Por Joshua Zable

El Diseño de Experimentos o DOE aporta beneficios significativos. Pueden ser utilizados en una gran variedad de situaciones y permiten efectivamente manipular múltiples factores de entrada para determinar su efecto en una respuesta deseada. También identifican interacciones importantes que podrían perderse cuando se experimenta con un factor cada vez.

La fase de planificación de un DOE es crucial para el éxito. Los DOE a menudo se detienen en seco debido a los obstáculos descubiertos en la fase de planificación. Por ejemplo, los DOE que parecen demasiado costosos o complicados o que carecen de información clave a menudo se descartan antes de que se les dé la oportunidad de funcionar. Afortunadamente, el análisis predictivo avanzado es una potente herramienta que es accesible y puede ayudar a eliminar los obstáculos para crear un DOE o incluso mejorar sus posibilidades de éxito.

PROBLEMA 1: SE DESEA EJECUTAR UN DISEÑO DE DETECCIÓN, PERO NO PUEDE DETENER UN SISTEMA (O PROCESO) PARA EJECUTAR LA RECOPILACIÓN DE DATOS O LA RECOPILACIÓN DE DATOS ES MUY COSTOSA.

Los diseños de detección de experimentos (Screening DOE) son utilizados por los profesionales para identificar las variables más imporantes en un proceso de un campo de muchas variables potenciales. Permiten a un profesional reducir el tamaño del experimento, lo que ahorra tiempo y dinero. Esto es especialmente cierto si los datos son difíciles o costosos de adquirir.

¿Qué sucede cuando no se puede detener un sistema o proceso para ejecutar un experimento de detección? ¿O si recopilar puntos de datos para la detección es tan costoso que hace que sea difícil justificarlo?

Solución 1. El análisis predictivo puede ayudar a identificar fácilmente las variables más importantes

¡No hay que temer, el análisis predictivo está aquí! Al analizar los datos del sistema o proceso, se puede aprovechar el algoritmo de aprendizaje automático favorito o ejecutar el aprendizaje automático automatizado para identificar los predictores potencialmente impactantes para la respuesta. Minitab simplifica esto a través de la tabla de importancia relativa de variables creada específicamente para ayudar a identificar las variables más importantes.

PROBLEMA 2: SE DESEA EJECUTAR UN EXPERIMENTO DISEÑADO, PERO NO SE ESTÁ SEGURO DEL RANGO ADECUADO (ES DECIR, LÍMITES SUPERIOR E INFERIOR) PARA LOS FACTORES (ES DECIR, NIVELES).

Cuando se ejecutan DOE, los experimentos se ejecutan en diferentes valores de factores, llamados niveles. Es decir estos niveles son las variables independientes para las que se mide una respuesta, que tradicionalmente se llama su variable dependiente. Por ejemplo, si se está tratando de optimizar la velocidad de un equipo, deben establecerse los límites de la velocidad más alta y más baja para crear un rango de velocidades para optimizar el proceso. Otro ejemplo podría ser la temperatura de un horno si se está horneando un pastel. Según la experiencia, puede saberse que por debajo de 150ºC no se horneará el pastel y a 200ºC se quemará, por lo que pueden establecerse sus límites. Pero, ¿y si nunca se ha horneado un pastel antes? ¿O qué sucede si se tiene una máquina nueva y no se sabe dónde establecer sus límites?

Solución 2: El análisis predictivo proporciona visualizaciones que ayudan a establecer límites razonables.

Cuando se corre el análisis predictivo de Minitab, se generarán visualizaciones que muestran el efecto que tienen una o varias variables en el resultado previsto. Para predecir resultados, el propósito de estos gráficos es resaltar si la relación entre la respuesta y una variable es lineal, monótona o más compleja. Estas visualizaciones también son extremadamente útiles para DOEs.

En el ejemplo anterior, supongamos que se intenta ejecutar un experimento que optimiza la resistencia. Es posible que se entienda que existe una relación entre la temperatura del molde y la resistencia, pero también que se sepa que el simple hecho de girar la máquina a la temperatura más alta podría tener efectos adversos como el sobrecalentamiento o el aumento innecesario del coste de producción. También se sabe que pueden haber interacciones con otras variables en el experimento (p. ej., presión). Al mirar el gráfico, se obtiene una idea de que la temperatura por encima de 1200 da como resultado aumentos marginales en la resistencia. Para el experimento diseñado, pueden establecerse los niveles de temperatura del molde en 1000 y 1200 para ejecutar un experimento donde el objetivo es maximizar la resistencia. Sin embargo, si el objetivo era minimizar la resistencia, puede ver en el gráfico que sería más razonable realizar pruebas en un rango más bajo de temperaturas del molde.

El análisis predictivo es solo una de las muchas herramientas que van de la mano de los DOE.

Los DOE son herramientas críticas para muchos profesionales y no deben vivir en un silo. Como se mencionó, la planificación es fundamental para el éxito de un DOE, razón por la cual Minitab creó una Hoja de trabajo de planificación del DOE creada específicamente para ayudar en el proceso de planificación. Si se es nuevo en DOE o simplemente se busca mejorar un conjunto de habilidades, Minitab proporciona el soporte, los recursos y las soluciones para ayudarlo en su camino.