- Detalles
- Categoría: Maple
- Visto: 773
Prueba otro, y otro más: el generador de problemas de práctica de Maple es mejor que nunca, para que los estudiantes puedan seguir practicando con problemas similares en aún más áreas de las matemáticas, hasta que se sientan seguros. ¡Y mucho más!
|
|
Maple 2026 refuerza su apoyo a la enseñanza y el aprendizaje de las matemáticas con herramientas mejoradas que ayudan a los estudiantes a desarrollar su comprensión a través de la retroalimentación, la práctica y las soluciones guiadas.
|
- Detalles
- Categoría: Minitab
- Visto: 787
Por Oliver Franz.
Los entornos de investigación y desarrollo suelen operar con incertidumbre.
Es posible que el comportamiento de los materiales no se comprenda del todo. Las interacciones entre variables pueden ser no lineales. Los presupuestos experimentales y las cantidades de material suelen ser limitados. La experimentación no estructurada ralentiza el aprendizaje.
El diseño moderno de experimentos (DOE, por sus siglas en inglés) permite a los equipos de investigación extraer la máxima información de un número limitado de ensayos, al tiempo que construyen modelos predictivos en una etapa más temprana del ciclo de desarrollo.
Minitab DOE by Effex, ahora parte de Minitab, se centra en mejorar la eficiencia experimental y el desarrollo de modelos para trabajos exploratorios.
Aquí presentamos tres maneras en que los equipos de I+D pueden fortalecer su enfoque de diseño de experimentos (DOE) y acelerar el aprendizaje.
1. En las primeras etapas, el Diseño de Experimentos debería priorizar la densidad de información.
Los diseños factoriales completos no siempre son factibles en entornos de investigación.
Minitab DOE by Effex permite evaluar diseños basados en modelos eficientes en términos de D-, A- e I- (Determinación, Promedio e Integración), que priorizan la ganancia de información en relación con el número de experimentos. Los diseños de superficie de respuesta adaptativa de OMARS refinan iterativamente el espacio del modelo para mejorar la estimación de la curvatura y los efectos de interacción con menos experimentos. Para los equipos que trabajan con un suministro limitado de materiales o largos tiempos de preparación, maximizar la información por ejecución acorta los ciclos de descubrimiento, lo que significa que los equipos pueden llegar a conclusiones fiables más rápidamente con menos experimentos.
2. El desarrollo del modelo debe comenzar pronto.
En la investigación, comprender el comportamiento del sistema es más importante que identificar efectos principales aislados.
Minitab DOE by Effex integra el modelado de regresión, la metodología de superficie de respuesta, la visualización de contornos y los perfiles de predicción en un único flujo de trabajo. Esto permite a los equipos:
- Cuantificar los efectos no lineales
- Explorar estructuras de interacción
- Identificar regiones prometedoras dentro del espacio de diseño
La creación temprana de modelos predictivos permite realizar experimentos de seguimiento más específicos, en lugar de pruebas exploratorias de ensayo y error, de modo que los equipos pueden centrar sus recursos en las direcciones más prometedoras.
3. La optimización multiobjetivo refleja las limitaciones reales del desarrollo.
Los objetivos de la investigación suelen incluir consideraciones sobre rendimiento, estabilidad, escalabilidad y costes.
Minitab DOE by Effex admite la optimización de múltiples respuestas, lo que permite a los equipos definir umbrales de rendimiento aceptables y evaluar combinaciones de factores que satisfagan múltiples criterios simultáneamente.
En lugar de identificar un único punto óptimo que puede no ser escalable, los equipos pueden identificar regiones sólidas dentro del espacio de diseño que respalden el desarrollo posterior.
Esto ayuda a los equipos a evitar costosos retrabajos al pasar de experimentos a escala de laboratorio a la producción en el mundo real.
¿Cuándo deberían los equipos de I+D reforzar su enfoque de diseño de experimentos (DOE)?
Si su equipo está:
- Realizando experimentos exploratorios sin modelado estructurado.
- Limitado por el material o la capacidad de prueba.
- Repitiendo estudios debido a resultados poco claros o inconsistentes.
- Luchando para transformar los hallazgos en diseños escalables.
…el diseño estructurado de experimentos puede mejorar tanto la velocidad de aprendizaje como la fiabilidad del modelo.
