1.

Introduccin
s comn que en diferentes reas de estudio se con-
sideren problemas representados por muchas carac-
tersticas de inters, y stas estn en funcin de un
conjunto de factores de control. Para obtener el valor
de respuesta de esas caractersticas se recurre a una estrategia
experimental. El tipo de diseo que se utiliza involucra la se-
leccin de un conjunto de factores de inters tal que la combi-
nacin de sus valores corresponda de la mejor manera a todas
las caractersticas de un producto. A este proceso se le conoce
como un diseo de optimizacin multi-respuesta, ya que las
caractersticas de inters se denen para varias respuestas.
En particular en procesos de carcter industrial es impor-
tante tener modelos matemticos para explicar una o varias
caractersticas, llamadas respuestas, de calidad de un produc-
to. La nalidad del modelo es estudiar la relacin entre k fac-
tores X = (X
1
, ..., X
k
) (variables de control) y r respues-
tas y = (y
1
, ..., y
r
), para cada una de las cuales se propone
un modelo. En este trabajo se consideran modelos lineales o
cuadrticos. El modelo cuadrtico general para dos factores y
dos respuestas es
y
1
=

0
+

1
X
1
+

1
X
2
+

12
X
1
X
2
+

11
X
2
1
+

22
X
2
2
, (1)
y
2
=
0
+
1
X
1
+
1
X
2
+
12
X
1
X
2
+
11
X
2
1
+
22
X
2
2
. (2)
La informacin que se genera para construir estos modelos se
obtiene mediante diseo de experimentos [4]. Una vez obteni-
dos, los modelos son evaluados mediante tcnicas estadsticas
de mnimos cuadrados o mxima verosimilitud. Si los valores

12
,

11
,

22
,
12
,
11
y
22
son estadsticamente signica-
tivos iguales con cero entonces los modelos son lineales. Uti-
lizando los modelos (1) y (2) se pueden plantear diferentes
modelos de optimizacin, por ejemplo:
Optimizar y
1
Sujeto a y
2
l, donde l es un valor de inters en estudio
X est en la regin experimental.
(3)
Este planteamiento es una aplicacin interesante de las
matemticas a problemas de programacin lineal y optimiza-
cin [21], ya que los modelos proceden de proyectos de in-
ters en ingeniera o de situaciones reales en procesos in-
dustriales. La programacin matemtica se usa para la toma
de decisiones en varios niveles gerencia, produccin, entre
otros en estos casos se emplean las funciones objetivo y res-
tricciones. En problemas reales hay trminos en los que las
funciones expresan cuestiones tales como ganancias y pr-
didas, y las restricciones formulan temas relacionados con
la inversin. En la actualidad existen diferentes lneas de in-
vestigacin en optimizacin dinmica, teora difusa, algorit-
mos gneticos, entre otros, para estudiar el modelo de op-
timizacin (3). En resumen, el objetivo es denir un con-
junto de factores X que proporcionen la mejor mediacin
simultnea de las r respuestas. A continuacin se har una
breve presentacin del problema de optimizacin para varias
respuestas.
Una aproximacin comn para resolver problemas de di-
seo multi-respuesta es la siguiente; inicialmente las variables
de respuesta individuales son modeladas para crear una super-
cie de respuesta de un diseo experimental. A cada variable
de respuesta se le aplica una transformacin de tal manera que
todas las respuestas se puedan combinar en una sola funcin
llamada funcin objetivo. A partir de ah se varan los nive-
les de los factores de forma tal que se puedan cumplir de la
mejor manera los ptimos individuales hasta alcanzar un p-
timo global x
o
= (x
10
, ..., x
k0
). Aqu la palabra ptimo se
usa como referencia para considerar los valores ms acepta-
bles o ms deseables de las respuestas con respecto a cier-
tas condiciones. El proceso de optimizacin multi-respuesta
tiene aplicacin en muchas reas del conocimiento y con ma-
yor frecuencia en problemas de diseo en ingeniera [1]. La
optimizacin multi-respuesta requiere encontrar caractersti-
cas de las variables de control que generen un ptimo, o un
valor cerca del ptimo, tal que produzcan los mejores valo-
res para cada una de las respuestas que se estn considerando.
Las tcnicas de optimizacin multi-respuesta se pueden estu-
diar mediante mtodos grcos y analticos.
CARTA INFORMATIVA 1
La utilidad de la gracacin multi-respuesta se discute en
[6], ah se presentan y comparan las ventajas y desventajas de
la tcnica grca con algunos mtodos analticos. Una de las
ventajas del mtodo grco es que permite generar varios es-
cenarios de posibles soluciones ptimas [7], una lnea abierta
en esta direccin es incorporar la gracacin dinmica.
Otros caminos que han ido ocupando la atencin de los in-
vestigadores en la optimizacin multi-respuesta tiene que ver
con las tcnicas multi-objetivo, las de lgica difusa y algorit-
mos genticos, las que se sealan a continuacin.
En problemas de optimizacin multi-objetivo, es raro en-
contrar que las soluciones ptimas den lugar a que todas las
respuestas cumplan con su valor ptimo. Al estudio de res-
puestas con ciertas metas establecidas se puede aplicar la fun-
cin de deseabilidad o la de lgica difusa [13]. Esta teora
proporciona un camino natural para tratar problemas en los
cuales la fuente de imprecisin es la ausencia de criterios bien
denidos.
Cuando el nmero de variables crece an de manera mo-
derada en sus factores de control y de respuestas, los algo-
ritmos de optimizacin convencional pueden fallar para en-
contrar un ptimo global. Una aproximacin alternativa es un
procedimiento de bsqueda heurstica tal como el de los algo-
ritmos genticos mediante la lgica difusa [22].
Este trabajo tiene por objetivo desarrollar el modelo de
optimizacin multi-objetivo utilizando mtodos de programa-
cin lineal para obtener un ptimo global. Tambin se presen-
tan varios planteamientos de optimizacin que reducen el pro-
blema de multi-respuesta a una funcin simple. Se consideran
cinco funciones simples para encontrar un ptimo global, y se
utilizan tcnicas grcas como complemento de optimizacin
para resaltar soluciones alternativas. Se hace una evaluacin
comparativa de los resultados que se alcanzan a travs de las
cinco funciones. Dentro de estas cinco funciones que se es-
tudian, una se plantea en el contexto de lgica difusa. La es-
trategia de esta presentacin consiste en hacer el planteamien-
to terico del tema a tratar e ilustrar mediante ejemplos.
2. Optimizacin multi-objetivo
2.1. Descripcin del problema
El diseo de experimentos se ha aplicado de manera impor-
tante para mejorar la calidad de procesos y productos y adi-
cionalmente para hacer que estos productos sean robustos ante
condiciones extremas.
La informacin se genera mediante un esquema experi-
mental, y se presenta mediante una matriz D(nk), donde n
es el nmero de combinaciones (tratamientos), de valores de
los k factores (X
1
, ..., X
k
). Las Xs son variables de entrada
al proceso, y pueden ser numricas (continuas o discretas), o
no numricas (ordinales o nominales). Por ejemplo, para un
proceso especco, si un factor es la temperatura, entonces la
variable correspondiente X puede tomar valores entre 30
0
C
y 120
0
C. Por lo general en una estrategia experimental slo
se toman dos o tres valores entre ese rango.
Existen varios esquemas experimentales que se pueden
utilizar, tales como, diseos factoriales, diseos factoriales
fraccionados, diseo Box - Behnken, diseo central compues-
to y diseos ptimos, entre otros [2]. Suponga que se tienen r
respuestas para cada una de las n combinaciones. Con la in-
formacin generada por el experimento se pueden modelar de
manera individual cada una de las r respuestas. Por lo general
estos modelos son lineales y de forma cuadrtica y estn en
funcin de los k factores. As para r respuestas se tienen r
modelos. El jsimo modelo, un polinomio de grado s, para
la respuesta Y
j
se escribe como:
Y
j
= Z
t
(x)
j
+
j
, j = 1, ..., r, (4)
donde Z(x) es una matriz de orden (n q), que representa a
los n tratamientos, q elementos que consisten en un trmino
constante, en potencias y productos de potencias (mayor igual
a 1). Para el caso s = 2,
Z(x) = (1, X
1
, ..., X
k
, X
2
1
, ..., X
2
k
,
X
1
X
2
, X
1
X
3
, ...., X
k1
X
k
)
y

j
= (
j0
,
j1
, ...,
jk
,
j11
, ...,
jkk
,
j12
,
j13
, ...,
jk1k
)
t
.
Para el caso s = 2, el modelo (4) se puede reescribir como:
Z(x)
j
=
j0
+X
j
+X
t
B
j
X, j = 1, ..., r, (5)
donde X
t
= (X
1
, ..., X
k
) es un vector de k variables de con-
trol,
0
es constante,
t
= (
1
, ...,
k
) un vector de par-
metros y B = (
11
, ...,
1k
,
k1
, ...,
kk
) una matriz simtri-
ca de parmetros de segundo orden. En esta situacin q =
k(k+3)
2
+ 1, corresponde al nmero de trminos: constantes,
lineales y de segundo orden;
j
es una variable aleatoria. La
teora que se expondr en esta presentacin se har bajo el
supuesto de que
j
sigue una distribucin normal con me-
dia cero y varianza
2
j
, es decir:
j
N(0,
2
j
). Es tam-
bin relevante considerar esta temtica de optimizacin multi-
respuesta para el caso de que esta variable aleatoria
j
siga
una distribucin de probabilidad no-normal.
El problema consiste en determinar la combinacin de los
factores que produzca el ptimo global, es decir que todas las
respuestas den su "mejor"valor. Generalmente, el problema
de programacin multi-objetivo se plantea como sigue:
Optimizar Y
1
.
Sujeto a Y
2
= O
1
,

Y
r
= O
r1
,
xR, R : regin experimental,
(6)
donde los valores O
j
(j = 1, ..., r 1) representan considera-
ciones importantes o restricciones para las respuestas y cada
2 SOCIEDAD MATEMTICA MEXICANA
Y
j
es un vector de observaciones en los n tratamientos. Un
planteamiento ms general del problema de optimizacin en
presencia de j objetivos O
j
exibles j = 1, ..., r y l restric-
ciones g
l
(x) en esta presentacin se utiliza el caso xR, R :
regin experimental, as:
Optimizar [Y
1
, Y
2
, ..., Y
r
],
Sujeto a g
l
(x), l = 1, 2, ..., m.
(7)
Como resultado de la estrategia experimental los modelos
Y
j
se sustituyen por los mejores modelos que genera el mto-
do de mnimos cuadrados, [2] y [16] y el j- esimo modelo de
manera simplicada se expresa por:

Y
j
= Z(x)

j
. (8)
La solucin por el mtodo de mnimos cuadrados es

j
=
[(Z(x))
t
Z(x)]
1
(Z(x))
t
Y
j
, siendo Z(x) una matriz de or-
den (n q), donde n es el nmero de tratamientos y para el
caso en que el modelo sea de segundo orden, es decir s = 2,
q =
k(k+3)
2
+1 es el nmero de trminos, constante, lineales,
cuadrticos e interacciones de segundo orden cada

Y
j
es un
vector de valores predichos por el modelo en los n tratamien-
tos y stos se sustituyen en los planteamientos (6) y (7).
Ejemplo 1
Con el propsito de ilustrar el planteamiento general del pro-
blema y para mostrar el proceso de optimizacin usando los
diferentes mtodos, presentaremos un ejemplo clsico que se
ha usado con frecuencia en la literatura.
Se trata de la elaboracin de un queso y se desea cono-
cer la combinacin de los efectos de la cistina (cuajo): X
1
y el clorido de calcio: X
2
en la texturizacin y en las car-
actersticas de agua-caliente dializada en una concentracin
de protena de suero en un gel. En este proceso experimental
se aplic un diseo central compuesto, en el que cada fac-
tor X
i
(i = 1, 2) tiene cinco valores, como se muestra en la
Tabla 1. Las caractersticas de la textura son medidas por la
dureza Y
1
, cohesividad (coherencia) Y
2
, elasticidad Y
3
, y el
agua comprimible Y
4
. Este estudio fue desarrollado por [23]
y el experto en este tipo de procesos consider como objetivo
alcanzar los mximos simultneos para las cuatro variables.
El diseo que se utiliz en este estudio fue el central com-
puesto. Con el n de brindar una mayor claridad en este es-
quema, a continuacin se presentan las caractersticas princi-
pales de este tipo de diseo y son las que se utilizarn en esta
exposicin. Para ms informacin sobre este diseo consultar
en [19] y [16].
Diseo central compuesto.
Este esquema experimental consiste de:
1. Un diseo factorial 2
k
, donde los niveles de los factores
(valores) son valores codicados, usualmente -1 y 1,
como se ver ms adelante.
2. Dos puntos axiales en los ejes de cada factor del dis-
eo a una distancia del centro del diseo, en total 2k
puntos.
3. Un nmero n
o
de puntos en el centro del diseo (n
o

