiento de la factibilidad tcnica.
Establecimiento de la viabilidad financiera.
Propuestas iniciales de diseo.
Estimaciones de tiempo por fase y anlisis de riesgos
Desarrollo de diseo.
Definicin de especificaciones de diseo.
Desarrollo detallado.
Estimacin de desempeo tcnico y de coste de producto.
Preparacin de documentos de diseo.
Diseo de mecanismos de evaluacin de producto.
Desarrollo de prototipos.
Construccin.
III. Diseo
Pruebas de laboratorio.
Evaluacin de desempeo tcnico.
Pruebas de mercado.
Evaluacin de desempeo de uso.
Estudio de mercado.
Reconsideracin del potencial de mercado despus de pruebas.
Reconsideracin de costos.
Consideracin de problemas de mercadeo y produccin.
Revisin de objetivos iniciales.
Revisin de especificaciones de desempeo.
Tabla 2.5. El proceso de Diseo. Elaboracin propia. Tomado y traducido de Roozenburg y Eekels (1995).
37
Etapa
Actividades
Desarrollo de produccin.
Desarrollo de diseo para produccin.
Documentacin de produccin.
Diseo de pruebas de tcnicas y de uso.
Construccin de prototipos de pre-produccin.
Pruebas tcnicas, de uso y de mercado
IV. Desarrollo
Evaluacin de pruebas.
Planes de produccin.
Planes de mercadotecnia.
Planes de produccin.
Diseo de empaques y de documentacin para el usuario.
Diseo de herramental y proceso de produccin.
mercadotecnia
Produccin y ventas.
Campaa de mercadotecnia.
VI. Produccin
Tabla 2.5 (continuacin). El proceso de Diseo. Elaboracin propia. Tomado y traducido de Roozenburg y Eekels
(1995).
38
2.2.
EL DIFERENCIAL SEMNTICO.
2.2.1. Introduccin.
El diferencial semntico es un instrumento creado por el investigador social Charles
Osgood (1957), en conjunto con un grupo de colaboradores. Osgood se ve influido por el
conductismo, centrndose en el estudio de las actitudes por medio del lenguaje, del cual
destaca dos significados particulares:
Significado denotativo
Significado connotativo
dependen
tambin
de
los
propsitos
particulares
de
la
investigacin.
La
40
Figura 2.9. Ejemplo de escala sin numeracin. Elaboracin propia. Tomado y traducido de Osgood (1957).
Sin embargo, tambin se seala como correcta la utilizacin del mismo tipo de
escala con la variante de casillas numeradas, tal como lo muestra la tabla 2.6:
41
Pasivo
-3
-2
-1
+1
+2
+3
Activo
Chico
-3
-2
-1
+1
+2
+3
Grande
Blando
-3
-2
-1
+1
+2
+3
Duro
Malo
-3
-2
-1
+1
+2
+3
Bueno
Admirable
-3
-2
-1
+1
+2
+3
Despreciable
Joven
-3
-2
-1
+1
+2
+3
Viejo
Lento
-3
-2
-1
+1
+2
+3
Rpido
Simptico
-3
-2
-1
+1
+2
+3
Antiptico
Enano
-3
-2
-1
+1
+2
+3
Gigante
Fuerte
-3
-2
-1
+1
+2
+3
Dbil
Menor
-3
-2
-1
+1
+2
+3
Mayor
Agradable
-3
-2
-1
+1
+2
+3
Desagradable
Tabla 2.6. Ejemplo de escala numerada. Elaboracin propia. Tomado y traducido de Osgood (1957).
Los datos en bruto obtenidos con el diferencial semntico son solamente una
coleccin de puntos marcados en escalas bipolares. Para cada una de las posiciones en esas
escalas, usualmente 7, se asigna arbitrariamente un dgito, ya sea 1,2,3,4,5,6,7 o +3, +2,
+1, 0, -1, -2, -3 (lo cual no tiene ningn significado en cuanto al tratamiento matemtico,
las diferencias son sobre todo heursticas, al asignar un valor neutro (0) al centro de la
escala y no un 4). Lo importante y realmente relevante de esta tcnica es el anlisis de
estos datos, que a continuacin se describe brevemente.
2.2.4.
clasifican o encuadran en tres categoras o factores (Osgood les llam dimensiones), mismas
que a continuacin se describen.
a.
b.
42
c.
Segn esta tcnica, todos los conceptos giran alrededor de estos tres ejes, de
manera que el significado de un concepto se define por su valor en las dimensiones de
evaluacin, potencia y actividad, factores que son la base contextual en donde queda
encuadrado el espacio semntico.
Las dos aportaciones principales de esta tcnica son las que otorga lo que Osgood
llam espacio semntico y la distancia semntica, que se describen brevemente a
continuacin.
El espacio semntico. Para entender mejor este importante concepto, se puede
establecer un paralelismo con el espacio fsico, representado por un espacio tridimensional
delimitado por los factores de evaluacin, actividad y potencia.
De esta manera, la
localizacin de un concepto estar dada por la confluencia de las tres puntuaciones en los
tres factores ya mencionados.
Como vemos en la figura 2.10, el concepto a evaluar est representado por la letra
C, este, obtuvo una puntuacin de +2 en el factor actividad, -2 en el factor evaluacin y +1
43
en potencia. Se entiende por concepto neutro el punto de referencia de cara a establecer las
llamadas distancias semnticas, aquel que punta 0 en los tres factores.
La importancia del espacio semntico esta dada por su capacidad de mostrar de
forma grfica la percepcin que tiene una persona (o conjunto de estas en caso de
representar una muestra o poblacin) sobre un concepto.
La distancia semntica. Fundamentalmente este concepto es til de cara a
establecer la distancia existente ya no tanto con el concepto neutro sino entre dos o ms
conceptos, es decir para establecer el grado en que dos conceptos diferentes provocan
mismas reacciones en el sujeto, para ver las semejanzas semnticas existentes entre
conceptos.
Ahora que conocemos estos conceptos importantes, vemos que la importancia del
Diferencial semntico reside en que nos permite
44
2.3.
