- Detalles
- Categoría: Minitab
- Visto: 6899
Ya está disponible la nueva versión Minitab Statistical Software 21, que trae las siguientes mejoras y novedades en sus funcionalidades:
- Nuevo método estadístico: Regresión Cox
La regresión de Cox es un método para investigar el efecto de varias variables sobre el tiempo que tarda en ocurrir un evento específico. Se encuentra bajo el menú de Confiabilidad/Supervivencia. También es conocido como Regresión de riesgos proporcionales. - Mejoras en el Creador de Gráficas: Gráfico de probabilidad interactivo
- Visualización mejorada: Ediciones de gráficos adicionales
Ahora se pueden añadir y personalizar anotaciones de texto como títulos y etiquetas de ejes, modificar la escala y los tipos de distribución específicos del gráfico y acceder a ciertas opciones de visualización, como la transposición de ejes para gráficos categóricos y otras opciones de representación de datos. - Mejoras en el módulo Predictive Analytics Module: Aprendizaje de máquinas automatizado
Es habitual que los investigadores prueben algunos modelos diferentes de aprendizaje automático al evaluar sus datos. La nueva función AutoML evaluará los siguientes modelos:- Árboles de clasificación y regresión
- TreeNet
- Random Forests
- Regresión
- Mejoras en el módulo Healthcare Module: traducido a todos los idiomas (Español, francés, alemán, portugués, japonés, coreano, chino simplificado)
- Detalles
- Categoría: Maple
- Visto: 2946
Maple en la educación e investigación matemáticas
Esta conferencia está dedicada a explorar diferentes aspectos del software matemático Maple, incluido el impacto de Maple en la educación, los nuevos algoritmos y técnicas de cálculo simbólico y la amplia gama de aplicaciones de Maple. Los asistentes tendrán la oportunidad de conocer las últimas investigaciones, compartir experiencias e interactuar con los desarrolladores de Maple.
La conferencia se llevará a cabo en línea e incluirá presentaciones y discusiones en vivo, así como grabaciones y salas de chat, para adaptarse a las zonas horarias. El personal de Maplesoft también ofrecerá sesiones de capacitación de Maple sobre una variedad de temas durante la conferencia.
Temas de la conferencia Maple
Maple en la educación
Los temas incluirán, entre otros:
- Formas efectivas de utilizar Maple, Maple Learn y/o Maple Calculator como herramientas para respaldar el aprendizaje remoto o cursos híbridos
- Usos innovadores de la tecnología Maplesoft en el aula (nuevas formas de abordar viejos problemas, métodos para enseñar cursos fuera de las matemáticas básicas tradicionales, impacto en el plan de estudios, etc.)
- Mejoras cuantificables en el rendimiento de los estudiantes después de integrar Maple, Maple Learn y/o Maple Calculator en un curso
- Consejos y técnicas para el aula/mejores prácticas extraídas de la experiencia
Algoritmos y software
Los temas incluirán, entre otros:
- Métodos simbólicos y simbólico-numéricos para resolver problemas matemáticos, en cualquier campo.
- Técnicas de optimización de algoritmos y ajuste de rendimiento
- Uso eficaz de tipos y representaciones de datos para problemas o dominios particulares
- Interfaces de usuario para la resolución de problemas matemáticos
- El trabajo descrito en la presentación puede estar implementar en sistemas distintos a Maple, siempre que presente clara relevancia para la comunidad de Maple.
Aplicaciones de Maple
Los temas incluirán, entre otros:
- Aplicaciones que usan Maple en entornos inusuales o de formas inusuales
- Aplicaciones que empujan o amplían el límite de lo que puede hacer Maple
- Aplicaciones que exploran problemas críticos del mundo.
- Aplicaciones que combinan Maple con otra tecnología
Presentaciones magistrales:
Dr. Veselin Jungic
Two-Eyed Seeing: Mathematics and Indigenous Traditions and Cultures
El Dr. Veselin Jungic es profesora en el Departamento de Matemáticas de la Universidad Simon Fraser. Es becario nacional de enseñanza de 3M y ha recibido el premio Pouliot y el premio de enseñanza CMS. La mayor parte de su investigación se centra en la teoría de Ramsey y en el campo de la educación y el alcance de las matemáticas. Veselin ha sido promotor activo de las matemáticas entre amplias comunidades académicas y no académicas. Ha desarrollado el programa Math Catcher Outreach, que tiene como objetivo promover las matemáticas y la erudición en general al alentar a los estudiantes de primaria y secundaria a reconocer cómo se usan las matemáticas en la vida cotidiana y cómo forman la base de muchas de nuestras decisiones diarias y opciones para toda la vida.