1). El total de pruebas experimentales que se realizan
en el diseo central compuesto es: 2
k
+ 2k +n
o
.
La Figura 1 ilustra la disposicin de estos puntos para los
casos k = 2 y k = 3. En la grca izquierda de la Figura 1, el
cuadro corresponde a los puntos 2
2
, los puntos y (lla-
mados puntos axiales) son los 2k = 2(2) puntos, dos puntos
axiales para cada factor y n
o
es el nmero de tratamientos en
el centro.
De manera anloga, en la grca de la derecha en la Figu-
ra 1, se tiene la descripcin para tres factores. El valor de
corresponde a las propiedades de rotabilidad del diseo a la
ortogonalidad, aqu slo se considerar la primera, en tal caso
=
4
_
(2
k
), el valor de n
o
se escoge tambin en base a estas
dos propiedades. En particular para la propiedad de rotabili-
dad n
o
= 4 si k = 2 y n
o
= 6 si k = 3, los detalles originales
de este diseo los introdujeron [3].
Figura 1: Diseos central compuesto para dos y tres factores
respectivamente.
Para los datos del ejemplo 1, en la Tabla 1 se muestran
los valores reales de los dos factores. Dado que los factores se
expresan en diferentes unidades, se transforman los valores
originales mediante la ecuacin
x
i
=
X
i
(max(X
i
) + mn(X
i
))/2
0.5 [max(X
i
) mn(X
i
)]
, i = 1, ..., k. (9)
A estos x
i
se les conoce como valores codicados y se
muestran en el primer rengln de la Tabla 1.
X\x =

2 1 0 1 =

2
X1 Clorido de calcio 2.6 8.0 21.0 34.0 39.4
X2 Texturizacin 2.5 6.5 16.2 25.9 29.9
Tabla 1: Caractersticas de los factores de control X.
En la Tabla 2 se describe en las columnas correspondien-
tes a x
1
y x
2
el diseo central compuesto para dos factores y
en este caso n
o
= 5, en las ltimas cuatro columnas se mues-
tran los valores de las cuatro respuestas para cada uno de los
tratamientos.
La matriz Z(x) para este ejemplo corresponde a los n =
13 renglones correspondientes a los tratamientos y a las colum-
nas de la 2 a la 7, es decir q = 6, (q = 2(2 + 3)/2 + 1).
Los resultados de mnimos cuadrados para cada uno de los
4 modelos se obtiene por:

j
= [(Z(x))
t
Z(x)]
1
(Z(x))
t
Y
j
.
CARTA INFORMATIVA 3
Tratamiento cte. x
1
x
2
x
1
x
2
x
2
1
x
2
2
Y
1
Y
2
Y
3
Y
4
1 1 1 1 1 1 1 2.48 0.55 1.95 0.22
2 1 1 1 1 1 1 0.91 0.52 1.37 0.67
3 1 1 1 1 1 1 .71 0.67 1.74 0.57
4 1 1 1 1 1 1 .41 0.36 1.20 0.69
5 1

2 0 0 2 0 2.28 0.59 1.75 0.33

6 1

2 0 0 2 0 0.35 0.31 1.13 0.67

7 1 0

2 0 0 2 2.14 0.54 1.68 0.42

8 1 0

2 0 0 2 0.78 0.51 1.51 0.57

9 1 0 0 0 0 0 1.50 0.66 1.80 0.44
10 1 0 0 0 0 0 1.66 0.66 1.79 0.50
11 1 0 0 0 0 0 1.48 0.66 1.79 0.50
12 1 0 0 0 0 0 1.41 0.66 1.77 0.43
13 1 0 0 0 0 0 1.58 0.66 1.73 0.47
Tabla 2: Esquema experimental y las respuestas en cada tratamiento.
En la Tabla 4 se muestran los coecientes de regresin para
los cuatro modelos, lo que equivale a representar la ecuacin
(8), adems se presenta la informacin estadstica comple-
mentaria como son el error cuadrtico medio CM
error
y el
coeciente de determinacin R
2
. El primero es un estimador
de
2
y el segundo indica qu porcentaje de la variabilidad
total es explicada por el modelo. Las expresiones correspon-
dientes son:
CM
error
(j) = (Y
j


Y
j
)
t
(Y
j


Y
j
)/(N q), (10)
y
R
2
= 1
(Y
j


Y
j
)
t
(Y
j


Y
j
)
(Y
j
Y
j
)
t
(Y
j
Y
j
)
. (11)
Solucin
En esta parte se presenta la descripcin grca de los mode-
los para evaluar si existe alguna relacin entre ellos. A con-
tinuacin se muestra los modelos ajustados por mnimos cua-
drados y sus ptimos individuales. En la Figura 2 se muestra
la relacin entre las cuatro variables de respuesta.
Figura 2: Matriz que describe la relacin por pares entre las
cuatro variables de respuesta.
Se puede notar en la Figura 2 que existe una consistente
relacin inversa entre las variables de respuesta Y
1
y Y
4
y
entre Y
3
y Y
4
, y ms leve esa tendencia entre Y
2
y Y
4
; en ese
sentido cuando se desea maximizar las respuestas Y
1
, Y
2
, y Y
3
entonces Y
4
disminuir ms en el caso de Y
1
y Y
3
. En el con-
texto del problema, se puede decir que la respuesta Y
4
(el agua
comprimible) est inversamente relacionada con las respues-
tas Y
1
(dureza) Y
2
(cohesividad) y Y
3
(elasticidad). Ante esta
situacin se tiene que valorar la importancia de cada respues-
ta en el proceso real para ver que conviene ms, si sacricar
la respuesta Y
4
o encontrar un equilibrio entre las cuatro res-
puestas. Este escenario se considerar en el procedimiento de
optimizacin simultnea. En la fase de maximizar las respues-
tas Y
1
, Y
2
y Y
3
no hay mayor complicacin porque existe una
relacin directa entre ellas, sin embargo, es importante con-
siderar la eciencia de los mtodos de optimizacin ante la
correlacin de las variables de respuesta. Los planteamientos
de optimizacin consideran la importancia de las funciones
mediante pesos w
j
, los cuales se discutirn ms adelante.
Se aplica el principio de mnimos cuadrados a cada una
de las respuestas, para jar ideas en la Tabla 3 se presenta
un resumen del reporte y anlisis estadstico para la variable
de respuesta Y
1
. En la columna 2 aparece el valor del coe-
ciente que genera mnimos cuadrados

= (X
t
X)
1
X
t
Y ,
la matriz de varianza-covarianza del vector

esta dada por la
expresin Var(

) = (X
t
X)
1

2
; donde, en la matriz princi-
pal C = (X
t
X)
1

2
, la entrada ii es c
ii

2
y corresponde a
la varianza de

i
, el i simo elemento de

. El error estndar
del coeciente de regresin

i
, es ES(

i
) =
_
V ar(

i
) =
_
(X
t
X)
1
ii

2
, donde
2
= CM
error
. En la columna 3 de
la Tabla 3 estn estos resultados, y el CM
error
= 0.040, el
cual se obtiene a partir de la expresin (10). En la columna 4,
t corresponde a un valor de la distribucin t de Student N q
grados de libertad y sta se obtiene del cociente entre el coe-
ciente de regresin y el error estndar

ES(

)
, la probabilidad
que deja a la derecha en esta distribucin es la que aparece
en la columna 5 y para evaluar la signicancia este valor se
compara con un valor de referencia, establecido de manera
conveniente, = 0.05. Si p < , se dice que el factor corres-
pondiente es signicativo, como se ha sealado en la Tabla 3.
4 SOCIEDAD MATEMTICA MEXICANA
(Nota: todos los clculos se redondearon a milsimas).
Trmino Coeciente ES t p
constante 1.526 0.089 17.071 0.000
+
x1 -0.575 0.071 -8.136 0.000
+
x2 -0.524 0.071 -7.417 0.000
+
x12 0.318 0.100 3.177 0.016
x
2
1
-0.171 0.076 -2.250 0.059
#
x
2
2
-0.098 0.076 -1.293 0.237
Tabla 3: Resumen estadstico para la respuesta Y
1
.
+
alta-
mente signicativos, signicativo, # ligeramente signica-
tivo.
Un anlisis similar se hace para las otras 3 respuestas, en
la Tabla 4 se muestran los coecientes de regresin para los
cuatro modelos y se seala si resultaron signicativos. Cabe
observar que aunque el anlisis estadstico de los modelos lle-
va ms detalles, aqu es suciente este resumen estadstico
para la aplicacin de la optimizacin multi-respuesta.
El modelo para la respuesta 1 es:

Y
1
= 1.530.57x
1
0.52x
2
+0.32x
1
x
2
0.17x
2
1
0.10x
2
2
,
(12)
de manera anloga se escriben los otros tres modelos. En la
grca derecha en la Figura 3 se muestra la supercie de res-
puesta para el modelo de respuesta

Y
1
, a la izquierda estn
las regiones de respuesta y las lneas que separan las regiones
son las curvas de nivel. A simple vista, se puede observar que
el mximo de la respuesta est aproximadamente en el pun-
to x
o
= (1.41, 1.41), este punto coincide con el ptimo
en el proceso de optimizacin

Y
1
(x
o
) = 3.178 (Tabla 5). El
ptimo se obtiene mediante la derivada del modelo (12); en
general para el modelo de segundo orden x
o
es
x
o
= 0.5

B
1
, (13)
donde

t
= (0.575, 0.524) y B =
_
1.17 0.16
0.16 0.10
_
.
En la Tabla 5 se presenta un resumen de los ptimos para
cada respuesta.
Figura 3: Supercie de respuesta y curvas de nivel para el
modelo

Y
1
.
En la diagonal principal formada por las columnas 2 a la
5 en la Tabla 5 se obtienen los mximos, objetivo del pro-
blema, para cada una de las cuatro respuestas. Fuera de esa
diagonal se observan tres respuestas evaluadas en el mxi-
mo de la otra, y se puede notar que mientras una alcanza el
ptimos

Y1(xjo)

Y2(xjo)

Y3(xjo)

Y4(xjo)
x1o= (1.41, 1.41) 3.178 0.36 1.78 0.11
x2o= (0.58, 0.26) 1.60 0.685 1.84 0.44
x3o= (0.82, 0.54) 2.29 0.63 1.899 0.31
x4o= (1.41, 1.41) 0.29 0.37 1.04 0.815
Tabla 5: Solucin ptima para cada respuesta.
mximo las otras estn distantes de su mximo. En particular
en el ltimo rengln de la Tabla 5, mientras

Y
4
adquiere su
mximo las otras tres respuestas tienen un valor lejos de su
mximo. A .
o
jo", en el rengln 3 se obtiene un valor en x
o
que resulta adecuado para este proceso, ya que en este caso
las cuatro respuestas muestran un ptimo global, como se in-
dicar ms adelante. En el proceso de optimizacin global se
ver si se puede obtener un mejor valor comn para las cua-
tro respuestas. El siguiente paso es encontrar el ptimo global
que satisfaga lo mejor posible en un mximo para todas las
respuestas.
Primero se expondrn los mtodos y planteamientos de
optimizacin, los primeros corresponden a lo que se compren-
der por programacin lineal y en los segundos se considera
la construccin de una funcin de respuesta simple que repre-
sente a la multi-respuesta.
Cuando se trata con ms de una variable de respuesta,
las regiones o curvas de nivel, como se muestra en la Figu-
ra 3, se pueden sobreponer. Para jar ideas se utilizarn las
primeras dos respuestas, tal como se describe en la Figura 4.
La regin sombreada indica una solucin factible comn para
estas dos respuestas, y se tiene que