2.3.1. Introduccin.
Hacia fines de la dcada de 1970, Noriaki Kano, acadmico japons de la
universidad de Tokio, ampli el concepto de calidad utilizado hasta entonces, que juzgaba a
la calidad de los productos sobre una sola escala, de "bueno" a "malo" (Kano, 1984).
Siguiendo en parte la tradicin de las teoras de Herzberg (1966) sobre motivacin e higiene,
Kano utiliz dos dimensiones para evaluar la calidad: el grado de rendimiento de un
producto y el grado de satisfaccin del cliente que lo utiliza.
45
una vez superado ese umbral, producen un aumento significativo de la satisfaccin. Los
requerimientos atractivos suelen denominarse deleitosos (del ingls delighter).
Los requerimientos unidimensionales se caracterizan porque la satisfaccin que
producen aumenta de modo aproximadamente proporcional al nivel de funcionalidad.
Responden a la percepcin tradicional de la relacin entre funcionalidad y satisfaccin: a
mayor funcionalidad, se observa una mayor satisfaccin, de aqu el nombre alternativo de
satisfactores para estos requerimientos.
Figura 2.11. Tipos de Requerimientos del cliente. Elaboracin propia. Tomado y traducido de Matzler y Hinterhuber
(1998).
Los requerimientos obligatorios son aqullos que, hacia las gamas bajas de
funcionalidad, aumentan la satisfaccin en relacin directa con la funcionalidad pero que,
superado cierto umbral, dejan de producir un incremento importante en la satisfaccin, de
aqu el nombre alternativo de insatisfactores.
47
1. Me agrada.
Si el rendimiento de
2. Es de esperarse
combustible
3. Neutral
es
bueno,
como te sientes?
4. Lo acepto
5. Me desagrada
1. Me agrada.
Si el rendimiento de
2. Es de esperarse
combustible
3. Neutral
NO
es
4. Lo acepto
5. Me desagrada
Tabla 2.7. Ejemplo de cuestionario Kano. Elaboracin propia. Tomado y traducido de Center for Quality
Manegement (1993).
A: Atractivo
O: Obligatorio
U: Unidimensional
I: Indiferencia
Inv.: Respuesta inversa
Aunque tambin ha sido propuesta esta escala: 1.Lo disfruto, 2. Es una necesidad bsica, 3. Neutral, 4. Me
desagrada, pero lo acepto, 5. Me desagrada y no lo acepto.(Center for Quality Management, 1993, p.25)
48
D: Respuesta dudosa
Las tres primeras clasificaciones ya han sido descritas, detallemos las faltantes: un
cliente puede ser Indiferente a una caracterstica de calidad, y su figura se representara
como una recta paralela al eje horizontal de la figura 2.10, esto indica que una mayor o
menor funcionalidad respecto a esta caracterstica no se refleja en un aumento o
disminucin de la satisfaccin del cliente; una respuesta inversa indica que la interpretacin
de criterios funcionales y disfuncionales del diseador es la inversa a la percepcin del
cliente (lo que la pregunta supone como funcional es percibido como no funcional por quien
responde). Por ltimo, cuando existe una contradiccin en las respuestas a las preguntas, se
clasifica en el ltimo grupo, el de respuesta dudosa (ante un par de preguntas
complementarias no es razonable contestar me desagrada a la pregunta funcional y me
desagrada a la disfuncional).
Funcionales
Requerimientos
Requerimientos disfuncionales
Inv.
Inv.
Inv.
Inv.
Inv.
Inv.
Inv.
Tabla 2.8. Clasificacin de requerimientos. Elaboracin propia. Tomado y traducido de Center for Quality
Manegement (1993).
49
Hinterhuber, 1998) prefieren hacer un grfico en dos dimensiones con estos datos, en
donde tambin se pueden identificar patrones de agrupaciones de respuestas.
A continuacin se confeccionan ndices que sintetizan la informacin del anlisis
bsico y tablas que ordenan los atributos segn su tipo: primero los obligatorios, seguidos
de los unidimensionales, los atractivos, los indiferentes y, finalmente, los inversos.
Pregunta X
Requerimientos disfuncionales
2
1
Funcionales
Requerimientos
..
........
..
..
..
Tabla 2.9. Concentracin de respuestas. Elaboracin propia. Tomado y traducido de Center for Quality Manegement
(1993).
Q = (a + b)(2n a b) / 2n
(2.1)
Donde:
51
En cada pregunta, marque con un crculo el nmero de la escala que mejor refleje su opinin
Requerimiento
1
Requerimiento
2
..
Requerimiento
X
Para nada
Algo
Importante
Importante
Importante
Muy
Extremo
Importante
Importante
Tabla 2.10. Concentracin de respuestas. Elaboracin propia. Tomado y traducido de Center for Quality
Manegement (1993).
Mejor =
A+U
A+U + O + I
Peor =
(2.2)
U +O
A +U + O + I
(2.3)
Requerimiento
Inv
Imp.
Mejor
Peor
C1
C2
53
20
35
0.55
0.77
0.48
0.42
0.26
40
17
33
24
0.91
0.68
0.44
0.62
0.40
Tabla 2.11. Ejemplo de una tabla de concentracin de respuestas. Elaboracin propia. Tomado y traducido de
Center for Quality Manegement (1993).
52
Figura 2.12. Tipos de Requerimientos del cliente (2). Elaboracin propia. Tomado y traducido de Center for Quality
Manegement (1993).
integrado
por
atributos
genricos
fundamentales
otros
atributos
53
Tipo de producto
Producto bsico
Atributos obligatorios
Producto esperado
Producto ampliado
Producto potencial
Tabla 2.12. Diferentes combinaciones de requerimientos. Elaboracin propia. Tomado de Yacuzzy y Martin (2002).
Con
el
mtodo
de
Kano
se
busca
fundamentalmente
discriminar
entre
54
55
2.4.
EL ANLISIS FACTORIAL.
2.4.1. Introduccin.
El anlisis factorial es una tcnica de anlisis estadstico que trata de identificar la
estructura de un conjunto de variables observadas. Su uso apropiado implica el estudio de
las interrelaciones entre las variables (determinadas por las correlaciones o por la covarianza
estadstica), con el fin de hallar un nuevo conjunto de variables, menor en nmero que el de
variables originales, que expresa lo que hay en comn entre las variables originales. Cuando
el nmero de variables originales es muy grande, con el anlisis factorial se puede reducir
este conjunto a otro menor de factores, reteniendo la mayor parte de la varianza de las
variables originales (Santesmases, 1997:243).
