Detalles

Categoría: Minitab

Publicado: 23 Septiembre 2021

Visto: 8343

Por Joshua Zable.

En términos generales, si es ingeniero químico, probablemente estará desarrollando y diseñando procesos de fabricación de productos químicos. A diferencia de otros ingenieros, eso significa que es posible que deba aplicar los principios de la química, la biología, la física y las matemáticas para resolver problemas que involucran la producción o el uso de productos químicos, combustibles, medicamentos, alimentos y muchos otros productos. Con todo ese tiempo dedicado a las ciencias, si no ha dedicado tanto tiempo a la estadística como desearía, no se preocupe, ¡Minitab está aquí! Ahora, hablemos de por qué el análisis de varianza (ANOVA) puede ser el arma secreta de un ingeniero químico.

POR QUÉ DEBERÍA CONOCER ANOVA

Muchas aplicaciones industriales involucran experimentos donde el objetivo es comprender si los grupos son diferentes. En términos estadísticos, consideramos un factor, digamos el tipo de catalizador, y queremos entender si los niveles de ese factor, digamos catalizador 1, catalizador 2, catalizador 3 y catalizador 4, son significativamente diferentes estadísticamente entre sí. Cuando las mediciones en los grupos son continuas y se cumplen otras suposiciones, utilizamos ANOVA para comparar las medias de los grupos. En cierto sentido, el nombre "Análisis de varianza" es inapropiado, porque estamos interesados en comparar las medias de los grupos. Sin embargo, al analizar la variación en los datos dentro de los niveles de grupo y entre los grupos, podemos determinar si las medias del grupo son estadísticamente diferentes.

ANOVA prueba la hipótesis nula de que las medias de la población (señaladas con el símbolo µ) son todas iguales. Estimaremos las medias poblacionales utilizando las medias muestrales. Si se rechaza esta hipótesis nula, concluimos que las medias de la población no son todas iguales.

La hipótesis nula:

Ho: µ_{Catalizador 1} = µ_{Catalizador 2} = µ_{Catalizador 3} = µ_{Catalizador 4}

En lenguaje sencillo, asumimos que las medias son todas iguales en todos los grupos, y recopilamos evidencia en contra de eso, lo que significa que si observamos grandes diferencias de medias entre estas medias, estaremos más seguros al rechazar esa creencia y al asumamir que hay diferencias dentro de los niveles de grupo.

EJEMPLO DE ANOVA DE UN FACTOR

Imagine que una ingeniera química quiere comparar el rendimiento del producto utilizando cuatro catalizadores diferentes. Ella calentará el catalizador con el producto para obtener una reacción. Utilizando ANOVA, la ingeniera puede determinar si el rendimiento del producto usando diferentes catalizadores difiere significativamente.

Primero, la ingeniera recopila sus datos, como se puede ver a continuación.

A continuación, la ingeniera corre un ANOVA de un solo factor.

El p-valor para el ANOVA de rendimiento del producto es pequeño, lo que indica que existe una probabilidad muy pequeña de que hubiéramos observado estos resultados si la hipótesis nula es cierta, es decir, que las medias del catalizador son todas iguales. Debido a que el valor p es menor que un nivel de significancia del 5% (estamos usando un alfa = 0.05), rechazamos la hipótesis nula. Concluimos que t, el rendimiento medio del producto, difiere entre los grupos catalizadores.

La ingeniera sabe que algunas de las medias del grupo son diferentes. La siguiente pregunta lógica es, ¿cuáles?

USO DEL MÉTODO DE TUKEY PARA REALIZAR LAS COMPARACIONES MÚLTIPLES

Si bien ANOVA nos enseñó que algunas de las medias del grupo son diferentes, la ingeniera necesita una comparación más profunda para comprender qué medias de grupo son diferentes. Minitab proporciona "Comparaciones" por esta misma razón. En nuestro ejemplo, la ingeniera química usa las comparaciones de Tukey para probar formalmente las diferencias entre los pares de grupos, para comprender cuáles son estadísticamente significativamente diferentes.

La prueba de comparación múltiple de Tukey es la prueba más conservadora de varias pruebas que se pueden utilizar para determinar qué medias entre un conjunto de medias difieren del resto. El método de Tukey se usa después de ANOVA (por lo que es posible que escuche que se hace referencia al método como una prueba post hoc) y se puede utilizar para crear intervalos de confianza para todas las diferencias por pares entre las medias de los niveles de factor mientras se controla la tasa de error familiar a un nivel que usted especifique.

En nuestro ejemplo, el gráfico que incluye los intervalos de confianza simultáneos de Tukey muestra que el intervalo de confianza para la diferencia entre las medias de los Catalizadores 2 y 4 es de 3,114 a 15,886. Este rango no incluye cero, lo que indica que la diferencia entre estas medias es significativa. La ingeniera puede usar esta estimación de la diferencia para determinar si la diferencia es prácticamente significativa.

Por el contrario, los intervalos de confianza para los pares de medias restantes incluyen todos cero, lo que indica que las diferencias no son significativas.

¿POR QUÉ NO CORRER UN MONTÓN DE PRUEBAS T PARA IDENTIFICAR DIFERENCIAS?

Es una gran pregunta, ¡y surge mucho! La respuesta tiene que ver con el riesgo de cometer un error, específicamente, el riesgo de concluir incorrectamente que existe una diferencia estadísticamente significativa, que es lo que llamamos nuestro riesgo alfa. Cuando realizamos una prueba, hay un 5% de probabilidad de que digamos que hay una diferencia, cuando en realidad no la hay. Para los 4 catalizadores, ¡eso daría como resultado 6 pruebas t!

¿Cuál es la probabilidad de observar al menos un resultado significativo debido al azar?

P(al menos un resultado significativo) = 1 - P (sin resultados significativos)

= 1 - (1 - 0.05)⁶

≈ 0,264

Entonces, con 6 pruebas consideradas, tenemos un 26% de posibilidades de observar al menos un resultado significativo, incluso si todas las pruebas no son realmente significativas. Las pruebas post hoc controlan la tasa de error de los experimentos; para decirlo de manera más simple, queremos asegurarnos de que la probabilidad de que declaremos incorrectamente que cualquier par de catalizadores es diferente permanezca en el 5%. ¡Eso es exactamente lo que hace la prueba de Tukey por nosotros!

LAS RESPUESTAS ESTÁN EN ANOVA

El uso de ANOVA permite a un ingeniero químico probar mezclas para ver si los resultados son estadísticamente significativos. Igualmente importante, también puede determinar si todo el grupo es diferente o quizás solo un subsegmento del grupo utilizando pruebas de comparación. En nuestro ejemplo, solo el catalizador 2 y el catalizador 4 tienen diferencias estadísticamente significativas con respecto al rendimiento del producto. Con base en esta información, la ingeniera química puede comenzar a mirar los otros catalizadores para determinar qué catalizador es el más rentable, tiene la vida útil más larga o es más fácil de acceder sabiendo que producirá una cantidad similar de producto.

Detalles

Categoría: Maple

Publicado: 21 Septiembre 2021

Visto: 35560

• Mathcad Prime
• Maple Flow
• comparativa

Maple Flow y Mathcad® tienen sus propios principios de diseño. En el caso de Maple Flow, estos principios se asientan sobre los de Maple. Maple Flow hace uso de una interfaz flexible tipo pizarra para recubrir un amplio conjunto de resolvedores numéricos y simbólicos, impactantes formas de visualizar datos y funciones, conectividad con MATLAB® y fuentes de datos en red y en la nube y un modelo de licencias tradicional.

Licencia

Matemáticas

Visualización

Conectividad

Mathcad es una marca comercial registrada de PTC Inc. o sus subsidiarias en EE. UU. Y en otros países. MATLAB es una marca registrada de The MathWorks, Inc.

Detalles

Categoría: Comsol

Publicado: 16 Septiembre 2021

Visto: 2795

¡El próximo día 25 de septiembre de 2021 es la fecha límite para la matriculación en el Máster MUCOM!.

El Máster Universitario Online en Simulación Numérica en Ciencia e Ingeniería con COMSOL Multiphysics (MUCOM) ofrece una formación fundamental y completa sobre simulación numérica y optimización aplicadas. La duración del máster es de un curso académico, de principios de octubre a principios de junio.

El máster es completamente online y en español, y está organizado por la Universidad de Málaga (España), con la colaboración de Addlink Software Científico y COMSOL y con la participación de profesorado de estas empresas y de las Universidades de Málaga, Politécnica de Barcelona, Complutense de Madrid y Almería. La matriculación en el máster incluye el uso del software COMSOL Multiphysics, con licencia docente, y la posibilidad de realizar el Trabajo Fin de Máster en nuestras Empresas Tecnológicas o Centros de Investigación colaboradores.

En esta documento de presentación encontrará toda la información.