Y
1
1.6 y

Y
2
0.67.
En esta situacin se ve que la respuesta cohesividad

Y
2
, prc-
ticamente, alcanza el mximo y la respuesta dureza

Y
1
, an
puede tener mejores valores. El punto en la Figura 4 es
(x
1
, x
2
) = (0.47, 0.30), y se obtuvo moviendo las curvas
de nivel de la respuesta

Y
1
. En este punto se interceptan las
curvas de nivel correspondientes a las dos respuestas

Y
1
y

Y
2
,
los valores son

Y
1
= 1.95 y

Y
2
= 0.67 respectivamente. En
relacin al problema, se tiene que estos valores para la dureza
y cohesividad se alcanzan cuando el factor X
1
tiene un nivel
de clorido de calcio equivalente a 14.89 unidades y el factor
X
2
equivale a un nivel de texturizacin de 13.29 unidades, es-
tos valores se obtienen en referencia a la Tabla 1. Se observa
de la grca que si

Y
1
aumenta la otra variable disminuye.
En la Figura 5 se sobreponen las cuatro variables de res-
puesta, en el punto se encuentra un valor comn para las
cuatro respuestas que se aproxima a ser un posible ptimo
global, (x
1
, x
2
) = (0.33, 1.40). Aplicando la expresin (9),
se obtiene el valor ptimo real 25.29 para el clorido de calcio
y 2.62 en la texturizacin. Como puede observarse en la gr-
ca se generan varias regiones de soluciones ptimas posibles.
Es frecuente que en el rea de biotecnologa de alimentos
se realicen experimentos con varias variables de respuesta,
por ejemplo [24] evaluaron varios tratamientos de lavado para
mejorar la calidad de carne desmenuzada de salmn.
CARTA INFORMATIVA 5
Coecientes Respuesta

Y
1

Y
2

Y
3

Y
4

0
1.526
+
0.66
+
1.78
+
0.47
+

1
-0.575
+
-0.092
+
-0.25
+
0.13
+

2
-0.524
+
-0.010 -0.078
+
0.073
+

12
0.318 -0.070
+
0.01 -0.082
+

11
-0.171 -0.096
+
-0.16
+
0.026

22
-0.098
#
-0.058
+
-0.08
+
0.024
CM
error
0.040 .510
3
0.003 0.002
R
2
0.952 0.987 0.977 0.949
Tabla 4: Coecientes de regresin para cada uno de los cuatro modelos y el CM
error
.
+
altamente signicativos, signicativo,
# ligeramente signicativo.
Figura 4: Sobreposicin de los modelos

Y
1
y

Y
2
, y descripcin
de una solucin ptima especca para estas dos respuestas.
3. Mtodos de optimizacin
Se han optimizado los modelos de supercie de respuesta Y
j
encontrando el punto estacionario x
0
=
1
2

B
1
, segn
se estableci en (13). Puede ocurrir que el punto estacionario
sea un punto cordillera por lo que es necesario establecer un
procedimiento para llevar x
0
a un punto que sea una respues-
ta mxima o mnima. Para solucionar este caso el mtodo de
Lagrange es una alternativa. Cabe la posibilidad del que el
punto x
0
sea un punto fuera de la regin experimental, en tal
caso se busca cmo permanecer dentro de la regin experi-
mental. El mtodo [20] es una opcin que se puede aplicar
a los planteamientos de optimizacin que se vern ms ade-
lante en el apartado 1.4, en particular se propone en este tra-
bajo porque es muy eciente en el proceso de optimizacin.
Los planteamientos en los modelos (6) y (7) requieren pro-
cedimientos de optimizacin con restricciones, en este caso
la programacin cuadrtica es una posibilidad para encontrar
un ptimo global. En este apartado se expondrn estos mto-
dos de optimizacin numrica.
La naturaleza del punto estacionario x
0
(ptimo) se deter-
mina por los valores propios (eigenvalores)
i
i = 1, ..., k,
de la matriz

B. Si
i
< 0 para toda i, se tiene un mximo, si

i
> 0 para toda i, se tiene un valor mnimo, si
i
tiene signos
Figura 5: Una solucin ptima comn al sobreponerse las
cuatro variables de respuesta.
alternados (positivos, negativos) entonces el punto x
0
es un
punto silla. Cuando se tiene un punto silla, es deseable buscar
un punto que maximice o minimice la respuesta; la estrate-
gia para alcanzar esa meta se conoce como anlisis cordillera
(ubicar el ptimo). El propsito del anlisis de cordillera es
encontrar puntos que maximicen (minimicen) la respuesta

Y
con la restriccin de que los puntos estn en una esfera radio
r con centro en el punto x
t
= (x
1
, ..., x
k
) = (0, ..., 0) y sta
debe estar contenida en la regin experimental R. Considere
el modelo ajustado de segundo orden

Y
j
(para jar ideas se
considera el caso para una sola respuesta, es decir j = 1),
dado por:

Y
1
=

0
+x
t

+x
t

Bx.
El planteamiento es como sigue:
Maximizar

Y
1
sujeto a
x
t
x = r
2
donde x
t
=(x
1
, ..., x
k
) y el centro de la regin experimental
es (x
1
, ..., x
k
) = (0, ..., 0).
El mtodo de Lagrange:
Se aplica el mtodo de Lagrange: maximizar (minimizar)
6 SOCIEDAD MATEMTICA MEXICANA
L(x) =

Y
1
(x) (x
t
x r
2
), (14)
donde es el multiplicador de Lagrange y x = (x
1
, ..., x
k
).
Derivando (14) con respecto a cada x
i
se tiene
L(x)
x
=

+ 2

Bx 2x, (15)
igualando a cero se tiene
(

B I)x =

2
. (16)
Una solucin x de la ecuacin (16) en r
2
= x
t
x se en-
cuentra sustituyendo un valor de , El valor de tiene un
efecto en la naturaleza del punto ptimo x
0
, ya sea que se de-
see un resultado mximo

Y
1
dentro de r o un mnimo

Y
1
en r.
Una seleccin adecuada de depende de los valores propios
de

B. As las siguientes reglas permiten plantear la seleccin
de los valores de :
Si
1
> donde es el valor propio ms grande de

B
, entonces x es una solucin de la ecuacin (16) en el
que

Y
1
, alcanza un mximo en r
2
= x
t
x.
Si
1
< , donde es el menor valor propio de

B, en-
tonces x es una solucin de (16) en donde

Y
1
, obtiene
un mnimo local en r
2
= x
t
x. El algoritmo correspon-
diente para el anlisis de cordillera lo discute [17].
El mtodo simplex de Nelder-Mead.
Considere la minimizacin de una funcin de k varia-
bles, donde y = f(x
1
, x
2
, ..., x
k
) es el valor observado de
la funcin en x
1
, x
2
, ..., x
k
. Sea P
0
, P
1
, ..., P
k
los k + 1 vr-
tices de un simplex k-dimensional. Se inicializa un simplex
de n + 1 puntos, por ejemplo un tringulo en un espacio bi-
dimensional o un tetraedro en un espacio tri- dimensional.
Una forma de preparar un simplex es comenzar con un punto
inicial P
0
, los otros n puntos P
i
se pueden tomar como
P
i
= P
0
+
i
e
i,
i = 1..., n,
donde los e
i
son vectores unitarios que forman la base del
espacio ndimensional y
i
es una constante que reeja la
longitud de la escala en el problema de optimizacin. Se de-
nota la funcin en el punto P
i
por y
i
= f(P
i
) y se denen
y
h
= max
i
(y
i
) y y
l
= mn
i
(y
i
). Se considera P como el
promedio (centroide) de los n + 1 puntos, con i = j, (P
i
P
j
)
representa la distancia de P
i
a P
j
. Cada ciclo del mtodo
inicia reejando P
h
y al punto que se obtiene se le llama
P

(punto de reexin). A partir del valor de la funcin en

P

, se tienen cuatro posibles operaciones que cambian el es-

tado del simplex. Estas cuatro operaciones son: 1. La reexin
ms all de P
h
. 2. Reexin y expansin ms all de P
h
. 3.
Contraccin de la lnea conectando P
h
y P. 4. Encogimiento
hacia P
l
a lo largo de toda la dimensin. En la Figura 6 se
ilustran estos procedimientos.
A continuacin se describe el ciclo completo del mto-
do simplex como lo presentan [11], ste mtodo lo proponen
[20].
Figura 6: Las cuatro operaciones bsicas para el mtodo sim-
plex.
Se denen cuatro intervalos:
I
1
: {y | y y
l
}; I
2
: {y | y
l
< y max
i
(y
i
), i = h};
I
3
: {y | max
i
(y
i
) < y y
h
, i = h} e I
4
: {y | y
k
< y}.
El ciclo completo requiere de los siguientes 4 pasos:
1. Reexin: Se dene el punto de reexin P

y su valor
y

como
P

= P +(P P
h
),
y

= f(P

),
donde el coeciente de reexin es una constante
positiva. As P

est en la lnea que une a P

h
y P, en
el lado opuesto a P de P
h
. Dependiendo del valor y

,
se tienen las siguientes acciones;
a) Si y

I
1
, vaya a expansin.
b) Si y

I
2
, remplace P
h
con P

y nalice este ci-

clo.
c) Si y

I
3
, remplace P
h
con P

y vaya a contrac-
cin.
d) Si y

I
4
, vaya a contraccin.
2. Expansin: Se dene el punto expansin P

y su valor
y

como
P

= P +(P

P),
y

= f(P

),
donde el coeciente de expansin es mayor que la
unidad. Si y

est en I
1
, remplace P
h
con P

y na-
lice el ciclo. De otra manera, remplace P
h
con el punto
P

de la reexin original y nalice el ciclo.

3. Contraccin: Dena el punto de contraccin P

y su
valor y

como:
P

= P +(P
h
P),
y

= f(P

),
donde el coeciente de contraccin est entre 0 y 1. Si
y

est en I
1
, I
2
o I
3
remplace P
h
con P

y nalice
el ciclo. De otra manera, vaya a encogimiento.
CARTA INFORMATIVA 7
4. Encogimiento: Remplace cada P
i
con (P
i
+ P
l
)/2 y
nalice el ciclo.
Es de inters observar que se puede recurrir a MATLAB
en el apartado de optimizacin para la aplicacin del algorit-
mo de Nelder Mead.
El mtodo de programacin cuadrtica
El modelo de optimizacin establecido en la expresin
(6) se puede replantear como un problema de programacin
cuadrtica y la representacin general para este caso es:
minimizar
1
2
x
t

Bx +x
t

sujeto a a
t
i
x =

b
i
iE
a
t
i
x

b
i
iI
x
t
x r
2
,
(17)
donde E e I son ndices para la igualdad o desigualdad de
restricciones. La matriz

B es simtrica y semidenida positi-
va. En este caso

B representa los trminos de segundo orden
del modelo de regresin.
Para la solucin a este problema de programacin cuadrti-
ca se aplica el mtodo de Lagrange, donde las restricciones
lineales se plantean como los gradientes de los modelos de
regresin de segundo orden para cada uno de los modelos.
La programacin cuadrtica se simplica, y se puede re-
solver en forma cerrada, si algunas de las restricciones se
plantean como la igualdad. As el planteamiento es:
minimizar
1
2
x
t

Bx +x
t

sujeto a

Ax =

b
x
t
x r
2
.
(18)
En este caso la solucin existe y es nica si la matriz

A
es de rango completo y la matriz

B es denida positiva. La
condicin necesaria de Lagrange para este problema es:

Bx +

A
t
+

= 0 (19)

Ax

b = 0.
Este planteamiento corresponde a un sistema de k + m
ecuaciones en los k + m trminos desconocidos de x y . A
continuacin se describe un lema que estable la relacin entre
las ecuaciones. Una exposicin ms detallada de ste mtodo
se puede consultar en [18] y en [21].
Lema [18] Sean

