En anteriores artículos repasamos las principales características del histograma y cómo interpretarlo. En esta entrada vamos a explicar un caso real de cómo la visualización e interpretación de un histograma junto con una serie temporal ayudaron a encontrar un problema que existía en la fábrica desde hacía un año.
Desde el departamento de calidad recordaron que en las auditorías de revisión de registros de Excel siempre encontraban valores altos de fricción, pero dentro de tolerancias. Al hablarlo con los operarios, éstos afirmaron que se fiaban más de sus pruebas manuales de fricción que de los valores que medía la máquina.
Desde calidad decidieron empezar por entender los datos históricos existentes de fricción que habían sido introducidos manualmente por dos operarios. Los datos de fricción medidos de forma automática estaban guardados en la máquina y a priori no era fácil acceder a ellos.
Como una primera forma de visualización de los datos entrados manualmente, se realizó el histograma al que se añadió una línea vertical con el límite de tolerancias en 4.2.
En el histograma se observó que había dos grupos de datos: unos datos alrededor del valor 1.9, muy lejos del límite de tolerancias y, por lo tanto, muy buenos, y otros que sospechosamente estaban muy cerca del límite de tolerancias, pero siempre por debajo.
Al indagar sobre el origen de los dos grupos se descubrió que correspondía cada uno a un operario, como se puede ver en el histograma por grupos de abajo. Los datos estaban siempre por debajo del límite de tolerancias (indicando que todo iba bien), pero siendo diferente dependiendo de cada operario: el operario 2 reportaba valores cerca tolerancias (pero siempre por debajo) mientras que el operario 1 reportaba valores más alejados de tolerancias (alrededor de 1.9).
Los operarios admitieron que los datos entrados manualmente eran valores “maquillados” porque los valores reales de fricción que daba la máquina eran muy malos, y ellos sabían que la fricción era buena, puesto que los dos elementos de la pieza se podían desplazar con las manos.
Finalmente, se logró obtener el registro de datos reales de la máquina y se pudieron comparar con los manuales. En este caso, para visualizar los datos se utilizó un gráfico de serie temporal. En el gráfico de serie temporal se grafica el tiempo en el eje horizontal (eje x) ya sea en formato fecha, hora, minutos desde el inicio… y en el eje vertical (eje y) se grafica el valor de la variable en cada instante de tiempo. Al tratarse de datos que tienen una relación de tiempo (unos van antes que los otros) se unen los puntos del gráfico con líneas para trasladarnos esta información de “orden”. En un solo gráfico se pueden representar varias series de temporales para facilitar la comparación.
Para comparar los datos manuales con los automáticos se representaron las dos series temporales en un solo gráfico al que se añadió una línea horizontal en el valor 4.2 que era el límite de tolerancias.
Se pudo ver que los valores de registro de máquina estaban siempre por encima de tolerancias (indicando que algo iba mal siempre). Por lo tanto, tenemos evidencias de que los dos operarios “maquillan los datos originales” pero de una forma diferente: uno los hacía “buenos” dejándolos cerca de tolerancias y el otro anotaba el valor que a criterio suyo se aproximaría al valor real.
Finalmente, se presentaron estos datos a ingeniería que lograron encontrar la causa raíz de la mala medición. ¡Había una fuga en la máquina que generaba mediciones aberrantes y que afectaba solo a esta medida y que llevaba 1 año sin haberse detectado! Los trabajadores, que sabían que los datos automáticos estaban mal, se habían acostumbrado a maquillar los datos, lo cual provoca registros de calidad falsos y síntomas de variación que conducen a hipótesis erróneas.
¿QUIERES APLICAR ESTAS HERRAMIENTAS A TUS DATOS?
Realizar este tipo de estudios no es una tarea difícil si tienes un buen conocimiento de las herramientas de visualización de datos que ofrece Minitab. Pero ¡ojo! No se trata de tener una noción profunda de cada herramienta (con todas sus parafernalias matemáticas) sino de ser capaz de imaginar qué herramienta sería la más adecuada en cada momento (y planificar una recogida de datos adecuada a la herramienta) y tener la habilidad de comprender e interpretar lo que dicen.
Precisamente esto es lo que te enseñaremos en el curso de Diagnóstico con visualización de datos con Minitab.
Si desea recibir una propuesta formal del coste del curso en su caso particular, póngase en contacto con nuestro departamento comercial por teléfono (934154904 o 915158276) o a través de este FORMULARIO
Por Stacey McDaniel
En los últimos años, un número cada vez mayor de agencias gubernamentales y policiales utilizan drones para obtener una vista aérea desde el cielo. Para ser efectivos, los drones deben poder maniobrar rápidamente hacia el objetivo previsto. Las maniobras rápidas les permiten navegar en entornos complejos y realizar sus tareas de manera eficiente. Los requisitos para convertirse en piloto certificado de drones varían según el país, pero todos requieren que se apruebe un examen escrito sobre conocimientos aeronáuticos administrado por la autoridad de aviación. Sorprendentemente, (en el momento de escribir esta publicación) no existe ningún requisito para demostrar el desempeño. Entonces, ¿cómo podemos comparar las habilidades de vuelo de dos pilotos certificados de drones?
Dos pilotos certificados de drones, Aleks y Dustin, son evaluados por la rapidez con la que posicionan el drone en un objetivo específico, en este caso a unos 150 metros de distancia de la posición de lanzamiento.
Queremos comparar para ver si la destreza de Aleks y Dustin es diferente entre sí. El tiempo se mide en segundos cuando comienzan (incluye elevación, movimiento hacia el objetivo). Una diferencia práctica es de 0,5 segundos, lo que significa que si un piloto puede colocar el dron en posición ½ segundo más rápido, será mejor. Aquí están los datos experimentales:

Con Minitab Statistical Software, podemos crear rápidamente estadísticas descriptivas.

Vemos que en diez vuelos, el tiempo promedio de Aleks para apuntar es de 15,86 segundos, mientras que el de Dustin es de 12,42 segundos.

La diferencia estimada es de 3,4 segundos. El intervalo de confianza del 95% nos dice que la verdadera diferencia promedio entre los pilotos es tan pequeña como 1,736 y tan grande como 5,131 segundos. Con base en este intervalo de confianza, podemos decir con confianza que los tiempos de vuelo no solo son diferentes de cero, sino que debido a que el extremo inferior del intervalo de confianza para la diferencia es mayor que nuestra diferencia práctica de 0,5 segundos, concluimos que Dustin es el mejor piloto de drones en esta prueba.
Un gráfico de caja del tiempo de vuelo proporciona una imagen del análisis:

En el futuro, podríamos realizar experimentos de seguimiento que incluyan múltiples distancias, obstáculos, diversas condiciones de vuelo y múltiples drones para que los utilicen los pilotos. Minitab Statistical Software proporciona análisis y visualizaciones, lo que facilita la medición del rendimiento.
La nueva actualización Maple Flow 2023.3 hace un uso efectivo de un motor de cálculo mejorado y añade nuevas características para que sea más eficiente crear y trabajar con hojas de trabajo de diseño.
La nueva versión también cubre varias mejoras de la interfaz y correcciones de errores en respuesta a la solicitud de los usuarios.
En el mundo de las energías renovables, los módulos fotovoltaicos (PV) destacan como actores clave en el cambio hacia la sostenibilidad. Sin embargo, su rendimiento enfrenta un desafío significativo debido a la humedad en condiciones del mundo real. Comprender esta interacción es crucial para optimizar la longevidad y eficiencia de los paneles solares. En el presente estudio [1], se adopta un enfoque innovador al utilizar configuraciones idénticas en diferentes ubicaciones alrededor del mundo, ofreciendo una comparación única de diversos climas. Los módulos vienen equipados con sensores miniatura dentro ellos. Las configuraciones utilizadas proporcionan perspectivas del comportamiento real de la humedad. Ver figura de la cabecera, donde se muestran Mini módulos expuestos a condiciones exteriores [1].
Lo que distingue a este estudio es el uso estratégico de COMSOL para simulaciones exhaustivas de la entrada de humedad, utilizando el modelo de difusión de Fick y la segunda ley de difusión de Fick. Para mejorar la precisión, se crearon dos geometrías bidimensionales distintas.
La primera geometría, una sección transversal vertical del módulo, introdujo múltiples condiciones de contorno (BC). Una BC de Dirichlet en la interfaz aire-cubierta se calculó a partir de las condiciones del aire medidas a través de la solubilidad de la cubierta, utilizando la ley de Henry de sorción. Se asumió la constante presión parcial de vapor de agua entre el sensor de aire y la interfaz aire-cubierta. El valor de la humedad relativa (RH) en esa interfaz se recalculó utilizando la ecuación de Arden-Buck. Dos BC adicionales en la interfaz cubierta-encapsulante enfatizaron la continuidad del flujo y describieron el estado de equilibrio basado en la ley de Henry.
La segunda geometría simulada abordó la difusión horizontal frente a la celda, corrigiendo discrepancias observadas en simulaciones que dependen únicamente de la primera geometría. Esto también facilitó la integración de grietas en la celda. Las condiciones de contorno de Dirichlet en el borde de la celda incorporaron mediciones del sensor, con datos faltantes completados utilizando resultados de la simulación inicial. La temperatura del módulo, anclada a mediciones del sensor más cercano al centro de la celda, enriqueció la simulación con condiciones ambientales del mundo real.
Como conclusión, este trabajo presentó un novedoso modelo de simulación bidimensional en dos etapas, donde la investigación combinó la difusión de Fick en secciones transversales verticales y horizontales con condiciones de contorno cuidadosamente establecidas. Este enfoque innovador proporcionó una representación más precisa de la difusión de humedad frente a la celda fotovoltaica. Al comparar los resultados de la simulación con las mediciones, el estudio demostró que este enfoque logra un equilibrio entre la precisión de la simulación y la eficiencia computacional, destacando el papel clave de COMSOL Multiphysics en el avance de nuestra comprensión de la dinámica de la humedad en los módulos fotovoltaicos.
[1] S. Mitterhofer et al., "Measurement and Simulation of Moisture Ingress in PV Modules in Various Climates," in IEEE Journal of Photovoltaics, doi: 10.1109/JPHOTOV.2023.3323808.
Web: https://ieeexplore.ieee.org/document/10295538.
La nueva versión contiene las siguientes implementaciones:
Por Agnès Ogee.
Analizar la voz del cliente es una forma importante de medir y mejorar su satisfacción. En este artículo demostraremos cómo se puede convertir un gran volumen de comentarios textuales en información procesable para servir mejor a los clientes.
Hablemos de un caso de uso relacionado con una encuesta de satisfacción realizada por una asociación deportiva francesa que se encuentra entre las seis primeras en términos de número de licenciatarios. La licencia permite a los miembros practicar en clubes afiliados y participar en competiciones oficiales. La asociación pidió a sus miembros que evaluaran su satisfacción con el proceso de concesión de licencias.
Los factores impulsores detrás de este proyecto de mejora del proceso de concesión de licencias fueron llegar a miembros potenciales de manera más efectiva y alentarlos a renovar su licencia. Las federaciones deportivas se financian mediante subvenciones y patrocinios institucionales, proporcionales al número de afiliados. Mantener o incluso aumentar el volumen de licencias es vital y está directamente influenciado por la satisfacción en torno al proceso de concesión de licencias.
Se identificaron tres problemas principales que daban la impresión de que el proceso de concesión de licencias no era satisfactorio:
La asociación deportiva decidió poner en marcha un proyecto de mejora para afrontar estos retos.

Este diagrama de Gantt en Minitab Workspace detalla los pasos y el cronograma del proyecto.
La asociación deportiva consultó a asociaciones regionales y locales y se centró en varios elementos como:
Para recabar la opinión de los licenciatarios, la asociación creó una encuesta para recabar su opinión con los siguientes criterios:
Se devolvieron 19.921 cuestionarios de los 200.000 enviados.
La plataforma de la encuesta proporcionó algunas estadísticas descriptivas rudimentarias que permitieron una evaluación inicial de los resultados. El desglose de las respuestas a las preguntas demográficas demostró que la muestra era una representación justa de todas las categorías de titulares de licencias. La asociación constató que la mayoría de los miembros no habían tenido dificultades con el proceso de renovación de la licencia. Un tercio de los potenciales licenciatarios pidieron ayuda a su club con el proceso, otro tercio consultó la ayuda online.
Los gráficos y estadísticas básicos proporcionados en esta etapa no consideraron la variación de las respuestas entre las categorías de licenciatarios. ¿La geografía, la edad, el género, la antigüedad o la práctica influyeron en la opinión?
Además, los comentarios textuales fueron ignorados en esta interpretación de los resultados de la encuesta. La pregunta entonces fue: "¿Qué ideas valiosas podrían surgir de estos comentarios?"
Para llevar el estudio más lejos, se contrató Minitab Statistical Software para proporcionar análisis de datos.
Se exploró el resultado del Análisis de Componentes Principales (PCA) para identificar criterios discriminatorios. El equipo se dio cuenta de que el área geográfica de los encuestados no tenía ningún impacto, por lo que este parámetro se excluyó del análisis posterior. El diagrama de contribución ayudó al equipo a visualizar grupos, informando quejas o necesidades similares que podrían justificar cambios en los procedimientos o la personalización.

El gráfico de carga del menú Análisis multivariado de Minitab Statistical Software descubrió varias tendencias
Este análisis reveló que los jugadores jóvenes y los principiantes estaban interesados en practicar durante las vacaciones escolares. Los jugadores adultos querían una aplicación móvil, torneos, entradas para competiciones y productos de la tienda online. Independientemente de la edad, los jugadores querían tener una cuenta en línea en el sitio web de la asociación deportiva y beneficiarse de servicios adicionales.
Ochocientos de 19.921 participantes respondieron las preguntas abiertas, por lo que el equipo pensó que sería útil utilizar la minería de texto para analizar estos comentarios.
El análisis semántico y la agrupación de palabras, el descubrimiento de frases y temas principales arrojaron algunas ideas interesantes.

Palabras más frecuentes (usando WordStat)
Palabras similares comentando los pasos de la solicitud de licencia se repitieron varias veces, como la documentación solicitada, la complejidad del trámite, la simplificación necesaria y el desglose del costo.

Frases más frecuentes
Varias iteraciones de frases se referían a los certificados solicitados, el coste, el pago en línea y la firma.

Se identificaron siete temas significativos
Los grupos temáticos que surgieron fueron el desglose de precios, la firma electrónica, la simplificación, el modelo de licencia de gestores y los certificados solicitados.

El dendrograma anterior refuerza las conclusiones extraídas de las tablas anteriores.
Gracias a este análisis adicional, el equipo pudo sugerir mejoras. Se recomendó la posibilidad de firmar electrónicamente el formulario de solicitud, así como una simplificación de la plataforma en línea, la eliminación de documentos superfluos para validar la licencia de los voluntarios y una mejor comunicación sobre los servicios gratuitos disponibles.
El proceso y la oferta se optimizaron antes de la siguiente ronda de suscripciones de licencias.
Las encuestas de opinión ayudan a medir la satisfacción del cliente. A menudo se pasa por alto la valiosa retroalimentación textual. Sin un estudio semántico, considerar cada línea de texto resulta tedioso. El desafío es distinguir las opiniones expresadas por determinados perfiles de clientes. Estos pueden ser clave para la toma de decisiones decisivas para mejorar la satisfacción del cliente.
COMSOL Multiphysics® versión 6.2 ya está disponible e introduce una funcionalidad muy innovadora para aplicaciones de simulación y gemelos digitales, así como una tecnología de resolución más rápida.
Los usuarios ahora pueden aumentar la velocidad computacional de sus aplicaciones de simulación utilizando modelos subrogados basados en datos, lo que lleva a una experiencia de usuario más interactiva y promueve un uso más amplio de las simulaciones dentro de una organización. Además, el nuevo marco de modelo subrogado permite crear nuevos tipos de aplicaciones de simulación independientes y gemelos digitales eficaces.
Las simulaciones multifísicas de maquinaria eléctrica con materiales no lineales, así como las simulaciones de respuesta al impulso para acústica, son más rápidas en un orden de magnitud o más. Los modelos CFD ahora se resuelven hasta un 40% más rápido. En aplicaciones de ingeniería química, la nueva versión incluye funcionalidad para la simulación de interfaces vapor-líquido, incluidos procesos de condensación y vaporización. Los usuarios de productos basados en mecánica estructural verán capacidades actualizadas de modelado de daños y fracturas, junto con funcionalidades para el cálculo de deformación de placas de circuito y análisis de dinámica multicuerpo de motores eléctricos.
A continuación resumimos las principales novedades de la versión 6.2 del software COMSOL®.