Esto es debido a que cuando se recogen un gran nmero de variables de forma
simultnea, se puede estar interesado en averiguar si las preguntas de un cuestionario se
agrupan de alguna forma caracterstica. Aplicando un anlisis factorial a las respuestas de
los sujetos, es posible encontrar grupos de variables con significado comn, reduciendo as
el nmero de indicadores necesarios para explicar las respuestas de los sujetos.
56
Un factor es una combinacin lineal de las variables originales. Los factores se representan geomtricamente
mediante ejes ortogonales, es decir perpendiculares, lo que implica que los factores son independientes e
57
b.
Las
variables
observables
son
mtricas,
continuas
ilimitadas.
Las
d.
e.
Los errores son aleatorios e independientes, tanto entre s como de los factores.
Se suponen normalmente distribuidos con media cero y varianza constante
(homocedasticidad).
(2.4)
Donde:
58
deben explicarse con el menor nmero de elementos posibles. Por lo tanto, respecto al
Anlisis Factorial, el nmero de factores debe ser lo ms reducido posible y estos deben ser
susceptibles de interpretacin sustantiva. Una buena solucin factorial es aquella que es
sencilla e interpretable.
Correlation Matrixa
Correlation
Nivel educativo
Categora laboral
Salario actual
Salario inicial
Meses desde el contrato
Experiencia previa
(meses)
Fecha de nacimiento
Nivel
educativo
1,000
,515
,661
,633
,050
Meses desde
el contrato
,050
,004
,084
-,018
1,000
Experiencia
previa
(meses)
-,252
,062
-,097
,045
,002
,045
,002
1,000
-,802
,009
-,053
-,802
1,000
Categora
laboral
,515
1,000
,780
,755
,004
Salario actual
,661
,780
1,000
,880
,084
Salario inicial
,633
,755
,880
1,000
-,018
-,252
,062
-,097
,281
-,010
,144
Fecha de
nacimiento
,281
-,010
,144
,009
-,053
a. Determinant = ,012
Tabla 2.13. Matriz de Correlaciones. Resultado de procesamiento con SPSS de datos anexo 1.
59
X 2 = n 1 * (2 * v + 5) * ln R
6
(2.5)
Donde:
n = tamao muestral.
v =nmero de variables.
ln =logaritmo neperiano.
R =matriz de correlaciones.
En la tabla 2.14 del ejemplo, se advierte un Sig de 0.000 por lo tanto, los datos
permiten realizar un anlisis factorial.
60
,724
Approx. Chi-Square
Bartlett's
Test
2075,310
of
df
Sphericity
21
Sig.
,000
Tabla 2.14. Indice KMO y test de Esfericidad de Bartlett. Resultado de procesamiento con SPSS de datos anexo 1.
2.4.7.3.
muestral (KMO) contrasta si las correlaciones parciales entre las variables son
suficientemente pequeas. Permite comparar la magnitud de los coeficientes de correlacin
observados con la magnitud de los coeficientes de correlacin parcial. La frmula es la
siguiente:
KMO =
r
i j
2
ij
r
i j
ij
+ aij
(2.6)
i j
Donde:
muy bueno
meritorio
mediano
mediocre
bajo
inaceptable
otros factores suelen contribuir relativamente poco. Uno de los problemas que se plantean,
por tanto, consiste en determinar el nmero de factores que debemos conservar.
Se han dado diversos criterios para determinar el nmero de factores a conservar.
Uno de los ms conocidos y utilizados es el criterio o regla de Kaiser (1960)que indica lo
siguiente: "conservar solamente aquellos factores cuyos valores propios (eigenvalues) son
mayores a la unidad". Este criterio es el que suelen utilizar los programas estadsticos por
defecto.
Bartlett (1950) propuso una prueba estadstica para contrastar la hiptesis nula de
que los restantes p-m autovalores son iguales (siendo p el nmero original de variables y m
el nmero de factores o componentes retenidos). Cada autovalor es excluido de manera
secuencial hasta que no puede ser rechazada la hiptesis nula a travs de una prueba de
Chi-cuadrado.
El Anlisis Paralelo fue sugerido por
62
Componente
1
Fecha de nacimiento
,232
-,914
-,026
Nivel educativo
,806
-,172
,047
Categora laboral
,843
,260
-,061
Salario actual
,944
,089
,041
Salario inicial
,910
,232
-,077
,043
,053
,996
-,179
,927
-,041
Tabla 2.15. Matriz de estructura factorial. Resultado de procesamiento con SPSS de datos anexo 1.
En donde cada columna es un factor y hay tantas filas como variables originales. Los
elementos
j, aunque estrictamente slo son correlaciones cuando los factores no estn correlacionados
entre s, es decir, son ortogonales. Estos coeficientes reciben el nombre de pesos o
saturaciones factoriales. Los pesos factoriales indican el peso de cada variable en cada
factor. Lo ideal es que cada variable cargue alto en un factor y bajo en los dems.
2.4.8.2. Eigenvalues (valores propios). La suma de los cuadrados de los pesos
de cualquier columna de la matriz factorial es lo que denominamos eigenvalues (), indica la
cantidad total de varianza que explica ese factor para las variables consideradas como
grupo.
Las cargas factoriales pueden tener como valor mximo 1, por tanto el valor mximo
que puede alcanzar el valor propio (eigenvalue) es igual al nmero de variables. En la tabla
2.16 se aprecia que el componente 1 posee una carga factorial de 3.167, el segundo 1.857,
el tercero 1.008 y as sucesivamente.
Si dividimos el valor propio (la carga factorial total) entre el nmero de variables nos
indica la proporcin (porcentaje si se multiplica por 100) de las varianzas de las variables
que explica cada factor (En la tabla 2.16 el factor 1 explica el 45.242%, el segundo factor el
26.528% y as sucesivamente).