B y

A matrices de orden k k y mk
respectivamente. Suponga que

Atiene rango my

B es deni-
da positiva en el subespacio M = {x : Ax = 0}. Entonces la
matriz:
_

B

A
t
A 0
_
,
es no singular.
Existen varios mtodos para resolver el sistema (19), en
particular se puede usar un mtodo eciente para resolver el
sistema de ecuaciones.
Como

B es denida positiva entonces una frmula ex-
plcita para la solucin del sistema se puede generar como
sigue: de la primera ecuacin de (19) se tiene:
x =

B
1

A
t


B
1

.
Sustituyendo esta ecuacin en la segunda de (19) se ob-
tiene que:

B
1

A
t


A

B
1

b = 0,
de sta resulta:
= (

B
1

A
t
)
1
_

B
1

b
_
,
y
x =

B
1
_
I

A
t
_

B
1

A
t
_
1

B
1
_

+

B
1

A
t
_

B
1
A
t
_
1

b.
Esta representacin es til en desarrollos tericos.
4. Planteamientos de optimizacin
multi-respuesta
A continuacin se indican las referencias de algunos proced-
imientos de optimizacin desarrollados por diferentes autores.
La expresin (6) describe el planteamiento tpico de un pro-
blema de programacin lineal, la solucin es un valor x
o
de
X, que genera una respuesta ptima global bajo estas condi-
ciones. Entre las ventajas de este procedimiento est su plan-
teamiento matemtico y que puede ser resuelto mediante una
hoja de clculo. Existen otros procedimientos analticos e-
cientes de optimizacin, cuyo principio consiste en transfor-
mar la variable de respuesta j esima descrita en el modelo
(8) a una escala de valores, denominada valor deseable u y
sus valores estn entre 0 y 1. Este valor crece conforme se
requiera el mejor valor de la variable de respuesta correspon-
diente:
u
j
(

Y
j
(x)) =
_

_
0 si

Y
j
(x) < Y
mn
j
o

Y
j
(x) > Y
m ax
j
,
1
Mj

Yj(x)
MjY
mn
j
si Y
mn
j


Y
j
(x) M
j
,
1

Yj(x)Mj
Y
m ax
j
Mj
si M
j
<

Y
j
(x) < Y
m ax
j
,
(20)
donde M es un valor objetivo jado de acuerdo al inters del
investigador y
_
Y
mn
j
, Y
m ax
j
_
son dos cotas en la j esima
respuesta. stas se deben de especicar inicialmente. En la
grca primera en la Figura 7 se muestra esta situacin. Exis-
ten varios criterios para determinar estas cotas, por ejemplo,
los lmites de especicacin de un producto, regulaciones o
estandarizaciones de una empresa, o simplemente de mane-
ra subjetiva. Si es necesario determinar las cotas con base a
8 SOCIEDAD MATEMTICA MEXICANA
un rango fsico de las respuestas, es razonable considerar los
mnimos y mximos de las respuestas individuales estimadas,
es decir
_
Y
mn
j
=mn
xR
[

Y
j
(x)], Y
max
j
=max
xR
[

Y
j
(x)]
_
.
La funcin u
j
(

Y
j
(x)) depende de las condiciones del pro-
ceso y tambin se puede desear minimizar su respuesta, en el
primer caso M
j
= Y
mn
j
se sustituye en la tercera funcin en
la expresin (20):
u
j
(

Y
j
(x)) =
_

_
1 si

Y
j
(x) < Y
mn
j
,
1

Yj(x)Y
mn
j
Y
m ax
j
Y
mn
j
si Y
mn
j


Y
j
(x) Y
m ax
j
,
0 si

Y
j
(x) > Y
m ax
j
.
(21)
Si se desea maximizar, M
j
= Y
m ax
j
va en la segunda fun-
cin en (20). Esta situacin se ilustra en la grca intermedia
en la Figura 7, y la expresin es:
u
j
(

Y
j
(x)) =
_

_
0 si

Y
j
(x) < Y
mn
j
,
1
Y
m ax
jj

Yj(x)
Y
m ax
j
Y
mn
j
si Y
mn
j


Y
j
(x) Y
m ax
j
,
1 si

Y
j
(x) > Y
max
j
.
(22)
La grca tercera en la Figura 7 muestra el caso no-lineal de
la funcin u
j
(

Y
j
(x)).
Figura 7: Tres representaciones para alcanzar el grado de
satisfaccin con respecto a una respuesta, las primeras dos
lineales y la segunda no lineal.
4.1. Funcin de deseabilidad
La funcin de deseabilidad (DE) fue propuesta por [10], y su
expresin clsica se obtiene a partir de la expresin (20) es de-
cir d
j
= d(

Y
j
(x)) = u
j
(

Y
j
(x)). En este caso se supone que
el grado de satisfaccin de un experimentador, con respecto a
la j sima variable, es maximizada cuando

Y
j
(x) es igual a su
valor M
j
y decrece conforme

Y
j
(x) se aleja de M
j
. Si Y
mn
j
y
Y
max
j
representan respectivamente las cotas mnima y mxi-
ma, entonces no se acepta como solucin aquel punto x para
el cual

Y
j
(x) < Y
mn
j
o para el cual

Y
j
(x) > Y
max
j
. As el
grado de aceptacin con respecto a la respuesta se modela co-
mo una funcin montona decreciente de 1 en

Y
j
(x) =M
j
a
0 en

Y
j
(x) < Y
mn
j
o

Y
j
(x) > Y
max
j
. La deseabilidad global
se obtiene mediante la media geomtrica:
D = (d
1
d
2
...d
r
)
1/r
. (23)
El objetivo es encontrar el valor de la variable x
o
que maxi-
mice el valor de D.
Posteriormente [9] extienden el mtodo de Harrington,
despus [8] sugiere la media geomtrica ponderada como ex-
presin ms general para (23), es decir:
D = (d
w1
1
d
w2
2
...d
wr
r
)
1/r
, (24)
donde los w
j
representa los pesos relativos a las r respuestas.
Los modelos de las expresiones (23) y (24) son multiplica-
tivos.
En el proceso de optimizacin multi-respuesta se desea
que todas las respuestas satisfagan de manera simultnea la
deseabilidad. Una formulacin del problema optimizacin multi-
respuesta se plantea como:
Maximizar ,
Sujeto a d(

Y
j
(x)) , j = 1, 2, ..., r,
XR R : regin experimental.
(25)
La nalidad principal de esta formulacin es encontrar un
punto x
o
que maximice el mnimo grado de satisfaccin con
respecto a todas las respuestas dentro de la regin experimen-
tal.
4.2. Modelo de optimizacin multi-objetivo
difuso
La teora de conjuntos difusos proporciona una alternativa
para traducir las expresiones lingsticas asignando un valor
numrico mediante el concepto de funcin de membresa. En
resumen, si X es una coleccin de objetos denotados por x,
entonces un conjunto difuso B en X se dene por un con-
junto de pares ordenados: B = {(x,
B
(x))|x X}, donde

B
(x) es la funcin de membresa para cada conjunto difu-
so B. Esta funcin mapea cada elemento de X a un grado
de membresa o valor de membresa entre 0 y 1. Entonces las
funciones presentadas en las expresiones (20)-(22) se plantean
como funciones de membresa en el contexto de los conjuntos
difusos, por ejemplo para el caso de maximizar
B
(x) corres-
ponde a la formulacin expuesta en (22) es decir:

Oi
(

Y
j
(x)) =
_

_
0 si

Y
j
(x) < Y
mn
j
,
1
Y
m ax
j

Yj(xi)
Y
m ax
j
Y
mn
j
si Y
mn
j


Y
j
(x
i
) Y
m ax
j
,
1 si

Y
j
(x
i
) > Y
m ax
j
,
(26)
donde los O
i
representan a las r metas (objetivos).
La representacin grca de este planteamiento se mues-
tra al centro de la Figura 7, es decir cuando

Y
j
(x) se aproxima
al mximo el grado de membresa se acerca a uno. Mediante
la teora de conjuntos difusos se puede abordar el problema
de optimizacin multi-respuesta. En esa direccin el mode-
lo multi-objetivo involucra la seleccin de una alternativa a
i
,
para un conjunto dado de alternativas A = {a
1
, a
2
, ..., a
l
}
y un conjunto de r objetivos, O = {O
1
, O
2
, ..., O
r
}, con-
siderados mediante las r funciones objetivo

Y (x). Entonces
CARTA INFORMATIVA 9
el grado de la funcin membresa para una alternativa a en
O
i
denotada por
Oi
(a), es el grado en el que la alternati-
va a satisface el criterio especicado para ste objetivo. Se
busca una funcin decisin que satisfaga simultneamente to-
das las decisiones objetivo, por lo tanto, la funcin decisin,
D, est dada por la interseccin de los objetivos, as D =
O
1
O
2
... O
r
. Por lo tanto, el grado de la funcin mem-
bresa que la funcin, D, tiene para cada alternativa a est da-
da por:
D
(a) = mn{
Oi1
(a),
O2
(a), ...,
Oir
(a)}, [14].
La decisin ptima, a
0
, ser entonces la alternativa que
satisface:
D
(a
o
) = max
aA
(
D
(a)). Para alcanzar esta meta,
en el caso en el que se desee mximizar las r respuestas, se
dene el modelo de optimizacin multi-objetivo como:
minimizar F(x) =
_
r

i=1
_
1
r
{1
Oi
(

Y
j
(x))}
_
2
_
1/2
.
(27)
4.3. Funcin distancia generalizada
El procedimiento denominado funcin distancia (DI) fue pro-
puesto por [15], con ste tambin se obtiene una solucin
ptima puntual. Varios investigadores han producido traba-
jos interesantes en esta direccin, vase [5]. El modelo DI,
denominado como la funcin distancia, se expresa por:
DI(

Y (x)) = ((

Y (x) M)
t
(Var(

Y (x))
1
(

Y (x) M))
1/2
,
(28)
donde el trmino Var(

Y (x)) es una matriz de varianza p p

de los modelos predichos

Y (x). El vector de predichos de las
r variables de respuesta est dado por

Y (x) = (

Y
1
(x), . . . ,

Y
r
(x))
t
. Se dene M = (M
1
, ..., M
r
)
t
como el vector de
metas correspondientes a cada respuesta. En la propuesta plan-
teada por [15], consideran a M como el vector de los ptimos
individuales de las k respuestas independientes.
Bajo el supuesto de la distribucin sobre las respuestas
planteados en el modelo (4), entonces la varianza estimada de
Y
j
es y Var(

Y
j
(x)) = Z
t
(x)(X
t
X)
1
Z(x)
jj
y Cov(

Y
i
(x),

Y
j
(x)) = Z
t
(x)(X
t
X)
1
Z(x)
ij
donde
ij
es el (i, j) si-
mo elemento de , la matriz de varianza-covarianza de la res-
puesta. Por lo tanto si

Y (x) = (

Y
1
(x), ...,

Y
r
(x)) es el vec-
tor de respuestas predichas entonces la matriz de varianza-
covarianza est dada por Var(

Y (x)) = Z
t
(x)(X
t
X)
1
Z(x).
Un estimador insesgado de es:

=
1
n p
Y
t
[I
n
X(X
t
X)
1
X
t
]Y,
donde Y = (Y
1
: .. : Y
r
) es la matriz n r de datos multi-
respuesta, p es el nmero de columnas de X. Entonces el mo-
delo anterior (28) toma la forma:
DI
1
(

Y (x)) =
_
(

Y (x) M)
t
(

)
1
(

Y (x) M)
Z
t
(x)(X
t
X)
1
Z(x)
_
1/2
.
(29)
Una situacin importante y que inuye en la estructura del
modelo es la correlacin que puede existir entre las variables
de respuesta; si se prueba que sta no es estadsticamente sig-
nicativa, entonces se toman los elementos,
2
j
, de la diagonal
de

y se sustituyen en la expresin (29) y sta se escribe co-
mo:
DI
2
(

Y (x)) =
_
_
1
v(x)
r

j=1
_

Y
j
(x) M
j

j
_
2
_
_
1/2
, (30)
donde v(x) = Z
t
(x)(X
t
X)
1
Z(x) y la mtrica DI
2
(

Y (x))
es apropiada cuando las respuestas Y
j
son estadsticamente
independientes.
4.4. Funcin de prdida mltiple
La funcin de prdida (PE), propuesta por [1], es un enfoque
que considera la prdida econmica cuando las variables

