Aviso
Ahora estás saliendo de support.minitab.com.
Haga clic en Continuar para continuar con:
El número de condición mide la colinealidad entre los términos del modelo. Cuando usted compara diseños, un número de condición más bajo es mejor.
Utilice el número de condición para comparar diferentes diseños óptimos o comparar el mismo diseño con diferentes términos. Un número de condición de 1 indica que los términos del modelo son ortogonales. Valores mayores indican más colinealidad.
La mayoría de los diseños óptimos no son ortogonales. Puesto que los términos en el modelo no son independientes, la interpretación de los diseños no ortogonales es menos sencilla que la interpretación de diseños ortogonales.
En estos resultados, el número de condición indica que los datos presentan colinealidad de moderada a fuerte.
| Número de la condición: | 259.114 |
|---|---|
| D-optimalidad (determinante de XTX): | 7.92282E+28 |
| A-optimalidad (rastro de inv(XTX)): | 12.1719 |
| G-optimalidad (apalancamiento prom./apalancamiento máx.): | 0.96875 |
| V-optimalidad (apalancamiento promedio): | 0.96875 |
| Apalancamiento máximo: | 1 |
La D-optimalidad indica la capacidad del diseño de obtener estimaciones o predicciones precisas. Cuando usted compara diseños, un valor de D-optimalidad más grande es mejor.
Usted puede utilizar métrica de optimalidad para comparar diseños, pero recuerde que la optimalidad de un diseño D-óptimo dado depende del modelo. Es decir, la optimalidad se define para un tamaño de diseño fijo y para un modelo particular.
En estos resultados, el primer diseño óptimo tiene 25 puntos de diseño y el segundo diseño óptimo tiene 20 puntos de diseño. El primer diseño tiene un estadístico de D-optimalidad más alto que el segundo diseño óptimo, lo cual se espera con más corridas.
| Número de la condición: | 8.53018 |
|---|---|
| D-optimalidad (determinante de XTX): | 3.73547E+20 |
| A-optimalidad (rastro de inv(XTX)): | 1.99479 |
| G-optimalidad (apalancamiento prom./apalancamiento máx.): | 0.64 |
| V-optimalidad (apalancamiento promedio): | 0.64 |
| Apalancamiento máximo: | 1 |
| Número de la condición: | 10.2292 |
|---|---|
| D-optimalidad (determinante de XTX): | 2.73819E+18 |
| A-optimalidad (rastro de inv(XTX)): | 2.50391 |
| G-optimalidad (apalancamiento prom./apalancamiento máx.): | 0.8 |
| V-optimalidad (apalancamiento promedio): | 0.8 |
| Apalancamiento máximo: | 1 |
La A-optimalidad mide la varianza promedio en los coeficientes de regresión del modelo ajustado. Cuando usted compara diseños, un valor de A-optimalidad más bajo es mejor.
Usted puede utilizar métrica de optimalidad para comparar diseños, pero recuerde que la optimalidad de un diseño A-óptimo dado depende del modelo. Es decir, la optimalidad se define para un tamaño de diseño fijo y para un modelo particular. Los diseños que son más D-óptimo no son necesariamente más A-óptimo.
En estos resultados, el primer diseño óptimo tiene 25 puntos de diseño y el segundo diseño óptimo tiene 20 puntos de diseño. El primer diseño tiene un estadístico de A-optimalidad más bajo que el segundo diseño óptimo, lo cual se espera con más corridas.
| Número de la condición: | 8.53018 |
|---|---|
| D-optimalidad (determinante de XTX): | 3.73547E+20 |
| A-optimalidad (rastro de inv(XTX)): | 1.99479 |
| G-optimalidad (apalancamiento prom./apalancamiento máx.): | 0.64 |
| V-optimalidad (apalancamiento promedio): | 0.64 |
| Apalancamiento máximo: | 1 |
| Número de la condición: | 10.2292 |
|---|---|
| D-optimalidad (determinante de XTX): | 2.73819E+18 |
| A-optimalidad (rastro de inv(XTX)): | 2.50391 |
| G-optimalidad (apalancamiento prom./apalancamiento máx.): | 0.8 |
| V-optimalidad (apalancamiento promedio): | 0.8 |
| Apalancamiento máximo: | 1 |
La G-optimalidad es la relación de la varianza de predicción promedio a la varianza de predicción máxima en los puntos de diseño. Los diseños G-óptimos minimizan el denominador, mientras que los diseños V-óptimos minimizan el numerador. Idealmente, se recomienda que tanto el numerador como el denominador sean valores más bajos.