63
Component
1
2
3
4
5
6
7
Total
3,167
1,857
1,008
,429
,247
,194
,098
Initial Eigenvalues
% of Variance Cumulative %
45,242
45,242
26,528
71,769
14,405
86,174
6,125
92,299
3,523
95,822
2,776
98,598
1,402
100,000
Inicial
Extraccin
Fecha de nacimiento
1,000
,889
Nivel educativo
1,000
,682
Categora laboral
1,000
,782
Salario actual
1,000
,901
Salario inicial
1,000
,887
1,000
,997
1,000
,894
Eigenvalue
0
1
Component Number
Figura 2.13. Grafico de sedimentacin. Resultado de procesamiento con SPSS de datos anexo 1.
65
Componente
1
Fecha de nacimiento
,232
-,914
-,026
Nivel educativo
,806
-,172
,047
Categora laboral
,843
,260
-,061
Salario actual
,944
,089
,041
Salario inicial
,910
,232
-,077
,043
,053
,996
-,179
,927
-,041
Tabla 2.18. Matriz de estructura factorial. Resultado de procesamiento con SPSS de datos anexo 1.
Componente
1
Fecha de nacimiento
,064
,940
-,046
Nivel educativo
,760
,317
,064
Categora laboral
,877
-,104
-,030
Salario actual
,943
,085
,070
Salario inicial
,939
-,065
-,045
,020
-,021
,998
-,007
-,945
-,020
Tabla 2.19. Matriz factorial rotada. Resultado de procesamiento con SPSS de datos anexo 1.
Existen varios mtodos de rotacin, tres de ellos ortogonales, mediante los cuales
se respeta la independencia entre factores de la solucin inicial (Kaiser, 1958). Estos
mtodos son:
1. Varimax. Mtodo de rotacin ortogonal que minimiza el nmero de variables que
obtienen saturaciones altas en cada factor. De esta manera se pretende simplificar
la interpretacin de los factores optimizando la solucin por columna. La tabla 2.19
se calcul utilizando este mtodo.
66
67
Component 2
1,0
fechnac
0,5
educ
0,0
tiempemp
salini
salario
catlab
-0,5
expprev
-1,0
-1,0
-0,5
0,0
0,5
Compone
nt 1
1,0 1,0
0,5
0,0
-0,5
nt
pone
Com
-1,0
Figura 2.14. Grfico factorial rotado. Resultado de procesamiento con SPSS de datos anexo 1.
68
(2.7)
Donde:
Componente
1
Nivel educativo
,255
-,093
,046
Categora laboral
,266
,140
-,060
Salario actual
,298
,048
,041
Salario inicial
,287
,125
-,076
,014
,028
,988
-,056
,499
-,041
Fecha de nacimiento
,073
-,492
-,026
Tabla 2.20. Matriz de coeficientes para el clculo de las puntuaciones. Resultado de procesamiento con SPSS de
datos anexo 1.
69
Es as que se cumplen los objetivos del anlisis factorial, que son el determinar el
nmero de factores que influencian a un conjunto de mediciones, conocer la fuerza de las
relaciones entre cada uno de estos factores y cada medicin observada, de manera que se
pueda conocer la naturaleza de las respuestas subyacentes en un rea especfica.
70
2.5.
LA INGENIERA KANSEI.
2.5.1. Introduccin.
Al recoger y analizar la voz del usuario para conocer los requisitos que ste desea
que satisfaga un producto, puede ocurrir que su posterior traduccin en especificaciones de
diseo sea ms o menos directa o inmediata. Es decir, puede saberse cmo cumplir un
conjunto de requisitos y cmo medir si estos se alcanzan mediante una propuesta de diseo,
o bien, no saber cmo materializarlos.
En caso contrario, se requiere un trabajo de investigacin e interpretacin de
requerimientos subjetivos y poco definidos en el cual la labor del diseador es dar forma a
un nuevo producto integrando los deseos y demandas de sus usuarios, de forma que no
solamente se consideren aspectos tcnicos o funcionales, sino tambin factores estticos,
emocionales, las sensaciones de uso (Lee et al., 2003), es decir, el conjunto de Chisei-
71
Figura 2.15. Evolucin de las necesidades. Elaboracin propia. Adaptacin de la escala de necesidades de Maslow
(1987).
Kansei en el idioma japons contrasta con Chisei. El Kansei representa los sentimientos subjetivos y estticos
mientras que el Chisei conjuga el conocimiento racional. En conjunto, el Kansei y el Chisei determinan la manera
en la que las personas perciben e interactan con el mundo.
72
73
Esta actividad involucra decisiones acerca de que datos recolectar as como las
tcnicas a utilizar en esta etapa, siendo las formas ms antiguas de recoleccin las basadas
en
(Osgood, 1957) junto con la de relleno de cuadros de texto son las mas utilizadas, sin
embargo esta ltima es criticada porque no otorga un rango de importancia a los adjetivos
obtenidos (Faraday Packaging Partnership, 2004).
Existen otros mtodos que recurren al subconsciente, utilizados por compaas como
Seiko y Mazda (Faraday Packaging Partnership, 2004). Estas tcnicas emplean sensores de
movimiento ocular que registran el tiempo dedicado a la observacin de objetos o elementos
de diseo y lo relacionan con parmetros fisiolgicos captados con otro conjunto de
sensores durante este perodo.
2.5.3.2. Identificar las caractersticas de diseo de un producto desde la
percepcin del usuario.
En el anlisis de datos de los mtodos de cuestionario, las herramientas ms
utilizadas son las que recurren al anlisis de regresin y a la extraccin de datos (data
mining). En el primero predomina el anlisis de componentes principales (PCA), el anlisis
factorial y el anlisis de grupos (cluster analysis).
2.5.3.3. Implantacin de la herramienta a partir de los datos anteriores.
A continuacin se detallan brevemente los principales mtodos
Tipo 1: Categora de clasificacin
Este es un mtodo en el cual una categora Kansei de un producto se descompone
en un rbol estructural hasta llegar a los detalles de diseo (figura 2.16).
74
ii.