Y
j
(x)
de respuesta se alejan de la metas M
j
. Consideremos
DI
3
(

Y (x)) =
r

j=1
k
j
_

Y
j
(x) M
j
_
2
, (31)
donde los nmeros k
j
representan los costos asociados a ca-
da respuesta. Estos valores de k
j
se pueden usar para es-
calar de manera adecuada la diferencia

Y
j
(x)M
j
. Tomando
k
j
=
2
j
, esta nueva distancia es un caso particular de DI
2
.
La distancia DI
3
se le conoce como la funcin de prdida
mltiple.
4.5. El concepto TOPSIS
La tcnica TOPSIS (Technique for Order Preference by Sim-
ilarity to Ideal Solution) es un mtodo de optimizacin desa-
rrollado por [25]. Este viene derivado de la toma de decisiones
multi-atributo, la idea bsica es hacer un escalamiento en las
respuestas

Y
j
(x) y ponderar ste en funcin de la importancia
de cada respuesta para el proceso; a partir de ste denen las
metas M
j
. El procedimiento es como sigue:
1. Se identica a las variables

Y
ij
estimadas en cada mo-
delo (i= 1, ..., n y j= 1, ..., r), se construye la variable
d
ij
mediante el proceso de normalizacin de la varia-
bles de respuesta

Y
ij
:
d
ij
=

Y
ij
_

Y
ij
. (32)
2. La variable d
ij
se pondera mediante pesos w
j
y se con-
struye la variable:
v
ij
= w
j
d
ij
. (33)
En el marco de la teora difusa existen diferentes crite-
rios para asignar los w
j
.
10 SOCIEDAD MATEMTICA MEXICANA
3. En esta etapa se propone una solucin ptima ideal y se
calcula la distancia D
+
i
. Para ello primero se obtiene
M
+
= {(max
i
v
ij
|jJ) o
(mn
i
v
ij
|jJ) (mn
i
v
ij
|jJ)
para i = 1, . . . , m}
= {M
+
1
, M
+
2
, ..., M
+
n
},
donde J (j = 1, ..., n) est asociado con algn crite-
rio de benecio y J (j = 1, ..., n) est asociado con
algn criterio de costo. Despus se dene
D
+
i
=

_
n

j=1
(v
ij
M
+
j
)
2
. (34)
4. Tambin se plantea una solucin ideal negativa que se
puede establecer como la peor de la soluciones y de
manera anloga se obtiene la distancia D

i
:
M

= {(mn
i
v
ij
|jJ) o
(max
i
v
ij
|jJ) (max
i
v
ij
|jJ)
para i = 1, . . . , m}
= {M

1
, M

2
, ..., M

n
},
y
D

i
=

_
n

j=1
(v
ij
M

j
)
2
. (35)
5. Finalmente se obtiene el ndice
C
i
=
D

i
D
+
i
+D

i
, (36)
tal que si se alcanza la solucin ptima ideal C
i
= 1, se
logra la solucin ptima para el proceso. Esto signica
que la solucin ideal positiva tiende a cero. Tambin se
pueden conseguir soluciones alternativas adecuadas, si
el ndice tiene valores entre 0.7 y 1. En el caso de que
el proceso apoye a la solucin ideal negativa el ndice
tiende a cero.
Las expresiones (32), (34) y nalmente el ndice (36) se
obtienen usando los datos generados por el experimento. Sin
embargo, en lugar de esos datos se pueden emplear los valo-
res predichos por el modelo de regresin cuadrtico o el mejor
modelo. En ese sentido la estimacin del ndice (36) esta en
funcin de los modelos, y segn el peso w
i
para cada una de
las variables, esta relacin se vera reejada en la estimacin
del modelo de regresin considerando ahora el ndice C
i
co-
mo respuesta.
Respuesta Y
mn
Y
max
Predichos GS
x
0
= (0, 35, 1.37)
1 0.37 2.68 1.68 0.57
2 0.30 0.69 0.55 0.65
3 1.10 1.90 1.88 0.65
4 0.23 0.71 0.31 0.57
El grado de satisfaccin es = 0.57
5. Aplicacin de los mtodos y
planteamientos de optimizacin
al Ejemplo 1
En este apartado se aplicarn los planteamientos de optimiza-
cin al ejemplo 1, en cada caso se aplic el mtodo de Nelder-
Mead para encontrar el ptimo. Se consideraron los modelos
completos de segundo orden, cuyos coecientes se muestran
en la Tabla 4, aunque algunos de los coecientes no resul-
taron estadsticamente signicativos. Se obtuvieron los valo-
res mnimos

Y
mn
j
y mximos

Y
m ax
j
individuales de cada res-
puesta ajustada. Estos se indican en la siguiente tabla.
Respuesta

Y
1

Y
2

Y
3

Y
4

Y
mn
j
0.37 0.33 1.11 0.23

Y
max
j
2.68 0.66 1.88 0.71
Estos valores se utilizaron como cota para cada respuesta
y como se desea maximizar el valor

Y
max
j
(j = 1, 2, 3, 4) se
utiliz como valor objetivo.
Se emple la funcin de deseabilidad d(

Y
j
(x)) denida
en la expresin (22) y luego se optimiz la funcin (24); los
pesos w
i
empleados en este caso fueron igual a 1, y el proce-
dimiento se identica por FD. Los resultados se muestran la
Tabla 6. Luego se aplic el modelo de optimizacin denido
en (25) para obtener el grado de satisfaccin , GS. Los va-
lores de este ndice se obtienen calculando las deseabilidades
establecidas por la expresin (22), los resultados de este cl-
culo son:
Se us el modelo (26) para el procedimiento difuso, PD ecua-
cin (27). Luego se obtuvo el ptimo de la funcin distancia
generalizada, DI expresin (30). Finalmente se realiz la op-
timizacin para el planteamiento topsis, TO, para todos los
procedimientos, excepto para el GS, el ptimo se obtuvo me-
diante el mtodo de Nelder- Mead. Estos resultados se pre-
sentan en la Tabla 6. Los j resultados alcanzados en una de
estas cinco funciones se podra evaluar para las otras cuatro,
de tal manera de llevar a cabo una comparacin de la ecien-
cia entre ellos. Sin embargo se emple la funcin de prdida
estandarizada para hacer una evaluacin de la eciencia de
los mtodos, as el que tenga la menor funcin de prdida
ser considerado como el mejor mtodo. Se dene la funcin
de prdida estandarizada como:
P =

_
r

j=1
(Z
j
Z
max
j
)
2
,
donde Z
j
=

Y
j
(x
o
)/

Y
max
j
, Z
m ax
j
= 1.
CARTA INFORMATIVA 11
ptimo Valores P
Funcin x
1o
x
2o

Y
1
(x
o
)

Y
2
(x
o
)

Y
3
(x
o
)

Y
4
(x
o
)
FD -0.10 -0.41 1.79 0.66 1.81 0.43 0.517
GS 0.35 -1.37 1.68 0.55 1.62 0.50 0.523
PD -0.53 -0.19 1.91 0.67 1.88 0.38 0.545
DI -0.46 -1.38 2.47 0.54 1.83 0.31 0.598
TO -0.24 -0.21 1.78 0.67 1.84 0.42 0.529
Tabla 6: Resultados de los diferentes procesos de optimizacin.
El planteamiento de optimizacin que obtuvo el mejor p-
timo comn para las cuatro respuestas corresponde a la fun-
cin de deseabilidad. En la Figura 2 se mostr la relacin en-
tre las cuatro variables de respuesta, por ejemplo, ah se obser-
va que las variables 1 y 4 estn inversamente correlacionadas,
esta situacin inuy en los resultados de optimizacin de al-
gunos procedimientos. Se observa en el caso del procedimien-
to DI que la respuesta

Y
1
alcanz el mayor mximo compara-
do con los otros procedimientos, sin embargo, afect el m-
ximo en la respuesta

Y
4
. En la Figura 8 se sealan los puntos
x
o
donde las cinco funciones alcanzaron el ptimo, as como
el punto ptimo descrito en la grca de la Figura 5.
Figura 8: Ubicacin de las funciones simples en la grca de
superposicin de las cuatro respuestas.
Se observa que el planteamiento GS prcticamente coin-
cide con el ptimo generado de manera grca y como se
observa es una solucin bastante adecuada. Ser una activi-
dad interesante aplicar estos planteamientos a varios ejemplos
para evaluar su precisin en el proceso de optimizacin, des-
de luego considerando situaciones donde no exista una fuerte
relacin entre las variables. Tambin se pueden llevar a cabo
estrategias de simulacin.
5.1. Procedimiento grco
No obstante que el mtodo grco (MG) es un procedimiento
descriptivo, ste contiene o ilustra a todos los resultados que
se obtienen con los mtodos anteriormente citados, (Figura
Nivel bajo Nivel alto
X1 0.7 1.7
X2 40 60
X3 1.8 2.8
Respuestas Restriciones
Y1 ndice de abrasin 120 < Y1
Y2 mdulo 200 1000 < Y2
Y3 elongacin a la ruptura 400 < Y3 < 600
Y4 dureza 60 < Y4 < 75
Tabla 7: Caractersticas de los factores de control X y las va-
riables de respuesta Y .
8). ste funciona relativamente fcil ante situaciones cuando
existen dos o tres factores y se complica un poco con cuatro.
Se considera como una buena prctica que en las estrategias
de optimizacin primero se realicen experimentos para elim-
inar factores que aportan poca informacin a la respuesta de
inters. As que en la estrategia experimental para obtener un
ptimo se trabaja con un nmero reducido de factores.
Dada la facilidad que existe actualmente en cmputo, me-
diante tcnicas de gracacin se pueden ilustrar los proced-
imientos analticos de optimizacin como es el caso del plan-
teamiento GS. El ptimo de ste se obtiene mediante mtodos
de programacin lineal, (vase el planteamiento expuesto en
la expresin (25)). Este equivale a maximizar{min[d(

Y
1
(x)),
d(

Y
2
(x)), d(

Y
3
(x)), d(

Y
4
(x))]} en la regin experimental, y
se lleva a cabo mediante tcnicas grcas, tal como se muestra
en la Figura 9. En sta se ilustra la aplicacin de la funcin de
deseabilidad a los grados de aceptacin d(

