Curso de Diseño Personalizado de ExperimentosNos complace presentarles este curso gratuito de aprendizaje electrónico sobre Diseño Personalizado de Experimentos . Este curso se centra en los principios fundamentales del diseño de experimentos, permitiéndoles comprenderlos y aplicarlos para lograr un diseño óptimo utilizando la plataforma de Diseño Personalizado de JMP.
El diseño personalizado es un enfoque para diseñar experimentos que produce diseños óptimos para el problema que se intenta resolver, ya sea identificando efectos importantes o intentando optimizar una o más respuestas. Además de aprender sobre el diseño personalizado en JMP, explorará conceptos clave de diseño, como el tamaño y la potencia de la muestra, el balance, la elección de rangos de factores, el bloqueo y la evaluación del diseño. Este curso está dirigido a cualquier persona que trabaje en descubrimiento, investigación, desarrollo y control o garantía de calidad.
Las demostraciones de este curso se grabaron en JMP 14. Si utiliza JMP 15 o una versión posterior, podría notar algunos cambios en la interfaz, como elementos de menú u opciones adicionales en los diálogos. Estos cambios no afectan el contenido del curso ni deberían afectar su capacidad para seguirlo. Puede ir a Ayuda > Nuevas funciones para ver un PDF con las nuevas funciones y mejoras.
Descargue el archivo del curso (custom-design-of-experiments.zip) en la parte superior de la página para usarlo en el curso.
Envíe cualquier comentario sobre el curso a Ruth.Hummel@jmp.com con el título “Comentarios sobre el curso personalizado de DOE”.
Diseño de experimentosRe: Curso de Diseño Personalizado de ExperimentosTratando de entender el razonamiento detrás del coeficiente del proveedor que es 10.
Re: Curso de Diseño Personalizado de ExperimentosHola @iKnowVeryLittle , ¡gracias por tu pregunta! En este ejemplo, queremos saber la potencia de nuestro experimento para detectar un cambio en la carga de rotura de 30 libras (el promedio para Acme) a 50 libras (la carga de rotura mínima requerida). Por lo tanto, buscamos un efecto de 20 libras. El coeficiente previsto para el análisis de potencia se ingresa como la mitad del tamaño del efecto esperado, por lo que aquí es 10. El video "Invariancia de escala" en la sección "Prueba de un factor continuo" explica esto en el contexto de los factores continuos, pero también se aplica a Proveedor, ya que solo hay dos niveles.
Re: Curso de Diseño Personalizado de ExperimentosHola Mónica,
Al realizar un DOE personalizado, digamos que pasamos por una primera ronda de experimentos y obtenemos un conjunto de condiciones previstas que se supone que cumplen con el resultado deseado (asumiendo varios factores en el DOE).
Si queremos seguir optimizando aún más las condiciones, ¿deberíamos ingresar las condiciones previstas con nuevos rangos para los factores, acotando los previstos en la primera ronda?
Supongo que eso es lo que querías decir con restablecer después de cada ronda, pero quería asegurarme. Supongo que hay condiciones que se pueden optimizar aún más (estoy trabajando en la optimización de los métodos ELISA).
Muchas gracias por tu respuesta.
Atentamente,
Juan (se menos que la persona anterior)
Re: Curso de Diseño Personalizado de ExperimentosHola @JCabreraLuque . Bienvenido a la comunidad de JMP. Menciono a @monica_beals en una copia de tu publicación. Al hacer eso, te asegurarás de que ella la vea:
Hola Mónica,
Al realizar un DOE personalizado, digamos que pasamos por una primera ronda de experimentos y obtenemos un conjunto de condiciones previstas que se supone que cumplen con el resultado deseado (asumiendo varios factores en el DOE).
Si queremos seguir optimizando aún más las condiciones, ¿deberíamos ingresar las condiciones previstas con nuevos rangos para los factores, acotando los previstos en la primera ronda?
Supongo que eso es lo que querías decir con restablecer después de cada ronda, pero quería asegurarme. Supongo que hay condiciones que se pueden optimizar aún más (estoy trabajando en la optimización de los métodos ELISA).
Muchas gracias por tu respuesta.
Atentamente,
Juan (se menos que la persona anterior)
Re: Curso de Diseño Personalizado de ExperimentosHola @JCabreraLuque , ¡gracias por tu pregunta!
En términos generales (y suponiendo que haya realizado algunos experimentos confirmatorios para verificar que esas configuraciones están produciendo los resultados previstos), un siguiente paso común para la mejora del proceso es realizar experimentos posteriores con nuevos rangos de factores centrados en las configuraciones óptimas que encontró anteriormente. Es posible que tenga sentido reducir los rangos de factores en ese escenario, de modo que no realice ejecuciones en regiones del espacio de diseño que no produzcan resultados óptimos. Una salvedad es que si su óptimo previsto está cerca del borde del espacio de diseño original, es posible que reducir los rangos de factores pase por alto un comportamiento importante.
(La cuestión de restablecer las condiciones después de cada ejecución es un componente de la aleatorización en un experimento. En cualquier experimento dado, los factores deben restablecerse desde las mismas condiciones iniciales antes de cada ejecución. Cuando eso no es posible, diseñamos experimentos de parcelas divididas).
Mónica
Re: Curso de Diseño Personalizado de ExperimentosMuchas gracias Mónica y Gail por vuestra ayuda.
Eso es lo que pensé que debía hacer.
Gran curso, muy útil.
Re: Curso de Diseño Personalizado de Experimentos@monica_beals Parece que en el capítulo 4 de la revista faltan los detalles de los 7 factores experimentales. Desconocemos sus valores para usar en el diseño de los experimentos, y la revista no incluye una entrada para el "Experimento de Diseño de Sello de Puerta", como se sugiere. ¿Podría actualizarse la revista para incluir esta información?
Re: Curso de Diseño Personalizado de ExperimentosHola @Fizzix96 , escribí una respuesta inicial, pero luego me di cuenta de que hay un problema adicional con el diario. Subiré una nueva versión en cuanto lo solucione. Estén atentos.:)
Re: Curso de Diseño Personalizado de Experimentos...