Dra. Evelyne Hubert
An Integral View on Dimensional Analysis: Scaling Invariants for Parameter Reductions in Dynamical Systems
Evelyne Hubert es científica investigadora en INRIA Méditerranée (Francia), con nombramientos previos en la Universidad de Waterloo, MSRI Berkeley, IMA Minneapolis y Fields Institute Toronto. Sus intereses se encuentran en los cálculos algebraicos y cómo preservar y explotar la simetría. Sus contribuciones se encuentran en sistemas diferenciales no lineales, invariantes diferenciales y marcos móviles, teoría invariante, aproximación, así como modelado geométrico. Es editora del Journal of Symbolic Computation and Foundations of Computational Mathematics. También le gusta el senderismo, el esnórquel y las actividades al aire libre en general.
Dr. Laurent Bernardin
Math in Changing Times
El Dr. Laurent Bernardin es presidente y director ejecutivo de Maplesoft. Ha trabajado en Maplesoft durante más de 20 años y antes de su nombramiento en su puesto actual, ocupó los puestos de director de tecnología y director de operaciones. Bernardin cree firmemente que las matemáticas importan. Bajo su liderazgo, Maple ha pasado de ser un proyecto de investigación en computación simbólica a un entorno completo para cálculos matemáticos utilizado por cientos de miles de ingenieros, científicos, investigadores y estudiantes de todo el mundo.
- Detalles
- Categoría: Minitab
- Visto: 4441
Por Andrea Grgic.
No es ningún secreto que los acontecimientos del año pasado han obligado a muchas organizaciones a cambiar su estrategia empresarial y priorizar nuevas formas de trabajar, colaborar y adaptarse a la nueva normalidad. Los equipos han tenido que realizar una transición inesperada a entornos parcial o completamente remotos, lo que ha provocado comunicaciones desarticuladas y departamentos aislados. Esto presenta un desafío único para las organizaciones de excelencia operativa, en las que los departamentos se benefician enormemente de la colaboración consistente e intencionada, para inspirar grandes ideas que impulsen la ejecución exitosa del proyecto y, en última instancia, la satisfacción del cliente.
A menudo se ha dicho que las grandes ideas inspiran aún más grandes ideas, y en el mundo cada vez más virtual de hoy, establecer un enfoque continuo para fomentar la generación de ideas y la innovación es importante para una transformación digital exitosa. Sabiendo esto, no debería sorprender que más de un tercio de los altos ejecutivos consideren un aumento en la innovación como uno de los principales objetivos de transformación digital para su negocio, según el informe "2021 State of Digital Transformation Report".1
Sin embargo, históricamente, la incapacidad de establecer un rendimiento de innovación exitoso ha sido un desafío continuo para los directivos. Según un artículo publicado por McKinsey & Company, el 84% de los directivos considera que la innovación es importante para su estrategia de crecimiento y el éxito de su organización, mientras que solo el 6% está satisfecho con su rendimiento en innovación2. Hoy, más que nunca, está claro que las organizaciones necesitan un plan para desarrollar una cultura de innovación y una forma de brindar liderazgo con una visión completa del impacto de las iniciativas de innovación de su organización.
Fuente: McKinsey & Company: Crecimiento e innovación
Un programa de innovación sostenible requiere la generación de ideas, el patrocinio organizacional y la implementación de ideas, todo lo cual requiere el compromiso de los empleados. Para maximizar el rendimiento de la innovación y lograr los objetivos de transformación digital, las empresas deben implementar una solución de innovación y mejora de extremo a extremo, que se pueda adoptar en todos los equipos y departamentos. De esta manera, los empleados de toda la empresa pueden contribuir con sus ideas diversas, y los jefes de proyectos pueden monitorizar el estado del proyecto y las métricas de rendimiento para sus muchas iniciativas.