Y
j
(x)) j = 1, ..., r.
Observe que la solucin ptima que se obtiene, sealada en
los parntesis [ ], es en realidad la misma que la que ya se
obtuvo, ver Tabla 6.
6. Aplicacin de la programacin
cuadrtica: Ejemplo 2
El procedimiento que se resume en la expresin (20) se ilus-
tra con un problema de un compuesto para bandas en llan-
tas, expuesto y discutido en [9]. El propsito del problema es
mejorar el desempeo en la banda de las llantas medido por
cuatro variables de respuesta controladas por tres ingredientes
qumicos. Las respuestas son: ndice de abrasin Y
1
, el mod-
ulo 200 % Y
2
, la elongacin Y
3
, y la dureza Y
4
. Las variables
de entrada son: slice X
1
, seleno X
2
y el azufre X
3
.
Los ingredientes y las propiedades se describen en el cua-
dro siguiente:
Como estrategia experimental se propuso un diseo de
composicin central, el diseo y los resultados se muestran
en la Tabla 8.
12 SOCIEDAD MATEMTICA MEXICANA
Figura 9: Descripcin de los resultados ptimos para alcanzar
el mayor grado de aceptacin.
Con el n de observar si existe una relacin entre las varia-
bles de respuesta, en la Figura 10 se describen los diagramas
de dispersin para cada par de variables. Se puede observar
de esa gura que las variables 1 - 2, y 2 - 3 estn directa-
mente e inversamente correlacionadas respectivamente. Ante
esta situacin algunas modicaciones de inters se pueden
plantear en el proceso de optimizacin.
Figura 10: Relacin entre las cuatro variables para el ejemplo
2.
Los valores objetivos para cada una de las respuestas obe-
Tratamiento x1 x2 x3 Y1 Y2 Y3 Y4
1 1 1 1 102 900 470 67.5
2 1 1 1 120 860 410 65.0
3 1 1 1 117 800 570 77.5
4 1 1 1 198 2294 240 74.5
5 1 1 1 103 490 640 62.5
6 1 1 1 132 1289 270 67.0
7 1 1 1 132 1270 410 78.0
8 1 1 1 139 1090 380 70.0
9 1.63 0 0 102 770 590 76.0
10 1.63 0 0 154 1690 260 70.0
11 0 1.63 0 96 700 520 63.0
12 0 1.63 0 163 1540 380 75.0
13 0 0 1.63 116 2184 520 65.0
14 0 0 1.63 153 1784 290 71.0
15 0 0 0 133 1300 380 70.0
16 0 0 0 133 1300 380 68.5
17 0 0 0 140 1145 430 68.0
18 0 0 0 142 1090 430 68.0
19 0 0 0 145 1260 390 69.0
20 0 0 0 142 1344 390 70.0
Tabla 8: Esquema experimental y las respuestas en cada
tratamiento.
decen las condiciones:
Objetivo Condicin
Y
1
> 120 Maximizar
Y
2
1000 Maximizar
400 Y
3
600 Valor objetivo 500
60 Y
3
75 Valor Objetivo 67.5
En la Tabla 9 se muestran los coecientes de los mode-
los de regresin para cada variable, se seala cules son sig-
nicativos estadsticamente, adems se muestran los cuadra-
dos medios del error, la raz cuadrada del CM
error
que es la
desviacin estndar S y el coeciente de determinacin R
2
.
Este ejemplo ha sido ampliamente utilizado en la literatu-
ra de optimizacin multi-respuesta para ilustrar la efectividad
de los mtodos propuestos, vase [9] y [12]. En todos los ca-
so se han considerado las restricciones planteadas, pero hay
dos situaciones que no han sido consideradas, una de ellas es
el CM
error
de la variable

Y
2
que de alguna manera afecta a
la eciencia de los mtodos de optimizacin, porque tiene
un valor grande. La otra est relacionada con la desviacin
estndar y con la estimacin del valor en el ptimo, ya que
al tomar una o dos desviaciones estndar en torno al ptimo
ya no se cumple con las condiciones propuestas para las varia-
bles de respuesta. La nalidad de este ejemplo consiste en ob-
tener el ptimo comn aplicando el mtodo de programacin
cuadrtica considerando en el modelo de optimizacin las res-
tricciones en la desviacin estndar.
As el modelo de regresin completo para la variable tres
es:

Y
3
= 400.38 99.67x
1
31.4x
2
73.92x
3
+7.93x
2
1
+17.31x
2
2
+0.43x
2
3
+8.75x
1
x
2
+6.25x
1
x
3
+1.25x
2
x
3
.
En general cada uno de los cuatro modelos se puede es-
cribir:

Y
j
= x
t

B
j
x +x
t

j
+

j0
, j = 1, ..., r.
CARTA INFORMATIVA 13
Coecientes Respuesta

Y1

Y2

Y3

Y4

0 139.12+ 1261.11+ 400.38+ 68.91+

1 16.49+ 268.15* -99.67+ -1.41+

2 17.88+ 246.5* -31.4+ 4.32+

3 10.91+ 139.48# -73.92+ 1.63+

11 -4.01* -83.55# 7.93# 1.56+

22 -3.45* -124.79# 17.31* 0.06#

33 -1.57# 199.17* 0.43# -0.32#

12 5.13* 69.38# 8.75# -1.63+

13 7.13* 94.13# 6.25# 0.13#

23 7.88* 104.38# 1.25# -0.25#

CMerror 31.49 108039 422.3 1.61
S 5.61 328.7 20.55 1.27
R
2
97.2 71.2 98.1 95.8
Tabla 9: Coecientes de regresin para cada uno de los mode-
los. + Altamente signicativo, signicativo con p < 0.05,
# no signicativo.
Donde

B
j
es la matriz (k, k) cuyos elementos son los par-
metros de segundo orden estimados,

j
los parmetros linea-
les estimados y
0
es el intercepto estimado del modelo de
regresin para cada respuesta j.
Un modelo a optimizar puede quedar como sigue:
Maximizar

Y
1
.
Sujeto a

Y
2
sea mximo

Y
3
ste entre 400

Y
3
600

Y
4
ste entre 60

Y
4
75
x
t
x r
2
r : regin experimental,
dado que las dos primeras respuestas se desean maximizar,
el modelo a optimizar es:
Maximizar

Y
1
+

Y
2
.
Sujeto a

Y
1
sea

Y
1
> 120

Y
2
sea

Y
2
> 1000

Y
3
ste entre 400

Y
3
600

Y
4
ste entre 60

Y
4
75
x
t
x r
2
r : regin experimental.
(37)
Este modelo es similar al de la expresin (18) y el plantea-
miento de solucin se da en la ecuacin (19), slo que para
alcanzar expresiones similares a

A se recurre a considerar es-
ta matriz como:

A = [

Y
1
,

Y
2
,

Y
3
,

Y
4
].
Reescribiendo el modelo (37) en trminos de las respues-
tas ajustadas y considerando un mltiplo de la desviacin es-
tndar se tiene:
Maximixar
1
2
x
t
(

B
1
+

B
2
)x +x
t
(

1
+

2
) +

01
+

02
Sujeto a

1
2
x
t

B
1
x x
t

01
+ 120 + 1.5S
1
0

1
2
x
t

B
2
x x
t

02
+ 1000 + 1.5S
2
0
1
2
x
t

B
3
x +x
t

3
+

03
600 + 1.5S
3
0 y

1
2
x
t

B
3
x x
t

03
+ 400 + 1.5S
3
0

1
2
x
t

B
4
x x
t

04
75 + 1.5S
4
0 y

1
2
x
t

B
4
x x
t

04
+ 60 + 1.5S
4
0.
Preferentemente se busca que el mltiplo de la desviacin
estndar sea de 3, pero la solucin a este problema dio lugar
a encontrar regiones donde no existe una solucin comn. La
solucin de este problema se puede alcanzar utilizando Mat-
lab mediante la la funcin fmincon. El punto ptimo que se
gener con su correspondiente respuesta optima es:
ptimo x
o
= (0.39, 0.98, 1.0)
Respuestas