Si está interesado, puede encontrar toda la información sobre el máster MUCOM en la web del máster. También, puede enviar cualquier pregunta específica a la direcciónde la dirección académica (Emilio Ruiz Reina, multifisica_info@uma.es)

Detalles

Categoría: Minitab

Publicado: 10 Septiembre 2021

Visto: 4539

• Minitab
• soporte técnico
• licenciamiento
• activación
• Minitab 19

El pasado 1 de junio de 2021 publicamos la noticia de la finalización del soporte técnico de la edición de Minitab 19 para Mac, de acuerdo a la política de soporte técnico de Minitab, Inc.

Atendiendo a esta política de soporte técnico de Minitab, puesto que Minitab 20 fue lanzado el 21 de octubre de 2020, el próximo 21 de octubre de 2021 se discontinuará el soporte técnico para la edición Windows de Minitab 19.

¿Qué ocurre cuando el soporte técnico es discontinuado?

Cuando finaliza el servicio de soporte técnico para una versión, los usuarios de esa versión no reciben ningún tipo de asistencia técnica. En particular, no se les facilita la reinstalación, activación o transferencia de las licencias de Minitab.

A partir del 21 de octubre de 2021, no será posible instalar Minitab 19 en un nuevo equipo y si deja de funcionar la instalación actual, no será posible volver a activarlo.

¡Actualice a Minitab 20.4!

Se recomienda a los actuales usuarios de licencias de Minitab 19 actualizar a la versión más reciente, Minitab 20.4, para evitar el impacto que puede suponer la imposibilidad de utilizar este software. Ponemos a su disposición unos atractivos y competitivos planes de actualización. ¡Póngase en contacto con nuestro departamento comercial!

Detalles

Categoría: Minitab

Publicado: 09 Septiembre 2021

Visto: 6134

• Minitab
• Minitab 20
• Minitab 20.4

Minitab Statistical Software se actualiza a la versión 20.4.  Esta versión de mantanimiento contiene nuevas funcionalidades listadas más abajo además de solucionar algunos errores, por lo que se recomienda aplicar la versión a todos los usuarios de Minitab 20.   

Nuevas funcionalidades

• Visualización Gráfica de Burbujas interactiva (Interactive Bubble Plot) disponible en el creador de gráficas (Graph Builder)

Esta actualización también es compatible con el nuevo módulo de Minitab Healthcare Module, el complemento opcional construido a propósito pensando en los profesionales de los servicios sanitarios. Ya no es necesario disponer de una formación en estadística al disponer de instrucciones directas, guías y páginas de soporte, todo con terminolgía del sector, de forma que los profesionales de los servicios sanitarios ahora pueden fácilmente calcular, analizar y mejorar los indicadores KPI (Key Process Indicators).  

Por temas de seguridad, se han actualizado los requisitos del sistema y ahora ya no está soportado 8.1 para Minitab 20.4. 

Detalles

Categoría: Minitab

Publicado: 08 Septiembre 2021

Visto: 6177

Por Stacey McDaniel.

Greg Kinsey es asesor de industria y consultor ejecutivo, y dirige las prácticas de fabricación de Hitachi Vantara en EMEA. Él y su equipo trabajan principalmente con empresas industriales europeas para ayudarles a visualizar, planificar y ejecutar transformaciones digitales. En sus propias palabras, ayuda a las empresas a ser “más esbeltas, más ecológicas, más ágiles y más productivas, utilizando herramientas digitales como medio”.

Greg tiene más de 30 años de experiencia trabajando con la industria manufacturera, principalmente en los sectores de automoción, electrónica, aeroespacial y de bienes de consumo, en todo el mundo. Tuvimos la oportunidad de conocer sus opiniones sobre varios temas de la ciencia de datos para este artículo.

¿QUÉ IMPORTANCIA TIENE DEMOCRATIZAR LA ANALÍTICA?

Creo que es de vital importancia que el análisis de datos sea parte integrante de casi todos los trabajos industriales. Ya se esté trabajando en una fábrica, una oficina, un centro de servicio o un puesto de cara al cliente, sin importar el puesto o la industria, en el mundo actual es fundamental tener el análisis de datos correcto al alcance de la mano. Los datos ayudan a tomar las mejores decisiones para que se pueda optimizar el trabajo que se está haciendo. Los datos evitan que se cometan errores. Tener los datos correctos para hacer el trabajo mejora la productividad, reduce el estrés y aumenta la satisfacción laboral.

¿QUÉ IMPORTANCIA TIENE LA ALFABETIZACIÓN EN DATOS PARA TODOS?