Minitab DOE by Effex admite flujos de trabajo avanzados de diseño de experimentos (DOE) dentro del ecosistema más amplio de Minitab, lo que ayuda a los equipos de I+D a pasar de la exploración a la información predictiva con mayor eficiencia.
- Detalles
- Categoría: Systat Software
- Visto: 740
Qué es un gráfico de violín (Violin Plot)Un gráfico violín es una visualización híbrida que combina las funcionalidades de un gráfico de cajas (box plot) con un gráfico de densidad de núcleo (kernel density plot). Mientras que un gráfico de cajas tradicional muestra un resumen de estadísticos como la mediana, los cuartiles y valores atípicos, un gráfico de violín va un paso más allá para revelar la distribución completa de los datos. ¿El resultado? una forma que parece un violín, secciones más anchas indican una mayor concentración de puntos, mientras que las secciones más estrechas representan menos observaciones. |
|
¿Por qué utilizar gráficos de violín?
Los gráficos de violín son particularmente útiles cuando se desea:
| 1. Comprender la distribución de los datos | 2. Comparar múltiples grupos | 3. Revelar patrones escondidos |
Gráficos de violín vs gráficos de cajas
| Características | Gráfico de cajas | Gráfico de violín |
| Muestra la mediana | ✓ | ✓ |
| Muestra los cuartiles | ✓ | ✓ |
| Muestra la forma de la distribución | ✗ | ✓ |
| Identifica datos multimodales | ✗ | ✓ |
¿Cuándo debería utilizarlo?
- Investigación científica y datos experimentales
- Comparación de datos financieros
- Análisis de control de calidad
- Cualquier conjunto de datos donde entender la forma de la distribución es crítico
- Detalles
- Categoría: BIOVIA
- Visto: 575
Un reciente artículo publicado en Current Opinion in Colloid & Interface Science analiza en detalle esta evolución, destacando el crecimiento del uso de COSMO-RS en formulación y su papel clave en el desarrollo de soluciones más sostenibles. El trabajo revisa aplicaciones en alimentación y otros sectores como la cosmética y las fragancias, mostrando cómo estas herramientas están ganando protagonismo en entornos industriales. Si quieres profundizar en esta tendencia y ver ejemplos concretos, puedes consultar el estudio completo.
Una tendencia que no deja de crecer
Durante la última década, el uso de métodos predictivos como COSMO-RS ha experimentado un crecimiento sostenido, especialmente en áreas donde comprender el comportamiento de mezclas complejas es clave. No se trata solo de una evolución tecnológica, sino de un cambio de mentalidad: pasar de “probar hasta que funcione” a “predecir antes de formular”.
Este enfoque permite anticipar propiedades críticas como:
- solubilidad
- coeficientes de partición
- volatilidad
- afinidad entre ingredientes
El gran motor: la sostenibilidad
Uno de los principales impulsores de este cambio es la necesidad de encontrar alternativas más sostenibles. La sustitución de disolventes tradicionales por opciones más seguras, biodegradables o de origen bio-based se ha convertido en una prioridad en sectores como:
- cosmética
- alimentación
- química de consumo
El resultado es doblemente positivo:
- reducción de costes y tiempo de desarrollo
- disminución del impacto ambiental asociado a pruebas experimentales
De la predicción a la aplicación real
Más allá de la teoría, las aplicaciones prácticas son cada vez más amplias. Entre los casos más relevantes destacan:- diseño de sistemas de extracción más eficientes
- mejora de la solubilización de activos
- optimización de perfiles sensoriales en fragancias y alimentos
- evaluación de compatibilidad entre ingredientes
Un cambio clave para la industria
La incorporación de herramientas predictivas en los procesos de formulación está transformando la manera en que las empresas innovan. Ya no se trata solo de desarrollar productos que funcionen, sino de hacerlo más rápido, con menos recursos y cumpliendo con criterios cada vez más exigentes.En este nuevo escenario, las compañías que integran modelización molecular en sus flujos de trabajo parten con una ventaja clara: son capaces de tomar decisiones mejor informadas desde las primeras fases del desarrollo.