La base de datos de imagen. contiene las relaciones entre los elementos de diseo y
las palabras utilizadas por el usuario. Esta base se construye a partir del tratamiento
de datos obtenidos en la fase anterior y su relacin con los elementos de diseo
mediante la Teora Cuantitativa Tipo I de Hayashi (1976), que es un tipo de anlisis
de regresin mltiple con datos cualitativos, o a travs de tcnicas de inteligencia
artificial. Esta base es capaz de crear, a partir de componentes semnticas
generadas por la base de datos de palabras, componentes de diseo del producto.
iii.
iv.
consumidor) introduce en el sistema las palabras que identifican los atributos deseados en el
producto. El sistema ve si las puede reconocer en su base de datos de palabras. Si puede
75
hacerlo, utiliza la base de datos de imagen y de reglas y decide los elementos de diseo y el
color que ms se ajustan a las palabras utilizadas por el usuario.
Para construirlo es necesario en primer lugar decidir el mbito de aplicacin. A partir
de ah se recopilan las palabras "Kansei" y se aplica el Diferencial Semntico (Osgood, 1957)
para definir los ejes semnticos del producto. Seguidamente, con la definicin de los
elementos de diseo y con una muestra de productos que equilibre su distribucin, se
realizan pruebas con usuarios a partir de las cules ser posible encontrar, mediante
tcnicas de tratamiento de datos ms o menos complejas, las relaciones entre los
calificativos usados por los usuarios y los elementos de diseo.
Con los datos de los que se dispone en este estadio, es posible construir y utilizar el
KES de dos formas distintas.
a.
b.
Figura 2.17. Diagrama de proceso del Kansei Engineering System (KES). Elaboracin propia. Tomado y traducido de
Yang et al. (1999).
Fig. 2.18. Estructura del sistema del KES hbrido. Tomado de Yacuzzy y Martin (2002).
78
2.6.
2.6.1. Introduccin.
La mayora de los fenmenos que encontramos cada da son imprecisos, es decir,
tienen implcito un cierto grado de difusidad en la descripcin de su naturaleza. Esta
imprecisin puede estar asociada con su forma, posicin, momento, color, textura, o incluso
en la semntica que describe lo que son; incluso existen casos en que el mismo concepto
puede tener diferentes grados de imprecisin en diferentes contextos o tiempo
(un da
Sin embargo, aceptamos la imprecisin como una consecuencia natural de ''la forma
de las cosas en el mundo'' y la dicotoma entre el rigor y la precisin del modelado
matemtico en todos los campos y la intrnseca incertidumbre de ''el mundo real'' no es
generalmente aceptada por cientficos y filsofos, sin embargo, se admite que lo que hace el
ser humano es comprender, asimilar y procesar de manera implcita la imprecisin de la
informacin fcilmente, de forma que esta capacitado para formular planes, tomar
decisiones y reconocer conceptos con un alto nivel de vaguedad y ambigedad.
Considere las siguientes expresiones:
La temperatura est caliente
La inflacin actual aumenta rpidamente
Los grandes proyectos generalmente tardan mucho
Nuestros precios de venta estn por abajo de los precios de la competencia
La teora de conjuntos difusos es una generalizacin de la teora de conjuntos
clsica, y tiene como premisa fundamental que "Todo es cuestin de grado". Esta visin
contrasta con la visin de la teora clsica de conjuntos, bajo la cual se afirma que un objeto
pertenece o no a un conjunto y para cualquier objeto se puede definir su pertenencia o no a
un determinado conjunto.
La lgica difusa (tambin llamada lgica borrosa, o fuzzy logic), es bsicamente una
lgica multivaluada que permite valores intermedios para definir una forma en la que
expresiones convencionales, como "ms bien caliente" o "poco fro" pueden ser planteadas
matemticamente. De esta forma, se pretende aplicar una forma ms humana de pensar en
la modelacin matemtica. La lgica borrosa se inici en 1965 por Lotfi A. Zadeh (1965),
profesor de ciencia de computadoras en la Universidad de California en Berkeley.
80
Ao
Suceso
La ley del tercero excluido. Esta ley bsica del pensamiento establece que cualquier proposicin solo puede
ser Verdadera o Falsa y que ningn otro valor de verdad intermedio est permitido. Incluso cuando Parminedes
380 A.C.,
(300 aC) propuso la primera versin de esta ley ya encontr serias e inmediatas objeciones. Herclito propuso
cosas que podan ser simultneamente ciertas y falsas. Seria Platn quien pusiera la primera piedra de la
Lgica Difusa indicando que hay una tercera regin entre lo verdadero y lo falso donde los opuestos se
presentan juntos
En Inglaterra el filsofo David Hume habla de la lgica del sentido comn (razonamiento basado en la
experiencia que la gente comnmente adquiere de sus vivencias por el mundo). El filsofo norteamericano
siglo XVIII
Charles Sander Pierce fue el primero en considerar la vaguedad en vez de la dicotoma cierto-falso, como una
forma de enmarcar la forma en que el mundo y las personas funcionan. Tambin en este siglo es desarrollada
la teora original de conjuntos clsicos (binaria) por el matemtico alemn Georg Kantor.
La idea de que la lgica produce contradicciones fue popularizada por el filsofo y matemtico britnico
Bertrand Russell, a principios del siglo XX. Russell estudi las vaguedades del lenguaje y lleg a la conclusin
que la vaguedad es un grado.
El filsofo polaco Jan Lukasiewicz propone la primera lgica de vaguedad. Desarroll conjuntos con posibles
1920
valores de perteneca 0, y 1 (lgica trivaluada). Posteriormente los extendi hacia un nmero infinito de
valores entre 0 y 1 (lgica multivaluada).
1962
1964
1965
Lotfi Zadeh cuestiona la efectividad de las matemticas tradicionales, las cuales resultaban intolerantes ante la
imprecisin y ante verdades parciales.
Aparece por primera vez la nocin de conjuntos difusos en un artculo debido al mismo Zadeh en la Universidad
de California en Berkeley.
La revista "Information and Control" publica el artculo anterior, en donde aparece el artculo de Zadeh, "Fuzzy
Sets".
Zadeh publica el artculo, "Quantitative Fuzzy Semantics", en donde Introduce los elementos formales que
1971
acabaran componiendo el cuerpo de la doctrina de la lgica difusa y sus aplicaciones tal como se conocen en
la actualidad.
1974
1978
1987
1987
1989
El Britnico Ebrahim Mamdami, demuestra la aplicabilidad de la lgica difusa en el campo del control.
Desarrolla el primer sistema de control Fuzzy prctico, la regulacin de un motor de vapor.
Los ingenieros daneses Lauritz Peter Holmbland y jens-Jurgen Ostergaard desarrollan el primer sistema de
control difuso comercial, destinado a una planta de cemento.
Se inaugura en Japn el subterrneo de Sendai, uno de los ms espectaculares sistemas de control difuso
creados por el hombre.
"FUZZY BOOM", se comercializan multitud de productos basados en la lgica difusa (sobre todo en Japn).
Creacin de LIFE (Laboratory for International Fuzzy Engineering Research) por el Ministerio de Comercio
Internacional e Industria en Japn (MITI).
Tabla 2.21. Resea histrica del avance de la lgica difusa. Tomado de Mordeson y Premchand (2001).
delante), que puede tomar todos los valores reales comprendidos en el intervalo [0,1]. La
representacin de la funcin de pertenencia de un elemento a un Conjunto difuso podra ser
como la figura 2.19.
Figura 2.19. Ejemplo de una funcin de pertenencia de un Conjunto Difuso. Elaboracin propia. Tomado de
Zimmerman y Sebastin (1994).
afirmar con rotundidad que una temperatura es "clida" o no lo es. El problema podra
resolverse en parte considerando que una temperatura es "clida" cuando su valor supera
cierto umbral fijado de antemano. Se dice que el problema tan slo se resuelve en parte, y
de manera no muy convincente, por dos motivos: por una parte el umbral mencionado se
82
establece de una manera arbitraria, y por otro lado podra darse el caso de que dos
temperaturas con valores muy diferentes fuesen consideradas ambas como "clidas".
Evidentemente, el concepto "calor" as definido nos dara una informacin muy pobre sobre
la temperatura ambiental.
La manera ms apropiada de dar solucin a este problema es considerar que la
pertenencia, o no pertenencia de un elemento
En definitiva, definiremos
adoptar valores en el conjunto discreto {0,1} (lgica Booleana), sino en el intervalo cerrado
[0,1]. En conclusin, podemos observar que los Conjuntos Difusos son una generalizacin de
los conjuntos clsicos.
Un conjunto difuso es un aquel que puede contener elementos con grados parciales
de pertenencia, a diferencia de los Conjuntos Clsicos (Crisp Sets), en los que los elementos
pueden solamente "pertenecer" "No Pertenecer" a dichos conjuntos.
Mediante notacin matemtica, se puede definir un Conjunto Difuso A como:
Definicin 2.6.1 (Conjunto difuso).(dominio)
Un conjunto difuso
A en el universo
X en el intervalo unitario:
A = {( x , A( x ) ) / x X }
(2.7)
A: X [0,1]
Definicin 2.6.2 (Funcin de pertenencia).- En trminos generales, una funcin
de pertenencia (Membership Function, MF), es una curva que determina el grado de
pertenencia de los elementos de un conjunto. Se denota generalmente por
y puede
adoptar valores entre 0 y 1; por otro lado, si el valor de la funcin de pertenencia equivale a
1,
conjunto.
83
= 1
A (x) (0,1)
= 0
x pertenece totalmente a A
x pertenece parcialmente a A (2.8)
x no es miembro de A
Ejemplo 1
Sea un conjunto
A = {x | 5 x 8}
El conjunto
El conjunto
B = [0,20] = {x | 0 x 20}
Lo anterior implicara que una persona sera joven hasta el da de su cumpleaos
nmero 20, pero al siguiente da ya no lo sera. Ahora, si se cambiase el lmite superior del
intervalo el problema persistira.
84
separacin entre ser joven y no serlo, admitiendo grados de pertenencia intermedios entre
[0] y [1]. Por lo tanto el conjunto
B ( x) = 1
B = ( x, B ( x)) B ( X ) = 0.1x + 3
( x ) = 0
B
B sera la siguiente:
0 x 20
20 < x < 30
x 30
De esta manera una persona de 25 aos es todava joven pero con un grado del
50%. Finalmente, se denomina Universo de Discurso al conjunto de valores que puede
tomar una variable. La funcin de pertenencia se establece de una manera arbitraria, lo cual
es uno de los aspectos ms flexibles de los Conjuntos Difusos. Por ejemplo, se puede
convenir que el grado de pertenencia de una temperatura de "45 C" al conjunto A es 1, el
de "25 C" es 0.4, el de "6 C" es 0, etc.
Para operar en la prctica con los Conjuntos Difusos, se suelen emplear funciones de
pertenencia del tipo representado en la figura 2.22.
85
Figura 2.22. Tipos de funciones de pertenencia. Elaboracin propia. Tomado de Zimmerman y Sebastian (1994).
Figura 2.23. Diferentes funciones de pertenencia: trapezoidal (trapmf), variantes de gauss (gauss2mf y gbellmf),
sigmoidal (sigmf), diferencia de sigmoidales (dsigmf), producto de dos sigmoidales (psigmf), y las polinomiales
(zmf, pimf y smf) Tomado del manual de Fuzzy toolbox de Matlab (The MathWorks, 2000).
86
Ejemplo 2.
Tmese ahora el Universo de discurso de la edad. El Conjunto Difuso "Joven"
representa el grado de pertenencia respecto al parmetro juventud que tendran los
individuos de cada edad. Es decir, el conjunto expresa la posibilidad de que un individuo sea
considerado joven. Un Conjunto Difuso podra ser considerado como una distribucin de
posibilidad, que es diferente a una distribucin de probabilidad.
Se puede observar que los Conjuntos Difusos de la figura 2.24 se superponen, por lo
que un individuo
tiempo: "Joven" y "Maduro". Esto indica que posee cualidades asociadas con ambos
conjuntos. El grado de pertenencia de
representa por
A=
A(X )
X
(2.9)
Discurso con elementos discretos utilizan los smbolos "+" y "S" para representar la
operacin unin.