La alfabetización en datos es importante, pero quizás lo más importante es que necesitamos herramientas que nos permitan usar fácilmente los datos en el trabajo, de manera similar a como usamos los datos en casa. La revolución digital ocurrió primero como una revolución de consumo. Se trataba de comercio electrónico, redes sociales y datos personales. Casi todo el mundo tiene dispositivos digitales en casa, y casi siempre en la mano o en la muñeca. No importa cuáles sean sus pasatiempos, estoy seguro de que utiliza datos para ellos. Ya sea un corredor de maratones, chef aficionado o músico, restaurador de antigüedades o en la práctica de cualquier tipo de deporte, los datos están involucrados. Todo lo que hacemos en nuestra vida personal ahora utiliza datos, y esos datos nos ayudan a sacar más provecho de la vida. Todavía no hemos visto ese cambio completo en la vida laboral industrial.

Verdaderamente, las personas en la industria ya están recopilando y notificando algunos datos, pero no necesariamente obtienen los análisis correctos que necesitan para realizar mejor su trabajo. Este problema no trata tanto de la alfabetización de datos, sino que trata de organizaciones que crean el entorno adecuado y tienen las herramientas adecuadas en los lugares adecuados. Que son fáciles de usar. Eso conduciría a una democratización de la analítica en toda la fuerza laboral.

¿DEBERÍA SER MÁS ACCESIBLE LA CIENCIA DE DATOS PARA AMPLIAR LA COMUNIDAD DE USUARIOS? ¿POR QUÉ ES TAN VITAL?

La ciencia de datos debe convertirse en parte de todo lo que hacemos. El término "científico de datos" es engañoso; creo que cualquiera que utilice estadísticas básicas podría considerarse un científico de datos. Los datos de uso rigurosos ahora están aumentando en casi todos los roles profesionales. Entonces, eventualmente, todos nos convertiremos en "científicos de datos", como parte de cualquier trabajo que hagamos.

Estuve profundamente involucrado en el inicio del movimiento Six Sigma en la década de 1990. Fue entonces cuando reconocimos el poder de dar a los trabajadores industriales acceso a herramientas estadísticas básicas. No los llamamos "científicos de datos", sino que se nos ocurrió el término "cinturones negros" (Black Belt). Utilizaron la ciencia de datos para describir procesos, solucionar problemas y aplicar análisis básicos a las operaciones diarias. Ese fue el origen de cómo la ciencia de datos se arraigó en las operaciones industriales. Six Sigma creó la base para la transformación digital.

Hoy en día, el mundo empresarial realmente está empezando a aceptar el valor de los datos. Se ha demostrado que tiene un gran impacto en la productividad, la toma de decisiones e incluso en la reducción de los niveles de estrés de los empleados, ya que los problemas se pueden resolver de forma más rápida y sencilla con los datos correctos.

¿ES LO DIGITAL UN TEMA QUE VIVE SOLO DENTRO DEL DEPARTAMENTO DE TI?

Para nada. Creo que lo digital es un tema de toda la organización. El uso de datos y análisis, y las herramientas asociadas, debe extenderse a casi todas las funciones. Demasiadas empresas mantienen los datos aislados en manos de unos pocos "expertos", en lugar de permitir que todos accedan a datos que podrían ser útiles para ellos en su trabajo diario.

Nos estamos moviendo ahora hacia un mundo donde los gerentes operativos también son dueños de las estrategias digitales para sus funciones. Por lo tanto, cuando se habla con alguien que dirige un departamento de mantenimiento o un departamento de calidad o un departamento de marketing o una cadena de suministro, ellos son, o deberían ser, responsables de la digitalización de esas funciones.

Gran parte del trabajo de consultoría que hacemos como Hitachi es trabajar con los líderes funcionales.

El departamento de TI apoya la digitalización, pero veo que la transformación digital realmente se impulsa desde el punto de vista de las operaciones porque ahí es donde se sientan los usuarios. Los gerentes de operaciones saben mejor por dónde empezar con la digitalización y, a menudo, tienen una visión para sus operaciones futuras. Muchas de las mejores ideas provienen de personas que trabajan en las operaciones diarias, por lo que es importante involucrarlas en sus esfuerzos de diseño digital.

Este es un gran cambio con respecto a hace 20 años, cuando se implementaron nuevos sistemas y las organizaciones tuvieron que cambiar la forma en que trabajaban para adaptarse a la TI. Puedo recordar que muchas empresas adaptaron sus procesos comerciales para satisfacer sus requisitos de aplicaciones rígidas de MES o MRP. A menudo, esto impidió la innovación y la optimización operativas.

Ahora se está revirtiendo; tenemos la oportunidad de crear interfaces digitales, algoritmos y plataformas que tengan sentido para los procesos de trabajo. El método ágil se centra en los problemas a resolver y las experiencias de usuario requeridas. Luego, el departamento de TI debe respaldar esas innovaciones y hacer que se adapten a la infraestructura de TI general.