Mirando al futuro
En un entorno donde la innovación ya no es solo cuestión de recursos, sino de enfoque, la capacidad de anticiparse marca la diferencia. Apostar por la modelización no es únicamente incorporar una nueva herramienta, sino adoptar una forma distinta de entender la formulación: más eficiente, más sostenible y, sobre todo, más inteligente. Porque en la industria actual, no gana quien más prueba, sino quien mejor predice.
- Detalles
- Categoría: Maple
- Visto: 781
Cree sus gráficos a su manera: dele a todos sus gráficos un aspecto uniforme y personalizado, fácilmente, con los nuevos temas de trazado.
|
|
Maple 2026 introduce una compatibilidad mejorada con estilos de trazado reutilizables mediante una nueva opción de tema. Maple siempre ha ofrecido un amplio control sobre las opciones de trazado, pero lograr un estilo visual personalizado normalmente requiere especificar múltiples configuraciones. El nuevo mecanismo de temas permite agrupar y reutilizar combinaciones de opciones de uso común, simplificando la creación de visualizaciones con formato uniforme. Con los temas, puede definir el aspecto deseado una sola vez y aplicarlo a varios gráficos con una sola opción. Esto facilita mantener la coherencia visual en hojas de cálculo, materiales didácticos, informes y publicaciones, al tiempo que permite modificar las opciones de trazado individuales cuando sea necesario. Maple 2026 incluye varios temas integrados que se pueden examinar y personalizar, o bien, puede crear fácilmente los suyos propios. |
Análisis “Material Sweep” en COMSOL Multiphysics®: simula múltiples materiales en una sola ejecución
- Detalles
- Categoría: Comsol
- Visto: 601
El “Material Sweep” es una herramienta de parametrización que evalúa automáticamente el comportamiento de un modelo bajo distintos materiales sin modificar la geometría ni relanzar el solver por separado. Se configura desde el nodo “Parametric Sweep” seleccionando el material como variable, y COMSOL Multiphysics® resuelve el modelo para cada opción almacenando todos los resultados en un único conjunto de datos.
Este tipo de estudio es especialmente útil en selección de material óptimo, por ejemplo, comparando tensiones, desplazamientos o temperaturas máximas, en análisis de sensibilidad ante variaciones de propiedades y en fases tempranas de diseño conceptual cuando el material aún no está definido. También resulta práctico para verificar si varios candidatos cumplen criterios normativos de fallo.
La Figura 1 muestra cómo configurar un estudio “Material Sweep” en COMSOL Multiphysics® paso a paso:
- Seleccionamos el “Material Switch” desde el nodo de materiales del componente con el que estamos trabajando en el Model Builder.
- Añadimos los materiales que deseemos estudiar al “Material Switch” creado anteriormente.
- Tras seleccionar los materiales que se estudiarán en el estudio paramétrico, los añadimos el “Material Switch”.
- Desde el nodo “Study” >> “More study extensions”, añadimos un “Material Sweep”.
- Finalmente configuramos el estudio paramétrico de materiales, seleccionando las combinaciones que queremos explorar.
- Ejecutamos las simulaciones.
Consejo: combínalo con “Global Evaluation” en los resultados para obtener una tabla comparativa directa de material vs. variable de interés. Ruta: Results → Derived Values → Global Evaluation, seleccionando el dataset del barrido.
Figura 1. Configuración de “Material Sweep” en COMSOL Multiphysics® en el ejemplo clásico de una barra colectora para unir circuitos eléctricos.
- Detalles
- Categoría: Minitab
- Visto: 772
Por Oliver Franz.
Dispone de un número limitado de prototipos, tiempo de validación limitado, acceso limitado al laboratorio y recursos de ingeniería limitados. Cada experimento debe generar información valiosa que impulse el diseño.
En la ingeniería de producto, se busca un equilibrio entre resistencia, peso, durabilidad, rendimiento térmico, tolerancias, objetivos de costo y facilidad de fabricación. Pequeñas variaciones en los parámetros pueden tener repercusiones en todos los requisitos de rendimiento.
La cuestión no es si la experimentación importa, sino si el diseño de experimentos (DOE) está estructurado para revelar efectos de interacción, comportamiento no lineal y rutas de optimización significativas antes de comprometerse con una nueva compilación.
Minitab DOE de Effex, ahora parte de Minitab, se centra en fortalecer las etapas de diseño, modelado y optimización del DOE para que los equipos de ingeniería puedan generar conclusiones sólidas con menos iteraciones.