Y
1
(x
o
) = 138.10

Y
2
(x
o
) = 1421.5

Y
3
(x
o
) = 422.85

Y
4
(x
o
) = 70.50
Esta solucin satisface las restricciones y adems cada
una de estas respuestas est a 1.0 desviaciones estndar del
valor ptimo de la respuesta.
Agradecimientos
Al Consejo de Ciencia y Tecnologa de Guanajuato por su
apoyo al convenio 06-02-K117-87.
Referencias
[1] Ames, A. E., Mattucci, M., Stephen, M., Szonyi, G. and
Hawkins, D. M. (1997). Quality Loss Functions for
Optimization Across Multiple Response Surfaces. Jour-
nal of Quality Technology 29, pp. 339-346.
[2] Box, G. E. P. and Draper, N. R. (1987). Empirical Model
Building and Response Surfaces. John Wiley & Sons,
New York, NY.
[3] Box, G. E. P. and Wilson K. B. (1951). On the experi-
mental Attainment of Optimum Conditions (with dis-
cussion), J. Roy. Statist., Soc., B13, 195-241.
[4] Castao T. E. y Domnguez D. J. (2010). Diseo de Ex-
perimentos: Estrategia y Anlisis en Ciencia y Tecno-
loga. UAQro., CIMAT, Mxico..
[5] Del Castillo, E., Montgomery, D. C. and McCarville, D.
R. (1996). Modied Desirability Functions for Multi-
ple Response Optimization. Journal of Quality Tech-
nology 28, pp. 337-345.
[6] De la Vara, S.R. y Domnguez, D.J. Mtodos de Super-
cie multi-respuesta: Un Estudio Comparativo. Revista
de Matemtica: Teora y Aplicaciones 2002, 9(1): 47-
65.
14 SOCIEDAD MATEMTICA MEXICANA
[7] Domnguez, D.J y Rocha, M.R.M. Optimizacin multi-
respuesta en Procesos Industriales: Una propuesta Gr-
ca. Memorias del XVIII Foro Nacional de Estadstica.
2004, 13-20Derringer, G. and Suich, R. (1980). Simul-
taneous Optimization of Several Response Variables.
Journal of Quality Technology 12, pp. 214-219.
[8] Derringer, G. (1994). A Balancing Act: Optimizing a
Products Properties. Quality Progress pp. 51-58.
[9] Derringer, G. and Suich, R. (1980). Simultaneous Op-
timization of Several Response Variables. Journal of
Quality Technology 12, pp. 214-219.
[10] Harrington, E. (1965) The Desirability Function. Indus-
trial Qualty Control, 21, 494-498.
[11] Jang, J. S.R., Sun, C. T. and Mizutani, E. (1997). Neuro-
Fuzzy and Soft Computing. Prentice Hall, London.
[12] Jeong, I. J. and Kim, K. L (2003). Interactive Desirabili-
ty Function Approach to Multi-Response Surface Opti-
mization. International Journal of Reliability, Vol. 10,
No. 2 205-217.
[13] Kros, F.J. and Mastrangelo, C.M. Comparing Multi-resp-
onse Design Methods with Mixed Responses. Qual. Re-
liab. Engng. Int. 2004, 20: 527-539.
[14] Kumar, P. and Goel, P. (2002) Product Quality Opti-
mization Using Fuzzy Set Concepts ACase Study. Qual.
Eng., 15(1), 1-8.
[15] Khuri, A. I. and Conlon, M. (1981). Simultaneus Opti-
mization of Multiple Responses Represented by Poly-
nomial Regression Functions. Technometrics 23, pp.
363-375.
[16] Khuri, A. I. and Cornell, J A. (1996). Response Surface,
Designs and Analysis. Marcel Dekker, Inc, New York.
[17] Khuri, A.I. (1993). Advanced Calculus with Applica-
tions in Statistics. John Wiley, New York.
[18] Luenberger, D.G. (2003). Linear and Non Linear Pro-
gramming, 2
nd
Ed. Kluver Academic Publishers, Bost-
on.
[19] Myers, R. and Montgomery, D.C. (2002). Response Sur-
face Methodology: Process and Product Optimization
Using Designed Experiments, Wiley Series in Proba-
bility and Statistics. New York.
[20] Nelder, J.A. and Mead, R. (1965). A Simplex Method
for Function Minimisation. Comp. J., 7, 308-313.
[21] Nocedal, J. and Wright, S.J. (1999). Numerical Opti-
mization. Springer, New York.
[22] Ortiz, F. Simpson, J. and Pignatiello, J. (2004). A ge-
netic Algorithm Approach to Multiple-Response Opti-
mization. Journal of Quality Technology 36 No. 4, pp.
432-450.
[23] Schmidt, R.H., Illingworth, B.L., Deng J.D. and Cornell
J.A. (1979). Multiple Regression and Response Surface
Analysis of the Effects of Calcium Chloride and Cys-
teine on Heat-Induced Whey Protein Gelation, J. Agric.
Food Chem., 27, 529-532.
[24] Tseo, C. L., Deng, J.C. Cornell, J.A., Khuri, A.I. and
Schmidt, R.H. (1983). Effect of washing treatment on
quality of minced mullet esh. J Food Sci 48, pp 163-
167
[25] Yoon, K, Hwang, C.L. (1995). Multiple Attribute Deci-
sion Making: An Introduction; Sage, California.
CARTA INFORMATIVA 15
l Dr. Peter Seibert Kopp Profesor-Investigador de
la UAM-Iztapalapa y Nivel III del SNI, pis tierras
mexicanas por primera vez, hace 51 aos y hoy a
manera de homenaje en su primer aniversario de su
fallecimiento nosotros quienes fuimos sus estudiantes, quere-
mos compartir unas palabras acerca de lo que fue su vida.
Peter en Mosc, 13 Abril de 1928.
Peter naci el 13 de abril de 1927 en Mnich, Baviera,
Alemania, y muri en Mxico el 13 de agosto de 2009. Hi-
jo primognto de Katherine Kopp (15.10.190223.12.1983) y
Theodor Seibert (27.07.1896-1945). Theodor desaparici du-
rante la Segunda Guerra Mundial, no se sabe la fecha exacta
de la ltima vez que se le vi. Peter, tuvo una hermana, Ursu-
la (1935-1952), dos hermanos, Urlich (1930-2002) y Dieter
(1940) quien actualmente vive en Alemania es periodista,
fotgrafo y autor de varias revistas de montaismo. Peter pro-
creo un hijo, Diego Alejandro Seibert Lee (1974-), es resi-
dente chileno.
Peter conserv en un cuaderno de apuntes, sus origenes
familiares y geogrcos desde 1607 hasta el 2009.
Vivi en Inglaterra desde la edad de los cinco aos y ah
aprendi a leer y escribir simultneamente el Ingls y Alemn.
Peter curs su educacin elemental en Alemania llevando
como formacin complementaria el griego y el latn en un
grupo especial de nios avanzados.
Durante los ltimos meses de la Segunda Guerra mundial,
Peter fue reclutado contra su voluntad en un barco, para tra-
ducir mensajes del Ingls al Alemn y viceversa. Al nalizar
la guerra el 7 de mayo de 1945, Peter y otros, caminaron desde
su ubicacin por ms de treita das esquivando el fuego de las
fuerzas aliadas enemigas y de lo que quedaba de las fuerzas
alemanas, para reunirse con los suyos. Fueron das aciagos de
hambre y de horror que determinaron que Peter llevara una
vida austera hasta el nal de sus das.
Durante el verano de 1945 de posguerra, Katherine Kopp
fu la primera de la familia de Seibert que pudo viajar a Berln.
Ella pas por la casa de Constantin Carathodory, emeritus de
la Universidad de Mnich. Le cont que tena un hijo que se
interesaba por las matemticas y cosas por el estilo". Cara-
thodory estuvo de acuerdo en recibir al hijo mencionado.
Poco tiempo despus, Peter lleg a Mnich, visit a Cara-
thodory y fu aceptado como alumno desde el primer mo-
mento. Carathodory le di como primera lectura una edicin
de sus Reelle Funktionen"(Funciones Reales), un libro pen-
sado para estudiantes de un nivel ms avanzado que el de un
principiante sin estudios universitarios como era el caso de
Peter en ese momento. Antes de conocer a Carathodory, Pe-
ter era un estudiante autodidacta de las matemticas pero no
de manera ordenada y estaba a punto de ingresar a la univer-
sidad.
Seibert inici su doctorado en la Universidad de Mnich
en septiembre de 1949 bajo la direccin de R. Knig (alumno
de D. Hilbert) y O. Perron, como su segundo referente". Lo
concluy once meses despus, el 4 de agosto de 1950 con una
calicacin magna cum laude. En su tesis doctoral invent
un mtodo geomtrico para resolver el problema de Dirichlet
para la ecuacin de Laplace en ciertos casos simples.
16 SOCIEDAD MATEMTICA MEXICANA
C. Carathodory, profesor de Seibert.
Adems de haber sido alumno de C. Carathodory, tam-
bin lo fu de E. Hopf, H. Tietze y A. Puger entre otros
matemticos importantes.
O. Perron, co-director de tesis doctoral de Seibert.
En julio del ao 2000, Peter viaj a Mnich para recibir
su doctorado de oro. El cual es un reconocimiento que otorga
la Universidad de Mnich a sus egresados que han alcanza-
do notables progresos en su formacin doctoral a lo largo de
50 aos. Regres a sus actividades acadmicas a la UAM-
Iztapalapa con notoria alegra dibujada en su rostro. Nada le
hubo causado ms satisfaccin como sus logros acadmicos.
Peter tuvo sus primeras posiciones acadmicas y de in-
vestigacin en Alemania, en las universidades de Giessen,
Wuerzburg y en el Centro de Investigacin de la Universidad
de Wuerzburg y originalmente se especializ en la teora de
funciones de variable compleja, poniendo nfasis en las su-
percies de Riemann. Entre otros resultados, resolvi un pro-
blema propuesto por S. Mazurkiewicz, dando el primer ejem-
Seibert: 1954.
plo conocido hasta ese momento de una supercie de Rie-
mann con frontera bidimensional [Proc. Nat. Ac. Sci. USA
45(1959)].
Peter en colaboracin con J. Andr, desarroll la primera
teora matemtica de sistemas de control discontinuos. [Archiv
d. Math. 7 (1956)] y el concepto de robustez tambin apareci
por primera vez en este contexto [Proc. 1
st
Int. Congr. IFAC
(Moscow) 1960].
En 1958 Peter dirigi su investigacin hacia la teora de
la estabilidad en los sistemas dinmicos, despus de que en
febrero de ese mismo ao, se entrevist en Pars, Francia, con
Solomon Lefchetz y lo invit a trabajar en el Research Insti-
tute for Advanced Studies (RIAS), Baltimore, USA., 1958-
63, en donde colabor principalmente con S.Lefchetz, J.P. La
Salle y L.Cesari. Eso le permiti viajar con ellos por primera
vez a Mxico en septiembre de 1959, para asistir a un Sym-
posium de Ecuaciones Diferenciales Ordinarias y sus Aplica-
ciones que tuvo lugar en la Ciudad Universitaria de la UNAM,
del 7 al 13 de septiembre.
Peter disfrut de esa visita a Mxico y retorn una y otra
vez, hasta quedarse para siempre. Primero, de 1963 a 1964
en el CINVESTAV del Instituto Politcnico Nacional por in-
vitacin de Jos Adem; regres a las Universidades de Yale y
de Brown USA, 1964-65 y volvi a Mxico, a la Escuela Su-
perior de Fsica y Matemticas del Instituto Politcnico Na-
cional (ESFM-IPN). En la ESFM-IPN, imparti los cursos
de Anlisis Matemtico Real, teora de Funciones de Varia-
ble Compleja, teora de Ecuaciones Diferenciales y Sistemas
Dinmicos. Tuvo entre sus estudiantes entre otros a Ernesto
Lacomba Zamora, actual Profesor Distinguido de la UAM-
Iztapalapa. En los aos 1966-1971 dirigi un seminario sem-
anal sobre Sistemas Dinmicos en el Instituto Mexicano del
Petrleo. Durante ese perido dirigi las tesis profesionales
de licenciatura en matemticas de Antonio Rivera Figueroa y
Roberto Acosta Abreu [Carta Informativa SMM, No. 59 Ene-
ro 2009, p.p. 7-10].
CARTA INFORMATIVA 17
En 1971, Peter parti hacia la Universidad Catlica de
Chile (Santiago), 1971-1975 y dirigi la tesis doctoral de Pablo
M. Salzberg (1985). Luego, fu hacia la Universidad Simn
Bolvar, Caracas, Venezuela, 1975-1978. De ah, hacia la Uni-
versidad Centro Occidental Lisandro Alvarado", Barquisime-
to, Venezuela, 1978-1985 y dirigi la tesis doctoral de Ramn
Gmez (1985). Finalmente, en 1987 regres a Mxico al De-
partamento de Matemticas de la Universidad Autnoma Me-
tropolitana- Iztapalapa. Ah dirigi la tesis doctoral de Luis
Aguirre Castillo (2003) y la tesis de maestra en matemticas
de Ricardo Hernndez Lpez (2006).
Peter us un argumento de induccin y di la primera
demostracin del principio de persistencia de la estabilidad
asinttica bajo perturbaciones [Proc. Int. Symp. (Colorado
Springs),1961]. Este resultado ha sido una herramienta til
para cimentar una teora ms general de bifurcaciones del tipo
Hopf.
Peter con J. Auslander, desarrollaron la teora de la es-
tabilidad de sistemas dinmicos combinando la teora de las
prolongaciones de Poincar con la teora clsica de A.M. Lya-
punov [Ann. Inst. Fourier (Grenoble)14 (1964)].
Peter en colaboracin con P. Tulley, di la primera de-
mostracin puramente topolgica del clsico teorema de Poin-
car-Bendixson sobre sistemas dinmicos en el plano [Archiv
d. Math.18(1967)]. Tambin di una condicin necesaria y
suciente para la estabilidad bajo perturbaciones persistentes,
complementando trabajos anteriores de I.G. Malkin y otros
[Acta Mex. Sci. Tech.2 (1968)].
Parcialmente y en colaboracin con su estudiante de doc-
torado P.M. Salzberg y G. Dankert, Peter estableci una teora
abstracta de la estabilidad de Lyapunov, culminando con una
condicin necesaria y suciente para la existencia de una fun-
cin de Lyapunov (generalizada) en presencia de un atractor
[Nonlin. Phenom. in Math. Sci., Acad. Pr., 1982].
En 1968, en respuesta a un problema propuesto por J.S.
Florio, Peter invent un mtodo para reducir el problema de la
estabilidad de un sistema compuesto de subsistemas al proble-
ma correspondiente para los subsistemas, aplicando un prin-
cipio que llamaremos El principio del umbral de Seibert. En
contraste con otras contribuciones anteriores a este problema,
el mtodo de Seibert no depende de la parte lineal del sistema
en cuestin y por lo tanto, arroja resultados tanto locales como
globales. Esto permiti a Peter y colaboradores dar la primera
demostracin de la estabilidad asinttica global de un sistema
de ecuaciones diferenciales parciales aplicando un principio
de reduccin [Annali Mat. pura appl. (IV) 168 (1995); Bol.
Soc. Mat. Mexicana (3) 3 (1997)]. Estos resultados han tenido
aplicaciones relevantes en la teora de control, en aquellos sis-
temas no lineales en los cuales tiene que ver el problema de
la estabilizacin.
Peter, colaboradores y estudiantes, desarrollaron dos teo-
