En el entorno altamente competitivo en que hoy se mueven las empresas, la calidad se ha convertido en la herramienta clave de supervivencia de las mismas. Hoy en día es generalmente aceptado que esa calidad debe ser conseguida desde el diseño, tanto de los productos como de los procesos. Taguchi propone la metodología del diseño robusto de parámetros con el fin de diseñar productos menos sensibles a los factores aleatorios o de ruido que hacen que varía los parámetros que definen su calidad. Tal metodología ha sido comunmente empleada en la industria a pesar de las grandes controversias que despertó desde sus inicios. El presente trabajo aporta una alternativa completa y estadísticamente robusta para la mejora del diseño de parámetros considerando en primer lugar experimentos con una sola característica de calidad como respuesta y posteriormente generalizado a casos con multiples características de calidad. Tal propuesta, definida como Métodos Forest-Genetic, combina herramientas de minería de datos y metaheurísticas en 3 fases: nomalización, modelización y optimización Tanto para el caso univariante como para el caso multivariante se comparan los resultados de forma numérica con los aportes más recientemente encontrados en la literatura mediante 4 casos de estudio diferentes. Pudimos verificar que nuestra propuesta metodológica se concentra en las variables de mayor importancia producto del proceso de modelización, lo que nos permite alcanzar importantes mejoras en cuanto al objetivo de calidad considerado en cada caso. / Villa Murillo, A. (2012). Optimización del diseño de parámetros: Métodos Forest-Genetic [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/17531

El problema de encontrar condiciones robustas al efecto de factores no controlados es un tema que interesa enormemente a las empresas ya que es una característica que demanda el mercado. Existen básicamente dos métodos para estudiar el problema: El que se basa en el método propuesto por G. Taguchi a comienzos de los 80's con el que se aproxima la variabilidad a partir de matrices producto y se seleccionan las condiciones robustas minimizando la respuesta, o el que parte de una matriz más económica que permite estimar un modelo para la respuesta Y en función de los factores de control y ruido, y estudia las condiciones robustas a partir de las interacciones entre los factores ruido y los factores de control. Aunque en un principio cabrían esperar resultados muy similares analizando un mismo problema por las dos vías hemos encontrado ejemplos donde las conclusiones son muy dispares y por ello nos hemos planteado este trabajo de investigación para encontrar las causas de estas diferencias.El trabajo de investigación lo hemos iniciado estudiando la naturaleza de las superficies asociadas a la variabilidad provocada por factores ruido realizando el estudio de forma secuencial aumentando el número de factores ruido. Hemos demostrado que independientemente de que la métrica seleccionada sea s2(Y), s(Y) o lo(s(Y)) las superficies difícilmente podrán ser aproximadas por polinomios de primer orden en los factores de control llegando a la conclusión de que algunas de las estrategias habituales que los experimentadores utilizan en la práctica difícilmente llevan a un buen conocimiento de esta superficie. Por ejemplo no es adecuado colocar un diseño 2k-p de Resolución III en los factores de control en una matriz producto siendo recomendables diseños de Resolución IV con puntos centrales.A continuación se han supuesto dos fuentes de variación en la respuesta debidas a ruido, fuentes desconocidas para el experimentador, y se ha estudiado la sensibilidad de los dos métodos para recoger estas oportunidades de reducción de la variabilidad demostrándose que el modelo para métricas resumen está más preparado para recoger todas las fuentes de variación que el modelo a partir de métricas no-resumen, el cual es muy sensible a la estimación del modelo de Y.Por último se ha investigado sobre los errores más comunes a la hora de seleccionar las condiciones robustas a partir de gráficos.