Tmese un individuo
un grado de 0.4 para el Conjunto Difuso "Maduro"; tambin posee un grado de 0 para
"Viejo". De este ejemplo se puede deducir que un elemento puede pertenecer a varios
Conjuntos Difusos a la vez aunque con distinto grado. As, nuestro individuo
x tiene un
grado de pertenencia mayor al conjunto "Joven " que al conjunto "Maduro"(0.6 > 0.4), pero
no se puede decir, tratndose de Conjuntos Difusos, que
manera rotunda.
A es el valor mximo
A.
(2.10)
A es normal si
x X tal que A(x)=1. De esta manera, los conjuntos difusos no normales son llamados
subnormales. El operador
88
(2.11)
A es el
subconjunto abrupto (crisp) en el cual todos sus elementos tienen grado de pertenencia
diferente a cero.
(2.11)
A es el
subconjunto abrupto (crisp) en el cual todos sus elementos tienen grado de pertenencia
diferentes a uno.
core(A) = { x A(x) = 1 }
(2.12)
-corte
de
ker(A).
A en un conjunto difuso es el
A = { x A(x) } , [ 0, 1]}
El operador
(2.13)
para cada
x A . El valor
es llamado el nivel.
La figura 2.25 denota el centro, el soporte y el
Figura 2.25.
-corte
89
-corte:
(2.14)
(2.15)
Figura 2.26. Conjuntos difusos convexos y no convexos. Elaboracin propia. Tomado y traducido de Mordeson y
Premchand (2001).
A = {A(xi) i=1,2,3,, n }
como un conjunto discreto, la cardinalidad de este conjunto se define como la suma de los
grados de pertenencia:
n
A = A ( xi )
(2.17)
i =1
las mismas operaciones con conjuntos difusos nos darn como resultado otros conjuntos
tambin difusos. Dado que la lgica difusa es una extensin de la lgica binaria, las nuevas
operaciones que se muestran para intersecar o unir conjuntos difusos son tambin aplicables
a la lgica binaria obteniendo idnticos resultados.
Sean Los conjuntos difusos
La interseccin entre
A y B dos
A B = min( A(u ), B (u ))
A B = A(u ) B (u )
(2.18)
(2.19)
91
A y B dos conjuntos
x X:
A B = max( A(u ), B (u ))
(2.20)
A B = min(1, A(u ) + B (u ))
(2.21)
A = 1 A(u )
(2.22)
92
A un
12
11
especifican un conjunto de condiciones que deben reunir aquellas operaciones que deseen
ser usadas para intersecar conjuntos, mientras que las S-Normas hacen lo propio para las
uniones.
La interseccin de dos conjuntos difusos puede ser especificada en una forma ms
general mediante una operacin binaria en el intervalo unitario, por ejemplo una funcin de
la forma:
(2.23)
difusa, debe satisfacer algunas condiciones. Las funciones conocidas como t-normas
(normas triangulares) poseen las propiedades de la interseccin. De igual manera, las
funciones llamadas t-conormas pueden ser utilizadas para la unin de conjuntos difusos.
Definicin 2.6.13. (t-norma/interseccin difusa).- Una t-norma
T es una
operacin binaria en el intervalo unitario que satisface al menos uno de los siguientes
axiomas para toda
11
a,b,c
T(a, 1) = a
(condicin de lmite)
(2.24)
(monotonicidad)
(2.25)
t-norma del mnimo: La funcin mn (T) es una t-norma, que corresponde a la operacin de interseccin en
conjuntos clsicos cuyos grados de pertenencia estn en {0,1}. Por eso, esta funcin es la extensin natural de la
interseccin en conjuntos difusos.
12
s-norma del mximo: La funcin max (S) es una s-norma, que corresponde a la operacin de unin en
conjuntos clsicos cuyos grados de pertenencia estn en {0,1}. Por eso, esta funcin es la extensin natural de la
unin en conjuntos difusos.
93
T(a,b) = T(b,a)
(conmutatividad)
(2.26)
T(a,T(b,c)) = T(T(a,b),c)
(asociatividad)
(2.27)
es una
operacin binaria en el intervalo unitario que satisface al menos uno de los siguientes
axiomas para toda a,b,c [0,1] (Klir and Yuan, 1995).
S(a, 0) = a
(condicin de lmite)
(2.28)
(monotonicidad)
(2.29)
S(a,b) = S(b,a)
(conmutatividad)
(2.30)
S(a,S(b,c)) = S(S(a,b),c)
(asociatividad)
(2.31)
U1 x U2 como subconjunto del espacio del producto cartesiano, donde U1 y U2 pueden ser
asimismo productos cartesianos de dominios dimensionales menores. La proyeccin de un
conjunto difuso definido en
por:
projU1 ( A) = sup (U 2 ) A (u ) / u1 u1 U 1
(2.32)
94
A definido en U X x Y
A sobre X, Y y X x Y:
Figura 2.31. Representacin de una proyeccin de un conjunto difuso. Tomado de Mneill y Thro (1994).
R( x, y )
P ( R) = sup x
(2.33)
95
En realidad lo que hace la proyeccin es, para cada valor de y, buscar la mxima
Mr(x,y) respecto de las x, donde Mr(x,y) es la funcin de pertenencia de la relacin.
Matricialmente, se expresa Py(R) donde R es "x aprox. igual que y":
Y
Py(R)
U U1 x U2 es un
(2.34)
Figura 2.32. Representacin de la extensin cilndrica de un conjunto difuso. Tomado de Mneill y Thro (1994).
CE ( A) =
96
A( x)
( x, y )
(2.35)
M(x)
0.33
0.66
Y/X
0.33
0.66
0.33
0.66
0.33
0.66
0.33
0.66
0.33
0.66
0.33
0.66
y la relacin
A=
R=
definidas por:
A( x)
X
R( x, y )
(2.35) y (2.36)
( x, y )
B = A o R = P (CE ( A) R )
(2.37)
97
Olga
Agnes
1.700
1.725
1.750
1.775
1.800
1.825
1.700
0.4
0.1
1.725
0.7
0.4
0.1
1.750
0.7
0.4
0.1
1.775
0.7
0.7
0.4
0.1
1.800
0.4
0.7
0.7
0.4
0.1
1.825
0.1
0.4
0.7
0.7
0.4
As, vemos que algo mayor que estara bien descrito por aproximadamente 5 cm.
ms alto que (cuando la altura de Agnes supera la de Olga por 5 cm., hallamos un 1 en la
funcin de pertenencia). Si la diferencia es de 15 cm. o ms, asignamos un bajo valor de
funcin de pertenencia (el motivo de este hecho aparentemente incorrecto reside en que en
ese caso, sera ms apropiado hablar de 'mucho ms alta que'.)
