DDE simplificado: herramientas prácticas para una experimentación eficaz
Sobre el Libro
DDE simplificado: herramientas prácticas para una experimentación eficaz (DOE Simplified: Practical Tools for Effective Experimentation, Third Edition) es un libro de 268 páginas escrito por Mark J. Anderson y Patrick J. Whitcomb. Fue publicado en el año 2016 por la editorial Productivity Press en su tercera edición.
Descripción del libro
Al ofrecer un enfoque planificado para determinar la causa y el efecto, DDE simplificado: herramientas prácticas para una experimentación eficaz integra las décadas de experiencia combinada de los autores en la provisión de capacitación, consultoría y herramientas computacionales a experimentadores industriales. Al proporcionar a los lectores los medios estadísticos para analizar cómo interactúan numerosas variables, es ideal para aquellos que buscan avances en la calidad del producto y la eficiencia del proceso a través de la experimentación sistemática.
Siguiendo los pasos de sus predecesores más vendidos, esta edición incorpora un enfoque dinámico para aprender los fundamentos del diseño de experimentos (DDE). Ilumina las complejidades inherentemente secas con interesantes recuadros y anécdotas divertidas.
El libro explica métodos simples para recolectar y mostrar datos y presenta experimentos comparativos para probar hipótesis. Al discutir cómo bloquear las fuentes de variación de su análisis, analiza los diseños factoriales de dos niveles y cubre el análisis de la varianza. También detalla un proceso de planificación de cuatro pasos para diseñar y ejecutar experimentos que toma en consideración el poder estadístico.
Esta edición incluye una revisión importante del software que acompaña al libro (mediante descarga) y prepara el escenario para la introducción de diseños de experimentos donde se puede restringir la aleatorización de uno o más factores difíciles de cambiar. En esta línea, incluye un nuevo capítulo sobre parcelas divididas y agrega cobertura de una serie de desarrollos recientes en el diseño y análisis de experimentos.
Los lectores tienen acceso a estudios de casos, problemas, experimentos prácticos, un glosario de términos y un glosario de símbolos estadísticos, así como una serie de conferencias dinámicas en línea que cubren los primeros capítulos del libro.
Sobre los autores
Mark J. Anderson, PE, CQE, MBA, es director y gerente general de Stat-Ease, Inc. en Minneapolis, Minnesota. Ingeniero químico de profesión, también tiene una diversa experiencia en el desarrollo de procesos (obtención de una patente), garantía de calidad, marketing, compras y gestión general. Antes de unirse a Stat-Ease, encabezó un programa de mejora de la calidad galardonado (que generó millones de dólares en ganancias para un fabricante internacional) y se desempeñó como gerente general de un fabricante de dispositivos médicos. Sus otros logros incluyen una extensa carpeta de artículos publicados sobre diseño de experimentos. Anderson es coautor (con Whitcomb) de RSM Simplified: Optimizing Processes Using Response Surface Methods for Design of Experiments (Productivity Press, 2004).
Patrick J. Whitcomb, PE, MS, es el director fundador y presidente de Stat-Ease, Inc. Antes de comenzar su propio negocio, trabajó como ingeniero químico, gerente de garantía de calidad y gerente de planta. Whitcomb desarrolló el software Design-Ease®, un programa fácil de usar para el diseño de experimentos factoriales generales y de dos niveles, y el software Design-Expert®, un programa de usuario avanzado para superficies de respuesta, mezclas y diseños combinados. Ha brindado consultoría y capacitación sobre la aplicación del diseño de experimentos (DDE) y otros métodos estadísticos durante décadas. En 2013, la Federación de Sociedades de Ingeniería, Ciencia y Tecnología de Minnesota (MFESTS) le otorgó a Whitcomb el Premio al Ingeniero Distinguido Charles W. Britzius por los logros de su vida.
Tabla de contenido
- Estadísticas básicas para DDE.
- Experimentos comparativos simples.
- Diseño factorial de dos niveles.
- Manejo de la no normalidad mediante transformaciones de respuesta.
- Factoriales fraccionales.
- Aprovechar al máximo los diseños de ejecución mínima.
- Factoriales categóricos generales multinivel.
- Diseño de mezclas.
- Regreso a lo básico: las claves para un buen DDE.
- Diseños de parcelas divididas para adaptarse a factores difíciles de cambiar.
- Experimentos de práctica.
Capítulo 1: Estadísticas básicas para DDE
Una cosa parece segura: que no existe nada seguro.
Plinio el Viejo, erudito romano (CE 23-79)
Las estadísticas significan no tener que decir nunca que está seguro.
Lema en la camisa vendida por el estadounidense
Asociación de estadística (ASA)
La mayoría de los profesionales técnicos expresan una mezcla de miedo, frustración y molestia cuando se enfrentan a las estadísticas. Es difícil incluso pronunciar la palabra, y muchas personas, particularmente después de soportar la típica conferencia universitaria sobre el tema, prefieren llamarla "sádica" Estadística, sin embargo, no son malvados. Son realmente muy útiles, especialmente para el diseño de experimentos (DDE). En este capítulo, presentamos estadísticas básicas de una manera que resalta las ventajas de usarlas.
Las estadísticas proporcionan una forma de extraer información de los datos. Aparecen en todas partes, no solo en artículos científicos y charlas, sino en las noticias cotidianas sobre avances médicos, el clima y los deportes. Cuanto más sepa sobre estadísticas, mejor, porque pueden ser fácilmente abusadas y abusadas deliberadamente.
Imagine a un colega técnico que le llama para darle un informe sobre un experimento. No tendría sentido que su colega leyera todas las mediciones; en su lugar, esperaría un resumen del resultado general. Una pregunta obvia sería cómo salieron las cosas en promedio. Entonces probablemente pregunte acerca de la cantidad y variabilidad de los resultados para poder desarrollar cierto grado de confianza en los datos. Suponiendo que el experimento tiene un propósito, en última instancia, debe decidir si acepta o rechaza los hallazgos. Las estadísticas son muy útiles en casos como este; no solo como herramienta para resumir, sino también para calcular los riesgos de su decisión.
Ir directamente a la cárcel
Al tomar una decisión sobre un resultado experimental, minimice dos tipos de errores:
- Tipo 1: Decir que algo sucedió cuando realmente no sucedió (una falsa alarma. A menudo se lo conoce como riesgo alfa (0). Por ejemplo, una alarma de incendio en su cocina suena cada vez que hace una tostada.
- Tipo II: No descubrir que algo sucedió realmente (falta de alarma). Esto a menudo se conoce como riesgo beta (B). Por ejemplo, después de muchas falsas alarmas del detector de incendios de la cocina, retira la batería. Luego, un trozo de pan se atasca en la tostadora y enciende un fuego.
El siguiente cuadro muestra cómo puede salir mal, pero también permite la posibilidad de que esté en lo cierto:
La siguiente historia ilustra un error de tipo 1. ¡Solo espero que no te pase a ti!:
Un conductor somnoliento se detuvo a un lado de la carretera para tomar una siesta.
Un patrullero se detuvo y registró el vehículo. Encontró una sustancia en polvo, que se pensó que era una droga ilegal, por lo que arrestó al conductor. El conductor protestó que esto fue un terrible error, que la bolsa contenía las cenizas de su abuela cremadas. Las pruebas de detección iniciales dieron un resultado positivo para un medicamento específico. El conductor pasó un mes en la cárcel antes de que las pruebas posteriores confirmaran que la sustancia realmente era cenizas y no una droga. Para empeorar las cosas, la mayoría de las cenizas de la abuela fueron consumidas por las pruebas. El conductor presentó una demanda por daños no especificados. (Extraído de una historia con derechos de autor en 1998 por el San Antonio Express-Newus.)
Cursos recomendados
%252FImagen%252Frami-1777913458272.png%3Falt%3Dmedia%26token%3Ded5a8ad2-d2af-4419-bd23-c8e9b61985d3&w=3840&q=75)
%2520para%2520evaluar%2520la%2520gesti%25C3%25B3n%2520del%2520mantenimiento%252FImagen%252Fss-1733758540053.png%3Falt%3Dmedia%26token%3D47b767f7-ea54-48eb-b001-3ada0bb6cbdc&w=3840&q=75)
Los factores "X"
Supongamos que es responsable de algún tipo de sistema, como:
- Simulación por computadora.
- Instrumento analítico.
- Proceso de fabricación.
- Componente en un producto ensamblado.
- Cualquier tipo de "cosa" fabricada o procesada.
Además, el sistema podría estar relacionado con las personas, como un proceso de facturación o la forma en que una empresa comercializa sus productos mediante el diseño de una página web de Internet o la pantalla del punto de compra. Para mantener el ejemplo genérico, considere el sistema como una caja negra, que se verá afectada por varios factores controlables. Estas son las entradas. Pueden ser numéricos (por ejemplo, temperatura) o categóricos (por ejemplo, proveedor de materia prima). En cualquier caso, usaremos la letra “X” para representar las variables de entrada.
Presumiblemente, puede medir los resultados o las respuestas al menos de forma semicuantitativa. Para calcular estadísticas, al menos debe establecer una calificación numérica, incluso si es solo una escala de 1 a 5. Usaremos la letra “Y” como símbolo para las respuestas.
Desafortunadamente, siempre encontrará variables, como la temperatura ambiente y la humedad, que no se pueden controlar fácilmente o, en algunos casos, incluso identificar. Estas variables no controladas están etiquetadas como "Z". Pueden ser una causa importante de variabilidad en las respuestas.
Referencias
Dinos qué te ha parecido el artículo
Artículos recomendados
Fórmulas de Roark para la tensión y el esfuerzo
Análisis de costos de garantía
8.- Flujo Mínimo
Pronóstico y gestión de la salud de los sistemas de ingeniería: Una introducción
Publica tu artículo en la revista #1 de Mantenimiento Industrial
Publicar un artículo en la revista es gratis, no tiene costo.
Solo debes asegurarte que no sea un artículo comercial.
¿Qué esperas?
O envía tu artículo directo: articulos@predictiva21.com