Usted puede utilizar métrica de optimalidad para comparar diseños, pero recuerde que la optimalidad de un diseño G-óptimo dado depende del modelo. Es decir, la optimalidad se define para un tamaño de diseño fijo y para un modelo particular. Los diseños que son más D-óptimo no son necesariamente más G-óptimo.
En estos resultados, el primer diseño óptimo tiene 25 puntos de diseño y el segundo diseño óptimo tiene 20 puntos de diseño. El diseño con más puntos es menos G-óptimo que el diseño con más puntos, a pesar de que el diseño más grande es más D-óptimo.
| Número de la condición: | 8.53018 |
|---|---|
| D-optimalidad (determinante de XTX): | 3.73547E+20 |
| A-optimalidad (rastro de inv(XTX)): | 1.99479 |
| G-optimalidad (apalancamiento prom./apalancamiento máx.): | 0.64 |
| V-optimalidad (apalancamiento promedio): | 0.64 |
| Apalancamiento máximo: | 1 |
| Número de la condición: | 10.2292 |
|---|---|
| D-optimalidad (determinante de XTX): | 2.73819E+18 |
| A-optimalidad (rastro de inv(XTX)): | 2.50391 |
| G-optimalidad (apalancamiento prom./apalancamiento máx.): | 0.8 |
| V-optimalidad (apalancamiento promedio): | 0.8 |
| Apalancamiento máximo: | 1 |
La V-optimalidad mide la varianza de predicción promedio en el conjunto de puntos de diseño. Cuando usted compara diseños, un valor de V-optimalidad más bajo es mejor.
Usted puede utilizar métrica de optimalidad para comparar diseños, pero recuerde que la optimalidad de un diseño V-óptimo dado depende del modelo. Es decir, la optimalidad se define para un tamaño de diseño fijo y para un modelo particular. Los diseños que son más D-óptimo no son necesariamente más V-óptimo.
En estos resultados, el primer diseño óptimo tiene 25 puntos de diseño y el segundo diseño óptimo tiene 20 puntos de diseño. El primer diseño tiene un estadístico de V-optimalidad más bajo que el segundo diseño óptimo, lo cual se espera con más corridas.
| Número de la condición: | 8.53018 |
|---|---|
| D-optimalidad (determinante de XTX): | 3.73547E+20 |
| A-optimalidad (rastro de inv(XTX)): | 1.99479 |
| G-optimalidad (apalancamiento prom./apalancamiento máx.): | 0.64 |
| V-optimalidad (apalancamiento promedio): | 0.64 |
| Apalancamiento máximo: | 1 |
| Número de la condición: | 10.2292 |
|---|---|
| D-optimalidad (determinante de XTX): | 2.73819E+18 |
| A-optimalidad (rastro de inv(XTX)): | 2.50391 |
| G-optimalidad (apalancamiento prom./apalancamiento máx.): | 0.8 |
| V-optimalidad (apalancamiento promedio): | 0.8 |
| Apalancamiento máximo: | 1 |
El apalancamiento máximo indica que un diseño tiene un punto altamente influyente cuando el apalancamiento máximo es mucho más grande que la V-optimalidad. Minitab utiliza este valor en el denominador al calcular la G-optimalidad.
Utilice el apalancamiento máximo para determinar cuándo un diseño contiene por lo menos un punto influyente. Los diseños que son más D-óptimo pueden tener puntos influyentes.
En estos resultados, el apalancamiento máximo es 1 y la V-optimalidad es 0.8. En este diseño óptimo, ninguno de los niveles de los factores en la fila 2 está en ninguno de los demás puntos.
| Número de la condición: | 10.2292 |
|---|---|
| D-optimalidad (determinante de XTX): | 2.73819E+18 |
| A-optimalidad (rastro de inv(XTX)): | 2.50391 |
| G-optimalidad (apalancamiento prom./apalancamiento máx.): | 0.8 |
| V-optimalidad (apalancamiento promedio): | 0.8 |
| Apalancamiento máximo: | 1 |
Minitab muestra las distancias más grande y más pequeña entre los puntos de diseño seleccionados. Este valor es la distancia euclidiana.
La diferencia entre los valores de distancia más grande y más pequeño indica qué tan uniformemente están dispersos los puntos en el espacio de diseño. Puede utilizar esta información para comparar diseños.
Ahora estás saliendo de support.minitab.com.
Haga clic en Continuar para continuar con: