El diseño de experimentos tiene importantes beneficios. Puede utilizarse en diversas situaciones y permite manipular de forma efectiva múltiples factores de entrada para determinar su efecto sobre una respuesta deseada. También identifica interacciones importantes que pueden pasarse por alto cuando se experimenta con un solo factor a la vez.
La fase de planificación de un DOE es crucial para el éxito. Con frecuencia, los DOE no se concretan debido a obstáculos que se descubren en la fase de planificación. Por ejemplo, los DOE que parecen ser demasiado costosos o complicados, o a los que les falta información clave, suelen desecharse antes de siquiera darles la oportunidad de demostrar si funcionan. Por suerte, la analítica predictiva avanzada es una potente herramienta a la que se puede acceder y que puede ayudar a eliminar los obstáculos para crear un DOE o incluso mejorar sus posibilidades de éxito.
Problema 1: Usted desea realizar un diseño de cribado, pero no puede detener un sistema (o proceso) para recopilar datos o la recopilación de datos es muy costosa.
Los profesionales utilizan los diseños de experimentos de cribado (DOE de cribado) para identificar las variables más importantes de un proceso partiendo de un conjunto de muchas variables potenciales. Estos DOE permiten reducir el tamaño del experimento, lo que ahorra tiempo y dinero. Esto resulta relevante sobre todo si los datos son difíciles de obtener o si son costosos.
¿Qué pasa cuando no se puede detener un sistema o proceso para realizar un experimento de cribado? ¿O si la recopilación de datos para el cribado es tan costosa que resulta difícil de justificar?
Solución 1: La analítica predictiva puede ayudarle a identificar fácilmente las variables más importantes.
No tema, ¡la analítica predictiva ya está aquí! Al analizar los datos de su sistema o proceso, puede aprovechar su algoritmo de aprendizaje de máquina favorito o ejecutar un aprendizaje de máquina automatizado para identificar los predictores que potencialmente tendrán mayor impacto en su respuesta. Minitab hace que esto sea fácil con nuestra gráfica de importancia relativa de las variables, creada específicamente para ayudarle a identificar las variables más importantes.
Problema 2: Usted desea realizar un experimento diseñado, pero no está seguro de cuál es el rango adecuado (es decir, los límites superior e inferior) para sus factores (es decir, los niveles).
Cuando se realizan DOE, los experimentos se ejecutan con diferentes valores de los factores, que se denominan niveles. Estos niveles son las variables independientes para las que medimos una respuesta, que tradicionalmente llamamos variable dependiente. Por ejemplo, si está intentando optimizar la velocidad de un equipo, tiene que establecer los límites de la velocidad más alta y la velocidad más baja para definir un rango de velocidades para optimizar su proceso. Otro ejemplo podría ser la temperatura de un horno para hornear un pastel. Con base en su experiencia, puede que sepa que a menos de 300F el pastel no se horneará y que a 400F se quemará, así que puede establecer sus límites. Pero, ¿y si nunca ha horneado un pastel? ¿O si tiene un artefacto nuevo y no sabe dónde fijar los límites?
Solución 2: La analítica predictiva genera visualizaciones para ayudarle a establecer límites razonables.
Cuando ejecute la analítica predictiva de Minitab, creará visualizaciones que demuestran el efecto que una o varias variables tienen sobre el resultado previsto. Para predecir resultados, el propósito de estas gráficas es destacar si la relación entre la respuesta y una variable es lineal, monótona o más compleja. Estas visualizaciones también son muy útiles para los DOE.
En el ejemplo anterior, supongamos que está intentando realizar un experimento que optimice la resistencia. Probablemente sepa que existe una relación entre la temperatura del molde y la resistencia, pero también es consciente de que poner la máquina a la temperatura más alta podría tener efectos adversos como el sobrecalentamiento o el aumento innecesario del costo de producción. También sabe que puede haber interacciones con otras variables del experimento (por ejemplo, la presión). Si observa la gráfica, se dará cuenta de que una temperatura superior a 1200 produce un aumento marginal de la resistencia. Para su experimento diseñado, puede establecer los niveles de temperatura del molde en 1000 y 1200 para realizar un experimento en el que el objetivo sea maximizar la resistencia. Sin embargo, si el objetivo fuera minimizar la resistencia, se puede ver en la gráfica que sería más razonable realizar las pruebas a un rango inferior de temperaturas del molde.
La analítica predictiva es solo una de las muchas herramientas que se pueden usar en combinación con los DOE.
Los DOE son herramientas fundamentales para muchos profesionales y no deberían emplearse de forma aislada. Como ya se dijo, la planificación es fundamental para el éxito de un DOE, razón por la cual Minitab creó una hoja de trabajo llamada Planificación de DOE creada específicamente para ayudar en el proceso de planificación. Si no está familiarizado con los DOE o si simplemente desea mejorar sus habilidades, Minitab le ofrece el soporte, los recursos, y las soluciones que le ayudarán a tener éxito.
¿Querer aprender más? Conéctese con nosotros hoy.