ras de bifurcaciones en sistemas dinmicos que generalizan
la clsica bifurcacin de (Poincar-Andronov-) Hopf. Una de
stas cubre aquellas bifurcaciones que surgen de equilibrios
estables (o conjuntos invariantes), mientras que la otra con-
sidera aquellas bifurcaciones que surgen de equilibrios inesta-
bles tales como puntos silla (o conjuntos). La primera de ellas
extiende los resultados de F. Marchetti et al., la segunda no
haba sido estudiada sistemticamente hasta ese momento. El
punto principal consiste en la observacin de que la bifur-
cacin no depende del espectro de la parte lineal del sistema,
como se haba pensado previamente, si no ms bien de prin-
cipios de persistencia dinmica ms generales de naturaleza
topolgica. [ Para un resumen de todos estos resultados ver
Univ. Jagellon. Acta Math. 36 (1998).] Desde 1993 hasta su
muerte en 2009, Seibert comparti con Juan Hctor Arredon-
do Ruz, una estrecha colaboracin en la bsqueda de ejemp-
los en el campo de las ecuaciones diferenciales parciales.
Peter tambin contribuy a la conceptualizacin de la ma-
temtica moderna, extendiendo los ltros de Bourbaki a cuasi-
ltros, introduciendo un concepto dual para la relacin de
neza.
en
tre (cuasi-)ltros en la forma de dominacin"(para
conseguir la formalizacin de las propiedades de acotamien-
to) e introduciendo una notacin para ambos casos que per-
mite un enorme ahorro de cuanticadores. Cabe destacar que
en trabajos recientes publicados en Rusia, aparecen ya en el
Summary expresiones como sistemas generales en el sentido
de Seibert". Tambin se usa la notacin inventada por l.
Un rasgo comn que tienen los trabajos de Peter, es la
bsqueda de desentraar, los principios ms recnditos que
son la base de las teoras matemticas. Su mensaje principal
a lo largo de los ltimos aos, fue que, despus del dominio
casi exclusivo de clculo y sus ramicaciones en matemti-
cas durante tres siglos, vale la pena considerar otros puntos de
vista. El demostr que se puede hacer bastante al desarrollar
en la forma de unas teoras abstractas mediante el uso de la
topologa elemental de espacios mtricos, y luego aplicar los
resultados a problemas concretos donde los mtodos conven-
cionales fallan. Un ejemplo de esto son los trabajos [Global
Stabilization of nonlinear cascade systems, Systems and Con-
trol Letters 14 (1990), 347-352 (con R. Surez)] y [Global
stabilization of a certain class of nonlinear Systems, Systems
and Control Letters 14 (1990), 17-23 (con R. Surez)].
Los trabajos de Peter han aparecido en las revistas de 11
paises en cinco idiomas: Alemn, Ingls, Francs, Ruso y Es-
paol. Han tenido un fuerte impacto en Rusia, particularmente
en la escuela de control de Mosc e Italia. Su inuencia se ex-
tiende hasta China en donde se han enfocado a retomar el es-
tudio de los conjuntos lmite prolongacionales, introducidos
por Seibert.
Peter fue un viajero incansable. Alguna vez estando en
Caracas, lleg a la conclusin que no se puede entender la
poca actual sin conocer la historia. Entonces se volvi es-
tudioso de la Geografa Fsica y Humana y de la Historia.
Pens que es lamentable, cultivar, durante toda la vida, una
sola potencialidad, en detrimento de todas las dems que uno
pueda poseer. Por eso, adems de sus trabajos en matemti-
cas se ocup de dos aspectos relevantes en la lingistica. Por
un lado la construccin del primer lenguaje completamente
sinttico, WUXI [Cemanhuac 5 (1992)]. Y por otro lado, el
desarroll un mtodo fonemoestadstico para la comparacin
de lenguajes. El sigui escribiendo sobre conjuntos atractores
porque segn l, nada es ms tedioso que la espera.
18 SOCIEDAD MATEMTICA MEXICANA
Ms all de sus actividades cientcas, Peter se dedic en-
tre otras cosas al alpinismo, la fotografa de paisajes y la fo-
tocomposicin.
A partir de diciembre de 1994, tras los acontecimientos
por un lado, de la llamada Guerra del Golfo Prsico inicia-
da con la invasin iraqu a Kuwait el 2 de agosto de 1990,
nombrada en Irak, "La Madre de todas las batallas
2
culmina-
da en 1991. Y por otro lado, los acontecimientos sangrientos
en Chechenia (la primera guerra chechena (1994-1996) y la
segunda guerra chechena (1999-2002) para frenar las tenden-
cias separatistas en la Federacin Rusa y garantizar la varian-
te rusa de los oleoductos que cruzan por el Cucaso. Peter
comez a dibujar en acetatos sus impresiones de estos horro-
rosos acontecimientos mundiales, los cuales posteriormente
fueron digitalizados e impresos. En esto dibujos, predominan
ejercitos de mujeres amazonas con sus cuerpos mutilados em-
puando espadas y lanzas dispuestas al ataque. Por qu plas-
m el cuerpo desnudo de una mujer de esta manera? Porque
estamos viviendo en un mundo en el cual los paises con el
mayor podero militar pueden hacer de la poblacin lo que le
venga en gana. No hay poder humano que los detenga cuando
ellos han decidido aplastar al que afecte sus intereses. De mo-
do que estamos indefensos como parte de esta enorme masa
humana. El cuerpo desnudo de la mujer representa esa inde-
fencin de las grandes masas ante el poder de un estado opre-
sivo. Por qu una mujer? La razn fundamental es porque a
lo largo de toda la Historia en las grandes batallas que han li-
brado hombres contra hombres, quien ha fracazado ha llorado
su derrota en el regazo de una mujer, sea la esposa o la madre.
Su trabajo artstico tuvo varias exhibiciones, incluyendo una
en el Museo Nacional de Culturas Populares de Mxico, de la
ciudad de Mxico.
En sus propias palabras escribi lo siguiente: LA FIGURA
FEMENINA EN UN MUNDO CONFLICTIVO: EL MUNDO
ACTUAL CON LA MSCARA DE LA HIPOCRECA QUITA-
DA. El 26 de abril de 1937 la aviacin facista arras a la
ciudad vasca de Guernica (en vascuence:Gernica), aconte-
cimiento que impuls a Pablo Picasso a crear su Guernica,
obra fundamental que iba a ser la ms famosa de la poca.
En lo que se reere al momento histrico actual, se puede
decir que Gernica"se ha convertido casi en un estado per-
manente. Pinsese solamente en la agresin reciente contra
Lbano (y ataques paralelos contra la franja de Gaza).
El que escribe estas pginas no es un artista por forma-
cin. Pero una persona que siente, igual como el genio es-
paol, una necesidad interna de reaccionar ante eventos ex-
ternos tan iquietantes como los que vive el mundo en estos
tiempos, y por esta razn sinti un deseo imperativo de in-
ventar una tcnica de expresin pictrica propia, y de desa-
rrollar un estilo que se puede llamar realismo simblico",
que le permite expresar sus sentimientos ante dichos acontec-
imientos. No queriendo usar un lenguaje muy directo, para no
caer en un tono demasiado burdo, se le ofreci el camino de
decir cosas valindose de un discurso simblico. Es por eso
que se presenta la necesidad de explicar aqu la simbologa
usada en las imgenes presentadas, para que el espectador
entienda lo que quieren expresar.
Primero Por qu la concentracin en la gura femeni-
na(la cual alude el ttulo)? Las razones son varias. Inuye el
rechazo de los papeles rgidos asignados tardicionalmente a
los sexos, mismo que ya se encuentra en la raz del antiguo
mito de las amazonas las cuales forman uno de los temas de
la exposicin.
En el antiguo mito de las amazonasa se nos presenta el
tipo de la mujer aguerrida que tanto ha motivado a muchos
artistas de diferentes pocas. Por esto hemos elegido a es-
tas mujeres mitolgicas como smbolo de la resistencia de los
pueblos agredidos.
Mujeres amazonas al ataque!
Las amazonas que pelean aqu pelean con armas antiguas
(sobre todo espadas); con esto aludimos al carcter primitivo
de los medios disponibles para los movimientos de resisten-
cia, en comparacin con las armas supersosticadas y su-
perdestructivas de las que disponen sus adversarios. Adems,
ellas luchan desnudas, con lo cual queremos expresar dos
cosas: por una parte, el estado de desproteccin en el que
ellas se encuentran frente al enemigo, y su falta de recursos.
Per tambin, y an ms signicativo, la desnudez simboliza
el espiritu de entrega total a la causa, dejando atrs con la
ropa y el calzado toda reserva que podra disminuir su fervor
combativo.
Las referencias a otras pocas, por ejemplo a la inquisi-
cin, sirven para subrayar las paralelas con los tiempos ac-
tuales; la esencia de las cosas no ha cambiado. Siempre existe
la tendencia de dividir el mundo en bien
2
mal", y siem-
pre dominan los intereses concretos, aunque usen diferentes
disfraces y se sirven de diferentes medios para alcanzar sus
metas. Claro que hoy no hay hogueras, en cambio ciudades
enteras son convertidas en tales (por ejemplo en el caso re-
ciente de la ciudad iraqu de Falluja).
El jueves 31 de julio de 2009, entreg a uno de sus co-
laboradores, un declogo de sus principales contribuciones
matemticas originales: 1. La solucin del problema del Dirich-
let en los casos simples aplicando mapeos conformes (tesis
doctoral, 1949); 2. La aplicacin de grcas valuadas para la
representacin de supercies de Riemann ramicadas sobre
CARTA INFORMATIVA 19
Seibert: Genealoga matemtica, Sala de Seminarios AT-318 Depto. de Matemticas UAM-I, Noviembre 2008.
un nmero innito de puntos (1952); 3. Una forma de cons-
truccin de supercies de Riemann con frontera isomtrica
a un conjunto cerrado dado sobre la esfera (1957); 4. La de-
mostracin de la persistencia de la estabilidad asinttotica ba-
jo perturbaciones usando un argumento de induccin (1958);
5. La robustez de sistemas de control (1959); 6. Las pertur-
baciones prolongacionales ( 1959); 7. El principio general de
reduccin va el umbral.
o
el principio del umbral de Seibert
para la estabilidad en sistemas semidinmicos (1968); 8. Los
cuasiltros (dos relaciones duales) ( 1972-74); 9. Una condi-
cin necesaria y suciente para la existencia de la funcin
de Lyapunov para atractores va el conjunto nal"(1977) y,
nalmente, 10. La bifurcacin de equilibrios inestables o con-
juntos invariantes basado en la persistencia de la inestabilidad
(1984).
Una vez leido este declogo, dijo pensativo que en esto y
ms de doscientas citas de sus trabajos, es lo que resume lo
que haba sido la mayor parte de su vida. Pero, entre todas
estas aportaciones, la que consider como la ms importante
es la del punto 7., y agreg, No siguiendo caminos usuales
descubr vas alternas que me llevaron a cosas nuevas..."
El 13 de agosto de 2009 a la una de la madrugada, se le hi-
zo llegar las memorias del Symposium Internacional de Ecua-
ciones Diferenciales Ordinarias, celebrado en la Ciudad Uni-
versitaria de la UNAM, en septiembre de 1959, al que asisti
en su primera visita a Mxico. Las estuvo solicitando todo
el da anterior con mucha insistencia, para l era muy impor-
tante esa fecha y rememor con elocuencia aqul evento. En
seguida, entreg a uno de sus colaboradores un manuscrito
sobre sistemas semidinmicos en espacios abstractos que es-
tuvo trabajando durante sus ltimos das, para ser concluido
por el grupo de trabajo. Justo a tiempo he terminado lo que
me corresponde", dijo. Das atrs haba comentado que siem-
pre quera romper con ese mito de que un matemtico viejo ya
no era productivo. Clav una extraa mirada, como querien-
do decir algo ms pero se despidi. A las cinco y media de
la madrugada sufri un paro respiratorio. Luego, a las 16:10
horas del mismo da, sucumbi ante esa experiencia sobre la
cual nadie narrar jams: la muerte.
Mxico, D. F., 19 de julio 2010
Antonio Rivera Figueroa y
Luis Aguirre Castillo.
20 SOCIEDAD MATEMTICA MEXICANA
CARTA INFORMATIVA 21
22 SOCIEDAD MATEMTICA MEXICANA
CARTA INFORMATIVA 23
CARTA INFORMATIVA
SOCIEDAD MATEMTICA MEXICANA
Nmero 65,
Publicacin de la
Sociedad Matemtica Mexicana, A.C.
Apartado Postal 70-450,
04510 Mxico, D.F.
Tel. (55) 5747-3800 ext. 6414
smm@smm.org.mx
JUNTA DIRECTIVA
Isidoro Gitler
Presidente
Ernesto Lupercio Lara
Vicepresidente
Gelasio Salazar Anaya
Secretario General
Miguel A. Xicotncatl Merino
Secretario de Actas
Fausto H. Membrillo Hernndez
Tesorero
Gilberto Calvillo Vives
Vocal
Vctor Hugo Ibarra Mercado
Vocal
COMIT EDITORIAL
DE LA CARTA
COLABORADORES
DISEO
Rosa Mara Garca Mndez
Daniel Espinosa Prez
IMPRESIN
S y G editores, SAde CV
Tel. 5617-5610
sygeditores@prodigy.net.mx
sygeditorespress@gmail.com
PORTADA
Palenque, Chiapas
Rosa Mara Garca Mndez
Antonio Rivera Figueroa (Coordinador)
Fernando Galaz Fontes
Gabriel Villa Salvador
Ernesto Lupercio Lara
Vctor Hugo Ibarra Mercado
AVISOS
Julio de 2010
SMM-Fundacin Kovalvskaia
CONVOCATORIA 2010
. Objetivo: Promover la participacin de las mujeres en la
investigacin matemtica en Mxico.
I. Dirigido a:
a) Mujeres mexicanas que realizan estudios de doctorado en
cualquier campo de la matemtica.
b) Mujeres que realizan investigacin en matemticas, que estn
adscritas a una institucin de educacin superior o a una
institucin pblica de investigacin en Mxico, y que
obtuvieron el grado de doctor dentro de los cinco aos previos
a la fecha de emisin de esta convocatoria
II. Caractersticas: Otorgar un apoyo econmico complementario
para:
a) La conclusin del proyecto doctoral y la obtencin del grado.
b) Llevar a cabo un proyecto de investigacin.
Los apoyos sern individuales y no de grupo.
Fecha lmite: 31 de agosto del 2010.
Requisitos e informes: http://www.smm.org.mx