Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

Diseño de experimentos (DOE)

Planificación de experimentos con recopilación sistemática de datos

La recolección pasiva de datos lleva a una serie de problemas en el modelado estadístico. Los cambios observados en una variable de respuesta pueden estar correlacionados con, pero no causados por, cambios observados en factores individuales (variables de proceso). Los cambios simultáneos en múltiples factores pueden producir interacciones que son difíciles de separar en efectos individuales. Las observaciones pueden ser dependientes, mientras que un modelo de los datos los considera independientes.

Los experimentos diseñados abordan estos problemas. En un experimento diseñado, el proceso de producción de datos se manipula activamente para mejorar la calidad de la información y eliminar los datos redundantes. Una meta común de todos los diseños experimentales es recolectar datos tan parsimoniously como sea posible mientras que proporciona la información suficiente para estimar exactamente parámetros del modelo.

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
haltonsetConstruct Halton quasi-random point set
qrandstreamConstruct quasi-random number stream
sobolsetConstruct Sobol quasi-random 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