Main Content

La traducción de esta página está obsoleta. Haga clic aquí para ver la última versión en inglés.

Diseño de experimentos (DOE, por sus siglas en inglés)

Planificación de experimentos con recopilación de datos sistemática

La recopilación de datos pasiva conlleva una serie de problemas en el modelado estadístico. Los cambios observados en una variable de respuesta pueden correlacionarse con los cambios observados en factores individuales (variables de procesos), pero no estar causados por estos. Los cambios simultáneos en varios de los factores pueden producir interacciones difíciles de separar en efectos individuales. Las observaciones pueden ser dependientes, aunque un modelo de los datos las considere independientes.

Los experimentos diseñados abordan estos problemas. En un experimento diseñado, el proceso de producción de datos se manipula de forma activa para mejorar la calidad de la información y eliminar los datos redundantes. Un objetivo común de todos los diseños experimentales es recopilar datos de la forma más parsimoniosa posible al tiempo que se aporta información suficiente para calcular con precisión los parámetros de los modelos.

Funciones

expandir todo

ff2nTwo-level full factorial design
fullfactFull factorial design
fracfactFractional factorial design
fracfactgenFractional factorial design generators
bbdesignBox-Behnken design
ccdesignCentral composite design
candexchD-optimal design from candidate set using row exchanges
candgenCandidate set generation
cordexchCoordinate exchange
daugmentD-optimal augmentation
dcovaryD-optimal design with fixed covariates
rowexchRow exchange
rsmdemoInteractive response surface demonstration
lhsdesignLatin hypercube sample
lhsnormLatin hypercube sample from normal distribution
haltonsetHalton quasirandom point set
qrandstreamConstruct quasi-random number stream
sobolsetSobol quasirandom point set
interactionplotInteraction plot for grouped data
maineffectsplotMain effects plot for grouped data
multivarichartMultivari chart for grouped data
rsmdemoInteractive response surface demonstration
rstoolInteractive response surface modeling

Temas

Full Factorial Designs

Designs for all treatments

Fractional Factorial Designs

Designs for selected treatments

Response Surface Designs

Quadratic polynomial models

Improve an Engine Cooling Fan Using Design for Six Sigma Techniques

This example shows how to improve the performance of an engine cooling fan through a Design for Six Sigma approach using Define, Measure, Analyze, Improve, and Control (DMAIC).

D-Optimal Designs

Minimum variance parameter estimates