Aquí presentamos tres consideraciones prácticas para los equipos de ingeniería de producto.
1. La resolución experimental determina si se observan interacciones.
En los sistemas de productos complejos, los efectos principales rara vez explican la historia completa.
Por ejemplo, el espesor de la pared interactúa con la selección del material, la geometría con la exposición a la temperatura y las condiciones de carga con las tolerancias de ensamblaje, lo cual no se puede revelar de manera confiable mediante pruebas que analizan un factor a la vez.
El diseño de experimentos (DOE) moderno de Effex permite evaluar diseños candidatos basándose en las correlaciones entre los efectos antes de realizar un solo ensayo. De esta forma, se obtiene una visión clara de lo que se puede estimar antes de llevar a cabo el experimento.
También incluye diseños OMARS (Superficie de Respuesta Ortogonal con Mínimo Alias), que facilitan tanto la selección como la optimización en un solo experimento. Para los equipos que gestionan prototipos costosos o largos ciclos de pruebas ambientales, mejorar la eficiencia del diseño reduce los ciclos de iteración.
Si el diseño carece de estructura, es posible que completes una matriz de pruebas completa y aún así no tengas una comprensión clara de la relación causa-efecto.
2. La optimización de ingeniería es multiobjetivo por defecto.
Pocas decisiones sobre un producto giran en torno a una única respuesta.
Mejorar la rigidez puede aumentar la masa. Reducir el coste puede afectar a la vida útil por fatiga. Ajustar la geometría puede influir tanto en la facilidad de fabricación como en los márgenes de rendimiento.
El diseño moderno de experimentos debe reflejar esa realidad.
Minitab DOE de Effex integra el análisis de vulnerabilidades, el modelado de regresión, la metodología de superficies de respuesta y la optimización multirrespuesta en un flujo de trabajo unificado. Los ingenieros pueden explorar perfiles de predicción, gráficos de contorno y superficies de respuesta para comprender visualmente las ventajas y desventajas de cada opción.
En lugar de optimizar una métrica a la vez, puede definir rangos de rendimiento aceptables y evaluar combinaciones que maximicen la probabilidad de alcanzar todos los objetivos.
Ese cambio —de la optimización aislada a la optimización a nivel de sistema— es donde el diseño de experimentos se convierte en una herramienta de ingeniería estratégica en lugar de un ejercicio estadístico.
3. La trazabilidad facilita las revisiones y la validación del diseño.
Las decisiones de ingeniería deben resistir un análisis minucioso.
Cuando cambian los parámetros, las partes interesadas quieren saber por qué. ¿Se basó en datos? ¿Se tuvieron en cuenta las interacciones? ¿Se verificó la adecuación del modelo?
Minitab DOE de Effex proporciona documentación estructurada de la configuración de factores, el ajuste de modelos y los resultados de optimización en un entorno compartido. En lugar de depender de hojas de cálculo aisladas, los equipos pueden centralizar las suposiciones y conclusiones experimentales.
Cuando en las revisiones de diseño se pregunte por qué se modificó una tolerancia o una especificación de material, se puede hacer referencia a un modelo DOE definido en lugar de a resultados de pruebas anecdóticos.
El Diseño de Experimentos no opera de forma aislada; influye en las decisiones de ingeniería, fabricación y operación de todo el sistema.
¿Cuándo deberían los equipos de ingeniería reevaluar su enfoque de diseño de experimentos (DOE)?
Si tu equipo es:
- Repetimos las compilaciones porque las pruebas iniciales no fueron concluyentes
- Efectos de interacción faltantes
- Dificultades para equilibrar los múltiples requisitos de rendimiento
- Ciclos de desarrollo prolongados debido a rutas de optimización poco claras
…quizás sea el momento de reforzar tu enfoque en el diseño de experimentos.
El software del Diseño de Experimentos (DOE) debería hacer algo más que generar una matriz de ejecución. Debería ayudar a los ingenieros a diseñar experimentos eficientes, modelar sistemas complejos y optimizar el rendimiento con rigor estadístico.
Minitab DOE de Effex se desarrolló teniendo en cuenta esas realidades y ahora opera dentro del ecosistema más amplio de Minitab, brindando soporte a los ingenieros de producto que necesitan respuestas más claras antes de la construcción del próximo prototipo.