¿DEBEN LAS ORGANIZACIONES PRIORIZAR LA INVERSIÓN EN SOLUCIONES DE CÓDIGO BAJO Y SIN CÓDIGO?

Sí, absolutamente. Piense en cómo utilizamos nuestros teléfonos inteligentes. No necesitamos saber cómo codificar para hacer cosas útiles con ellos. Este debería ser el mismo caso con las herramientas de análisis en funcionamiento. La experiencia del usuario debe ser rápida, sencilla y relevante.

Durante los primeros días de la TI en el mundo empresarial, se trataba de herramientas sofisticadas que solo los expertos podían usar. ¿Recuerda a las personas a las que se les llamaba "programadores"? Hoy en día, se trata de encontrar herramientas de análisis que todos puedan utilizar. En Hitachi, estamos creando soluciones que no requieren una programación o codificación extensiva en lenguajes avanzados.

¿POR QUÉ LOS PROFESIONALES BASADOS ​​EN DATOS NECESITAN ANÁLISIS PREDICTIVOS?

El análisis predictivo es un verdadero cambio de juego. La mayoría de los datos que se utilizan hoy en día en la industria son retrospectivos. Los datos históricos describen lo que sucedió en el pasado. En algunas áreas, los datos en tiempo real están disponibles, lo que permite ver lo que está sucediendo en este momento. Con la analítica avanzada actual, se puede comenzar a proyectar lo que sucederá, basándose en el comportamiento de los factores causales. Por ejemplo, tal vez el clima afecte a las operaciones. O tal vez un gran cambio en los tipos de cambio afectará a la estructura de costes. O hay un cambio rápido en las preferencias de los consumidores. Conviene recopilar y analizar datos sobre estos factores para comprender lo que está sucediendo hoy y mañana. Para comenzar a extrapolarlo para proyectar cómo se verá la próxima semana, o el próximo mes. Ahí es donde el análisis predictivo—Basado en aprendizaje automático y datos factoriales— permitirá ver el futuro.

Me gusta pensar en esto como un "viaje en el tiempo". El análisis predictivo brinda la capacidad de viajar a una fecha futura y crear escenarios, preguntando, "¿y si?". ¿Qué pasa si el mercado realmente va en una determinada dirección y la demanda realmente cambia de una manera específica? ¿Qué pasa si aceleramos o ralentizamos un proceso? ¿Qué tal simular cambios en el diseño de productos? ¿Qué pasa si se puede considerar el impacto de un resultado económico o político? ¿Cómo afectará eso a la economía o al entorno regulatorio en el que operamos? El alcance puede ser grande.

Luego puede agrupar todos estos factores y analizar los escenarios para el próximo año, el próximo trimestre o el próximo mes. Se empieza a ver cómo se desarrollarán estas diferentes relaciones de causa y efecto en el futuro. ¿Qué podemos hacer al respecto? ¿Qué cambios o acciones correctivas serán necesarias en tal escenario futuro? Aquí es donde viene el valor. Optimización del rendimiento futuro.

Por eso es tan importante. Puede ponerse al frente, puede anticipar lo que va a suceder para poder administrar mejor su negocio, su organización y sus procesos para hacer frente a todos los cambios que se avecinan. Se trata de ser ágil.

¿CREE QUE LOS INGENIEROS PUEDEN TRANSFORMARSE EN CIENTÍFICOS DE DATOS CON TECNOLOGÍA DE CÓDIGO BAJO, O SIN CÓDIGO?

¡Absolutamente! Me formé como ingeniero; mi licenciatura es en ingeniería mecánica. Aprendí que la ingeniería se trata de resolución de problemas, modelado matemático y aplicación del método científico. La ciencia de datos es parte de eso.

El advenimiento de la tecnología que reduce la necesidad de una programación compleja para acceder y utilizar los datos está impulsando un mayor uso de la ciencia de datos dentro de la comunidad de ingenieros. Pero es mucho más amplio que eso. Más allá de la comunidad de ingenieros es donde viene la gran ganancia, cuando los trabajadores calificados que operan máquinas, conducen vehículos, mantienen equipos, realizan funciones de fabricación, cuando todas esas personas comienzan a convertirse en científicos de datos, esas pueden ser las mayores ganancias. Y no nos olvidemos de los gerentes, incluido el C-suite o grupo directivo: también se están convirtiendo en "científicos de datos".

Cuando toda la organización tiene mejores datos y herramientas de análisis fáciles de usar, eso permite "ciencia de datos para todos". Creo que este es uno de los elementos fundamentales de la cuarta revolución industrial.