Seguidamente definamos el conjunto difuso Agnes es muy alta
A = 0/1.700 + 0.1/1.725 + 0.4/1.750 + 0.7/1.775 + 0.9/1.800 + 1/1.825
Altura de A
1.700
1.725
1.750
1.775
1.800
1.825
M(altura)
0.1
0.4
0.7
0.9
98
A. CE(A) =
Olga
Agnes
1.700
1.725
1.750
1.775
1.800
1.825
1.700
1.725
0.1
0.1
0.1
0.1
0.1
0.1
1.750
0.4
0.4
0.4
0.4
0.4
0.4
1.775
0.7
0.7
0.7
0.7
0.7
0.7
1.800
0.9
0.9
0.9
0.9
0.9
0.9
1.825
(2.38)
Figura 2.33. Representacin de la interseccin del producto cartesiano de conjuntos difusos. Tomado de Mneill y
Thro (1994).
99
!!! CUIDADO!!!
Trasc e ndenc ia
Prec isin
Figura 2.34. Precisin versus trascendencia. Tomado y traducido del manual de Fuzzy Logic Toolbox de Matlab 6.0
(Mathworks, 2000).
Una variable lingstica es aquella cuyos valores son palabras o sentencias que van a
enmarcarse en un lenguaje predeterminado. Para estas variables lingsticas se utilizar un
nombre y un valor lingstico sobre un Universo de Discurso. Adems, podrn dar lugar a
sentencias generadas por reglas sintcticas, a las que se les podr dar un significado
mediante distintas reglas semnticas.
Los Conjuntos Difusos pueden utilizarse para representar expresiones tales como:
Me gustara un producto de color claro.
La velocidad que debe alcanzar mi auto deseado debe ser rpida.
Me gustara que durara mucho tiempo.
Las expresiones anteriores pueden dar lugar a expresiones lingsticas ms
complejas como:
100
x no es pequeo.
La velocidad deber ser rpida pero no muy rpida.
El auto deber durar mucho tiempo y ser barato.
As, se pueden ir complicando las expresiones. Por ejemplo, la expresin "x no es
pequeo" puede calcularse a partir de la original calculando el complemento de la siguiente
forma:
NO
PEQUEA (x)
= 1- PEQUEO (x)
Tratando de esta forma los distintos modificadores lingsticos (muy, poco, rpido,
lento...) pueden ir calculndose todas las expresiones anteriores.
0.5
0.1
0.5
0.5
0.1
0.1
0.5
0.5
0.1
0.5
101
A B ( x, y ) = CE ( A( x )) CE ( B ( y ))
(2.39)
102
As, la extensin cilndrica nos permitir relacionar los dos universos, para hallar
grficamente un montculo de puntos en el plano, correspondiente a la proposicin 'la
humedad es baja y la temperatura normal'.
Representaremos la conjuncin de dos proposiciones como la interseccin por
cualquier T- Norma de los conjuntos difusos que los representan. Si las proposiciones se
refieren al mismo universo, nos quedar un conjunto difuso en una dimensin; de lo
contrario, nos quedar una relacin difusa (dos dimensiones).
B.- Disyuncin
Por ejemplo, 'la humedad es baja o la temperatura normal', la disyuncin de dos
proposiciones se efecta con la unin de los conjuntos difusos que los representan, usando
cualquiera de los mtodos explicados en el captulo 2 o con cualquier artificio matemtico
que cumpla una S-norma. Al igual que antes, si la disyuncin se refiere a dos universos
distintos deberemos usar la extensin cilndrica.
A B ( x, y ) = CE ( A( x )) CE ( B ( y ))
2.6.11.3.
razonamiento aproximado que revisten la mayor importancia. Son las que ms adelante
llamaremos reglas difusas.
Su estructura es: Si A entonces B. Llamaremos a A el antecedente y a B el
consecuente de la regla. A y B pueden ser cualquier proposicin, tan complicada como se
quiera.
Lo que vamos a buscar es una relacin difusa R cuya funcin de pertenencia exprese
el grado de verdad de "Si A entonces B".
A esta accin se la denomina "implicar", y por bien que hay muchas formas de
hacerlo, en la prctica se suelen usar dos, que ms adelante explicaremos. Implicar es el
paso previo a "inferir", que consiste en extraer una conclusin a partir de la relacin
generada por la implicacin y de un conjunto difuso de entrada A. Dicha conclusin es un
nuevo conjunto difuso, y la obtendremos, como se puede ya sospechar, mediante la
composicin de R con A. En otras palabras,
103
"X es P"
"Y es Q"
(2.40) y (2.41)
A entonces B
B = P ( A( x ) B ( x, y ))
B = max(min( A( x ), B ( x, y ))
(2.42) y (2.43)
Figura 2.35. Proceso de inferencia difusa. Elaboracin propia. Tomado y adaptado de Mathworks (2000).
105
Figura 2.36. Proceso de inferencia difusa (esquema). Elaboracin propia. Tomado y adaptado de (The MathWorks,
2000)
Fig. 2.37. Las etapas del diseo y su nivel de imprecisin. El tipo de variables que intervienen. Elaboracin propia.
2.
106
3.
4.
5.
6.
7.
8.
9.
10.
En el siguiente captulo se presenta una visin general del trabajo de tesis, partiendo
desde una contextualizacin de la actividad de diseo tal como se percibe actualmente. En
base a esto, se plantea el problema de investigacin, los objetivos de la investigacin y la
Hiptesis de la tesis. Seguidamente se plantean las premisas rectoras del trabajo y los
resultados deseados del mismo.
107
108