¿Qué pasaría si le dijéramos que Minitab ha creado la plataforma definitiva para la colaboración, la creación de ideas y la ejecución de proyectos que llevará su rendimiento de innovación al siguiente nivel?
NUEVA SOLUCIÓN DE CREACIÓN DE IDEAS Y EJECUCIÓN DE PROYECTOS DE MINITAB
Conozca Minitab Engage™, la única solución diseñada para iniciar, rastrear, administrar y compartir iniciativas de innovación y mejora desde la generación de ideas hasta la ejecución.
La última solución de mejora de extremo a extremo de Minitab permite a las organizaciones acelerar su transformación digital al proporcionar una plataforma única para iniciar y administrar proyectos e innovación que crean valor. Minitab Engage permite a las organizaciones recopilar ideas a través de un buzón de sugerencias virtual, obtener patrocinio y ejecutarlas, y medir el éxito con paneles de KPI y ROI.
Formulario de presentación y evaluación de innovación en Minitab Engage
Ahora que se recopilan las ideas de su negocio y se ejecutan los proyectos, puede evaluar cómo esos proyectos conducen a una transformación digital exitosa.
Como presidente y director ejecutivo de Minitab, Jeffrey T. Slovin, dijo:
“[Con la incorporación de Minitab Engage] a nuestra cartera de Solutions Analytics™, Minitab es ahora la única empresa que puede ayudar a las empresas en todo su viaje de transformación digital, desde la generación de ideas hasta la ejecución, aprovechando el poder de la recopilación de datos, el análisis de datos, comprobado metodologías de resolución de problemas y herramientas visuales para garantizar una transformación empresarial exitosa".
Ya sea desafiando a una organización a innovar de alguna manera, apuntando a áreas de mejora como la transformación digital o simplemente buscando buenas ideas, Minitab Engage acelera el proceso de innovación desde la creación de ideas hasta su ejecución.
Fuentes:
1. 2021 State of Digital Transformation
2. McKinsey & Company: Growth & Innovation
- Detalles
- Categoría: Minitab
- Visto: 8224
A través de 3 vídeos, la Dra. Lourdes Pozueta expone cómo el estudio de la variabilidad presente en los procesos de fabricación puede representar una oportunidad para ser más competitivos. Cada uno de los vídeos recoge una de las fases de la metodología: descripción ⇒ predicción ⇒ identificación de causas. Este proceso se ilustra con un caso práctico inspirado en un proceso de fundición de piezas en automoción: la optimización de la frecuencia de vibración del caliper.
La competitividad de las empresas está vinculada a la detección de oportunidades de negocio. Estas oportunidades se pueden generar buscando reducir la variabilidad de sus procesos. Debemos fijarnos en:
- procesos que son inestables en sus resultados (características de calidad, parámetros logísticos, servicio a clientes, ...); o
- procesos que siendo estables en sus resultados son inestables en el modo en que se gobiernan sus parámetros.
Una vez detectado el proceso candidato, para reducir la variabilidad detectada, el experto puede hacer uso de la metodología y herramientas de descripción, predicción e identificación de causas.
Esta metodología de descripción ⇒ predicción ⇒ identificación de causas es común para los procesos de fabricación de diferentes sectores. Para ilustrarla, vamos a tomar un caso práctico inspirado en un proceso de fundición de piezas en automoción: la optimización de la frecuencia de vibración del caliper.
El reto
La empresa de fundición Fagor Ederlan tuvo un reto hace 10 años en relación con la fabricación de calipers para proveedores de grupos de freno.
Los clientes contemplaban añadir nuevos requerimientos a los estándares basados en geometría, estructura metalúrgica y comportamiento mecánicos. Eran nuevos requerimientos basados en tolerancias para las frecuencias de vibración de las piezas y la variabilidad se estimaba, en un principio, excesiva. El desconocimiento técnico del tema conllevaba un riesgo de pérdida de competitividad, ya que los clientes anunciaban la obligación de incorporar inspección 100% en proceso en 5 años.
El reto se abordó como un Proyecto Seis Sigma bajo la supervisión de la Dra. Lourdes Pozueta, formadora y coach principal en la metodología Seis Sigma en la Organización y con la participación de un equipo multidisciplinar de Calidad, Procesos, Ingeniería y Centro Tecnológico.
La Dra. Lourdes Pozueta, implicada en primera persona en el caso, desgrana en los siguientes vídeos el proceso que llevó a cabo y qué herramientas de Minitab forjaron sus "gafas especiales" para VER y entender el proceso y tomar decisiones sobre el diseño de soluciones para reducir la variabilidad.
Fase de descripción
En esta fase el objetivo es explicar el comportamiento de variables de interés a partir de información básica existente y detectar patrones que ayuden a orientar una recogida de datos más detallada. Para ello, se sigue la metodología Seis Sigma basada en búsqueda de evidencias que reduzcan las sospechas de partida y se utilizan herramientas como histogramas, gráfico de cajas, series temporales, multi-vari y estudios de capacidad.
Los resultados obtenidos en la etapa MEDIR (fase de descripción) ayudaron al Diagnóstico de la Situación de partida y a identificar que las fuentes de variación estaban en el corto plazo, dentro de las huellas del molde, y no en las posibles variaciones del largo plazo provenientes de materias primas, etc. VISUALIZAR LA GRABACIÓN ⇒
Fase de predicción
En esta fase el objetivo es explorar la información de grandes bases de datos multi-factorial tanto en la identificación de observaciones anómalas como en la identificación de factores que podrían explicar la variabilidad. Para ello, se sigue la metodología Seis Sigma basada en analizar la calidad del dato, llevar la sabiduría del proceso a la estructura de la base de datos, …, y contemplar los resultados con unas gafas especiales y se utilizan herramientas como gráficos de dispersión, matrices de correlación, dendrogramas, análisis de componentes principales, modelos de regresión múltiple, PLS y modelos de clasificación CART.
En la etapa ANALIZAR se profundizó en las causas raíz de esta variación descartando temas metalúrgicos, etc. y centrando el estudio en identificar geometrías que podrían explicar la variación en las frecuencias. Se utilizaron técnicas de modelización y clasificación de Minitab y se llegó a un conjunto de cotas explicativas que estaban correlacionadas con el parámetro de frecuencia de interés. VISUALIZAR LA GRABACIÓN ⇒
Fase de identificación de causas
En esta fase el objetivo es establecer una manera de proceder en la recogida de datos a partir de diseño de experimentos que den lugar a modelos predictivos y causales que permitan optimizar la función deseada. Para ello, se sigue la metodología Seis Sigma basada en identificar entre las relaciones de correlación aquellas que son causales. Utilizando diseños de experimentos simples y factoriales se realizan experimentos moviendo todos los factores a la vez según una propuesta de Minitab que permite estimar las relaciones y obtener máxima información con un número bajo de recursos en experimentación.
En la última etapa se identificó la causa raíz mediante la realización de Diseño de Experimentos con las variables que aparecían en los modelos predictivos para comprobar si eran causas de la variación y obtener un conjunto de parámetros que fueran elementos clave de diseño. VISUALIZAR LA GRABACIÓN ⇒
Sobre Fagor Ederlan Group
Fagor Ederlan (FE) es un grupo empresarial perteneciente al Grupo Mondragon líder en componentes de automoción. El grupo se caracteriza por una constante pro-actividad en incorporar en su cultura metodologías de Excelencia Operacional, buenas prácticas, etc. Como ejemplo, hace 10 años llevaron a cabo un notable esfuerzo para incorporar en su propio Programa de Excelencia Operacional, KALDA, partes de la metodología Seis Sigma con la colaboración de Mondragon Unibertsitatea y bajo la supervisión de la Dra. Lourdes Pozueta de Avancex+i. Uno de los frutos de esta magnífica experiencia fue la realización de la Tesis Doctoral "Desarrollo de un modelo para abordar proyectos de mejora continua de procesos productivos de forma eficaz y eficiente" que recoge buenas prácticas como la de esta sesión, en menor detalle.
- Detalles
- Categoría: Maple
- Visto: 4555
Investigadores del Centro de Salud de la Universidad de Connecticut (UCHC) están explorando aplicaciones de Maple en la interpretación de información de imágenes de resonancia magnética (IRM) para la detección temprana y caracterización de tumores pequeños.
