Interpretar todos los estadísticos y gráficas para Potencia y tamaño de la muestra para diseño factorial completo general

Interpretación

Utilice el nivel de significancia para decidir si una diferencia es estadísticamente significativa. Puesto que el nivel de significancia es el valor umbral de la significancia estadística, un valor más alto aumenta la probabilidad de cometer un error tipo I. Un error tipo I es la conclusión incorrecta de que existe una diferencia entre las medias en diferentes niveles de los factores.

Interpretación

Utilice la desviación estándar asumida para describir qué tan variables son los datos. Valores más altos de la desviación estándar asumida indican más variación o "ruido" en los datos, lo cual hace que disminuya la potencia estadística de un diseño.

Interpretación

Utilice el número de factores para verificar que el diseño tenga todos los factores que usted necesita evaluar. Los factores son las variables que usted controla en el experimento. Los factores también se conocen como variables independientes, variables explicativas y variables predictoras. Los factores solo pueden asumir un número limitado de valores posibles, conocidos como niveles de los factores. Para un diseño factorial completo general, todos los factores son categóricos.

Por ejemplo, usted estudia los factores que podrían afectar la resistencia del plástico durante el proceso de manufactura. Decide incluir Aditivo en el experimento. El aditivo es una variable categórica que puede ser tipo A o tipo B.

Interpretación

Utilice el número de niveles para verificar que el diseño tenga todos los factores que usted necesita evaluar. Por ejemplo, usted estudia los factores que podrían afectar la resistencia del plástico durante el proceso de manufactura. Decide incluir un factor acerca de un aditivo. El aditivo es una variable categórica. El aditivo puede ser de tipo A o tipo B. El número de niveles para el factor Aditivo es 2.

Interpretación

Utilice el orden del modelo para verificar el modelo que que se presupone para los cálculos de potencia. Por ejemplo, para estudiar una interacción entre 3 factores, el orden del modelo puede ser 3 o más.

Mientras más alto sea el orden, más términos habrá en el modelo. Los modelos con más términos tienen menos grados de libertad para el error. Por lo tanto, los diseños con más términos tienen menos potencia que los diseños con menos términos cuando todas las demás propiedades son iguales. Si usted realiza un cálculo donde el orden del modelo es igual al número de factores, entonces los cálculos requieren más de una réplica.

En estos resultados, los cálculos de potencia son para el modelo con términos hasta el orden 3. El número de factores también es 3. Puesto que este modelo utiliza todos los grados de libertad de una sola réplica del diseño, Minitab no calcula la potencia para una sola réplica. Si usted realiza el mismo cálculo para términos hasta el orden 2, puede calcular la potencia para 1 réplica.

Interpretación

Utilice la diferencia máxima para determinar qué diferencias detecta el experimento diseñado. Si usted ingresa un número de réplicas y un valor de potencia, Minitab calcula la diferencia máxima. Por lo general, con más réplicas, podrá detectar una diferencia máxima más pequeña. Normalmente, mientras mayor sea el número de réplicas, más pequeña será la diferencia máxima que detectará el experimento diseñado.

En estos resultados, el diseño con una réplica puede detectar una diferencia de cerca de 3.8 con una potencia de 90%. El diseño con 3 réplicas puede detectar una diferencia menor con una potencia de 90%, alrededor de 1.9.

Estos resultados también muestran que el factor con más niveles tiene 4 niveles. La diferencia máxima calculada es exacta para el factor de 4 niveles. La diferencia máxima para el factor de 4 niveles es mayor que la diferencia máxima para los dos factores de 3 niveles.

Las réplicas son múltiples corridas experimentales con la misma configuración de factores.

Interpretación

Utilice el número de réplicas para estimar cuántas corridas experimentales debe incluir en el diseño. Si usted ingresa una potencia y una diferencia máxima, Minitab calcula el número de réplicas. Debido a que los números de réplicas se especifican en valores enteros, la potencia real puede ser mayor que el valor objetivo. Si usted aumenta el número de réplicas, la potencia del diseño también aumenta. Conviene incluir suficientes réplicas para lograr una potencia adecuada.

Puesto que las réplicas son valores enteros, los valores de potencia que usted especifica son valores objetivo de potencia. Los valores reales de potencia corresponden al número de réplicas y el número de puntos centrales en el experimento diseñado. Los valores reales de potencia son por lo menos tan grandes como los valores objetivo de potencia.

En estos resultados, Minitab calcula el número de réplicas para alcanzar una potencia objetivo de 80% y una potencia objetivo de 90%. Para detectar una diferencia de 2.0, el diseño requiere 3 réplicas para lograr el objetivo de 80% o el objetivo de 90%. La potencia para el diseño con 2 réplicas es menor que la potencia objetivo de 80%. Para detectar la diferencia menor de 1.8, 3 réplicas proporcionan una potencia de más de 80%, pero no más de 90%. Para detectar la diferencia menor con una potencia de 90%, el experimento diseñado necesita 4 réplicas. Debido a que los números de réplicas son valores enteros, los valores reales de potencia son mayores que los valores objetivo de potencia.

Estos resultados también muestran que el factor con más niveles tiene 4 niveles. Estos resultados son exactos para el factor de 4 niveles. El número de réplicas podría ser diferente para los dos factores de 3 niveles, especialmente si la potencia real es mucho más grande que la potencia objetivo.

Interpretación

Utilice el número total de corridas para verificar que el experimento diseñado tenga el tamaño adecuado para sus recursos. Para un diseño factorial completo general, esta fórmula da el número total de corridas:

En estos resultados, el experimento tiene un factor de 4 niveles y dos factores de 3 niveles. El número de corridas en una sola réplica es 4*3*3 = 36. Cada réplica agrega el mismo número de corridas. Por lo tanto, el número de corridas en 3 réplicas de un diseño de 36 corridas experimentales es 36*3 = 108. Los experimentos con más corridas experimentales tienen más potencia para detectar una diferencia.

Interpretación

Utilice el valor de potencia para determinar la capacidad del diseño para detectar una diferencia. Si usted ingresa un número de réplicas y una diferencia máxima, entonces Minitab calcula la potencia del diseño. Por lo general, un valor de potencia de 0,9 se considera adecuado. Un valor de 0.9 indica que usted tiene una probabilidad de 90% de detectar la diferencia entre los niveles del factor si la diferencia es del tamaño especificado. Por lo general, cuando el número de réplicas es más pequeño, la potencia es menor. Si un diseño tiene una potencia baja, es posible que usted no detecte una diferencia y concluya erróneamente que no existe ninguna.

Estos resultados demuestran cómo aumenta la potencia con un incremento en el número de réplicas. Para una diferencia de 2, la potencia del diseño es aproximadamente 0.36 con 1 réplica. Con 3 réplicas, la potencia aumenta a aproximadamente 0.93.

Estos resultados también demuestran cómo aumenta la potencia con un incremento en el tamaño del efecto. Para un diseño con 1 réplica y una diferencia de 2, la potencia es aproximadamente 0.36. Para un diseño con 1 réplica y una diferencia de 3, la potencia es aproximadamente 0.71.

Interpretación

Utilice la curva de potencia para evaluar las propiedades adecuadas para el diseño.

La curva de potencia representa la relación entre la potencia y la diferencia máxima para cada número de réplicas. Cada símbolo de la curva de potencia representa un valor calculado con base en los valores que usted ingresa. Por ejemplo, si usted ingresa un número de réplicas y un valor de potencia, Minitab calcula la diferencia máxima correspondiente y muestra el valor calculado en la gráfica.

Examine los valores de la curva para determinar la diferencia entre las medias más grande y más pequeña para el factor con más niveles que el experimento detecta con cierto valor de potencia y número de réplicas. Por lo general, un valor de potencia de 0.9 se considera adecuado. Sin embargo, algunos profesionales consideran que un valor de potencia de 0.8 funciona adecuadamente. Si un diseño tiene poca potencia, usted pudiera no detectar una diferencia que sea significativa desde el punto de vista práctico. Al aumentar el número total de corridas experimentales, aumenta la potencia del diseño. Conviene incluir suficientes corridas experimentales en el diseño para lograr una potencia adecuada. Un diseño tiene más potencia para detectar una diferencia más grande que una diferencia más pequeña.