Las redes vasculares necesarias para nutrir el crecimiento en microambientes tumorales pueden ser mucho más densas que en el tejido normal. La densidad vascular es un parámetro importante en la evaluación de la actividad tumoral, pero se reconoce universalmente que la determinación precisa es una tarea difícil. La determinación de este parámetro se basa en procedimientos de recuento manual y es subjetivo del observador. En el mejor de los casos, hay que estar satisfecho con las medidas relativas.
Además, estas mediciones son muy laboriosas y requieren mucho tiempo. Por ejemplo, la cuantificación a lo largo de un eje mayor de un tumor de 1 cm utilizando varias secciones histológicas puede tardar hasta 200 horas. Esta experiencia llevó al equipo de la UCHC a desarrollar una rutina de recuento de cajas para interrogar imágenes microscópicas digitalizadas de redes vasculares bien resueltas.
Un programa de Maple genera un mapa binario de las imágenes del microscopio ajustadas por umbrales seleccionados. Un segundo algoritmo crea un cuadro cuadrado de tamaño ajustable que examina toda la imagen binaria y prueba cada sitio de píxeles en busca de un valor (1 o 0) para proporcionar la base para contar las intersecciones (1) y los espacios que no se intersecan (0). En el pequeño límite de s, se puede lograr una medida relativa de la densidad vascular en cuestión de segundos. Las mediciones se utilizan para validar las imágenes de RM.
El equipo de la UCHC está demostrando nuevas formas en que la resonancia magnética se puede utilizar como una forma superior de detectar y caracterizar tumores pequeños (2-4 mm) de rápido crecimiento. Esta investigación permitirá a los médicos utilizar la resonancia magnética no invasiva para identificar y caracterizar los tumores cancerosos humanos en sus primeras etapas de desarrollo y seguir cuantitativamente el curso de las terapias. Hasta la fecha se han realizado resultados preliminares en ratones. Se prevén ensayos clínicos con pacientes humanos en un futuro próximo.
- Detalles
- Categoría: Comsol
- Visto: 4402
Si está interesado en modelar con COMSOL Multiphysics un dispositivo donde existan fenómenos piezoeléctricos, es muy posible que se plantee qué módulos adicionales va a necesitar con COMSOL.
Jinlan Huang nos explica en un reciente artículo del blog de COMSOL que eso depende de los tipos de materiales incluidos en el sistema y las características específicas que se desee utilizar en el análisis.
El artículo echa un vistazo más de cerca a estos diferentes productos y explica lo que ofrecen.
El siguiente diagrama ilustra las características más comúnmente utilizadas relacionadas con el modelado de piezoelectricidad que proporcionan estos módulos:
- Detalles
- Categoría: Minitab
- Visto: 4542
Por Tom Williams.
Los modelos de análisis predictivo en Minitab Statistical Software pueden ser un activo increíblemente valioso en todos los sectores de la industria y los servicios. El valor comercial se puede generar a partir de medidas de predicción como la pérdida de clientes, la duración de la estancia del paciente, los costes, el riesgo, las ganancias y muchos otros factores.
En este artículo, veremos una aplicación en el sector bancario. Para un banco, proporcionar una hipoteca a la persona equivocada puede ser un error que cueste cientos de miles de euros. Teniendo en cuenta estos riesgos, es extremadamente importante que los bancos comprendan a sus clientes y hagan predicciones sobre ellos antes de decidir aprobar o rechazar su solicitud de hipoteca. Veamos cómo Minitab Predictive Analytics puede minimizar el número de incumplimientos de hipotecas al predecir con precisión qué clientes probablemente incurrirán en impagos en el futuro.
COMPRENDER LOS DATOS HIPOTECARIOS
A continuación se muestra una sección de los datos de observación utilizados en el análisis. Hay 1.645 observaciones sobre hipotecas de clientes anteriores. La columna C1 muestra la variable de respuesta, u objetivo, que contiene "Yes" si esa persona incumplió con su hipoteca o "No" si no lo hizo. Las otras 9 columnas contienen las características que evaluaremos como predictores potenciales.
ESTADO ACTUAL DE INCUMPLIMIENTO HIPOTECARIO
El siguiente gráfico de pastel ayuda a comprender mejor la tasa a la que los prestatarios incumplieron con su hipoteca. Vemos que el 10% de las hipotecas estaban en impago. Reducir ese porcentaje puede aumentar enormemente las ganancias.
COMPARAR MODELOS PREDICTIVOS
Para abordar este desafío, recurrimos al módulo de análisis predictivo de Minitab.
Dado que la respuesta es sí o no, utilizaremos un modelo de clasificación. Si se está interesado en una respuesta continua, se utilizaría un modelo de regresión basado en árboles. El módulo de análisis predictivo contiene tres tipos de modelos de clasificación:
Para la clasificación, una de las principales métricas para evaluar la bondad de ajuste del modelo es el área bajo la curva ROC. Cuanto más cerca de 1 esté esta métrica, mejor. Se utilizó cada uno de los tres motores de modelado del módulo y se compararon los valores respectivos del área bajo la curva ROC.
La clasificación de TreeNet produjo un área bajo la curva ROC de 0.9695. Este valor superó las áreas bajo las curvas ROC para los modelos de los otros dos motores de modelado, lo que significa que el modelo de clasificación TreeNet generado es el mejor modelo predictivo para el impago de hipotecas. El potenciador del gradiente (TreeNet Gradient Boosting) es la herramienta de aprendizaje automático más flexible, galardonada y potente de Minitab, y es capaz de generar modelos extremadamente precisos de manera consistente. De los tres motores de modelado, TreeNet tiende a producir los mejores resultados.
VISUALIZAR VARIABLES IMPORTANTES
Primero veamos el gráfico de importancia relativa de la variable como parte de la salida de nuestro modelo. Los valores de importancia relativa de las variables oscilan entre 0% y 100%, siendo la variable más importante siempre el 100%. "Deuda a crédito" es la variable más importante en la predicción de impago hipotecario y le sigue "Deuda a ingresos" como la segunda más importante. Ocho de las nueve características son importantes, de alguna manera, para el modelo.
HACER PREDICCIONES SOBRE LA PROBABILIDAD DE IMPAGO
Ahora que tenemos nuestro modelo en Minitab podemos hacer nuestras predicciones. Podemos introducir valores individuales en Minitab para realizar predicciones, o, introducir columnas de valores en el caso de que sea más útil realizar mayores volúmenes de predicciones a la vez.
Tenemos los siguientes datos sobre una persona que ha solicitado una hipoteca de 485000$:
- Edad 43 años
- Ganancias de 81000$
- 9 fuentes de crédito
- Ratio de deuda a crédito de 0,68
- Relación deuda-ingresos de 0,73
- Hipoteca residencial
- De la región Noroeste
- Sin dependientes
Introducimos estos valores en el modelo predictivo para obtener una probabilidad de que el individuo incumpla, tal y como se muestra en el resultado de la predicción más abajo. La probabilidad de que este individuo incumpla su hipoteca es superior al 97%. Una vez que se hacen las predicciones, usted, el que tiene el conocimiento de la industria, puede interpretar la predicción y actuar en consecuencia. Supongo que es probable que una persona con una probabilidad de incumplimiento del 97% sea rechazada para una hipoteca.
Hacer predicciones cuando los valores para todos los predictores están disponibles es siempre el mejor de los casos, pero de manera realista, hay muchas ocasiones en las que faltan algunos valores de los predictores. El análisis predictivo en Minitab nos facilita aún así hacer predicciones cuando esto sucede. En el siguiente ejemplo, faltan varios valores. Incluso con los valores no existentes, podemos obtener una predicción de la probabilidad de que este cliente no pague su hipoteca.
Tenemos otro cliente potencial que ha solicitado una hipoteca de 375000 dólares. No tenemos datos sobre los ingresos, la relación deuda/ingresos, la región y el número de dependientes de este solicitante. Tenemos la siguiente información:
- Edad 49 años
- 4 fuentes de crédito
- Ratio de deuda a crédito de 0,31
- Hipoteca residencial
A pesar de los valores no existentes, todavía podemos hacer una predicción y ver que hay menos del 1% de probabilidad de que este cliente no pague su hipoteca como se muestra a continuación.
Según el análisis, este individuo parece ser un buen candidato para una hipoteca ya que la probabilidad de que incumpla es menor al 1% según el modelo predictivo. Este es solo un ejemplo de cómo los algoritmos de aprendizaje automático basados en árboles de Minitab pueden ayudarle a abordar problemas complejos y obtener información valiosa.