ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Optimal design of experiments : a case study approach

دانلود کتاب طراحی بهینه آزمایش ها: رویکرد مطالعه موردی

Optimal design of experiments : a case study approach

مشخصات کتاب

Optimal design of experiments : a case study approach

ویرایش: 1 
نویسندگان: ,   
سری:  
ISBN (شابک) : 9781119974017, 1119974003 
ناشر: Wiley 
سال نشر: 2011 
تعداد صفحات: 305 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 1 مگابایت 

قیمت کتاب (تومان) : 30,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 10


در صورت تبدیل فایل کتاب Optimal design of experiments : a case study approach به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب طراحی بهینه آزمایش ها: رویکرد مطالعه موردی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب طراحی بهینه آزمایش ها: رویکرد مطالعه موردی

''این یک کتاب جذاب و آموزنده در مورد تمرین مدرن طراحی تجربی است. سبک نگارش نویسندگان سرگرم کننده است، دیالوگ های مشاوره بسیار لذت بخش است، و مطالب فنی به خوبی ارائه شده است، اما نه بسیار زیاد. خواندن کتاب لذت بخش است. همه کسانی که DOE را تمرین می کنند یا آموزش می دهند، باید این کتاب را بخوانند." - داگلاس سی مونتگومری، پروفسور ریجنت، گروه مهندسی صنایع، دانشگاه ایالتی آریزونا

'' گفته شده است: "برای آزمایش طراحی کنید، برای طراحی آزمایش نکنید." این کتاب به خوبی این مفهوم را با نشان دادن اینکه چگونه طراحی‌های متناسب و بهینه می‌توانند به طور موثر برای برآوردن نیازهای واقعی مشتری به کار گرفته شوند، نشان می‌دهد. خواندن آن برای هر کسی که علاقه مند به استفاده از طراحی آزمایش ها در محیط های صنعتی است، ضروری است. ، دانشکده مدیریت کارلسون، دانشگاه مینه سوتا 

این کتاب کاربرد رویکرد طراحی بهینه به کمک رایانه را با استفاده از نمونه‌های صنعتی واقعی نشان می‌دهد. این مثال‌ها به سوالاتی مانند موارد زیر پاسخ می‌دهند:

  • اگر ده‌ها عامل برای بررسی دارم چگونه می‌توانم غربالگری را ارزان انجام دهم؟
  • اگر تنوع روزانه داشته باشم و فقط بتوانم چه کار کنم؟ 3 اجرا در روز انجام دهم؟
  • در صورت داشتن فاکتورهای طبقه بندی شده چگونه می توانم RSM را به طور موثر انجام دهم؟
  • چگونه می توانم آزمایش ها را طراحی و تجزیه و تحلیل کنم در حالی که عاملی وجود دارد که فقط می توان آن را چند بار در طول مطالعه تغییر داد؟< li>چگونه می توانم هر دو مواد را در یک مخلوط و عوامل پردازش را در یک مطالعه بگنجانم؟
  • اگر ترکیبات فاکتورهای زیادی وجود دارد که اجرای آنها غیرممکن است چگونه می توانم آزمایشی طراحی کنم؟
  • چگونه می توانم مطمئن شوم که روند زمانی به دلیل گرم شدن تجهیزات بر نتایج یک مطالعه تأثیر نمی گذارد؟
  • چگونه می توانم اطلاعات دسته ای را در هنگام طراحی آزمایش هایی که شامل چندین دسته است در نظر بگیرم؟
  • چگونه می توانم اجراها را به یک آزمایش خراب اضافه کنم تا حل شود. ابهامات؟

کتاب ضمن پاسخ به این سوالات، نحوه ارزیابی و مقایسه طرح ها را نیز نشان می دهد. این به محققان اجازه می دهد تا بین هزینه آزمایش و مقدار اطلاعاتی که به دست می آورند، معاوضه معقولی انجام دهند


توضیحاتی درمورد کتاب به خارجی

''This is an engaging and informative book on the modern practice of experimental design. The authors' writing style is entertaining, the consulting dialogs are extremely enjoyable, and the technical material is presented brilliantly but not overwhelmingly. The book is a joy to read. Everyone who practices or teaches DOE should read this book.'' - Douglas C. Montgomery, Regents Professor, Department of Industrial Engineering, Arizona State University

''It's been said: 'Design for the experiment, don't experiment for the design.' This book ably demonstrates this notion by showing how tailor-made, optimal designs can be effectively employed to meet a client's actual needs. It should be required reading for anyone interested in using the design of experiments in industrial settings.''
Christopher J. Nachtsheim, Frank A Donaldson Chair in Operations Management, Carlson School of Management, University of Minnesota 

This book demonstrates the utility of the computer-aided optimal design approach using real industrial examples. These examples address questions such as the following:

  • How can I do screening inexpensively if I have dozens of factors to investigate?
  • What can I do if I have day-to-day variability and I can only perform 3 runs a day?
  • How can I do RSM cost effectively if I have categorical factors?
  • How can I design and analyze experiments when there is a factor that can only be changed a few times over the study?
  • How can I include both ingredients in a mixture and processing factors in the same study?
  • How can I design an experiment if there are many factor combinations that are impossible to run?
  • How can I make sure that a time trend due to warming up of equipment does not affect the conclusions from a study?
  • How can I take into account batch information in when designing experiments involving multiple batches?
  • How can I add runs to a botched experiment to resolve ambiguities?

While answering these questions the book also shows how to evaluate and compare designs. This allows researchers to make sensible trade-offs between the cost of experimentation and the amount of information they obtain



فهرست مطالب


Content: Machine generated contents note: 1.A simple comparative experiment --
1.1. Key concepts --
1.2. The setup of a comparative experiment --
1.3. Summary --
2. An optimal screening experiment --
2.1. Key concepts --
2.2. Case: an extraction experiment --
2.2.1. Problem and design --
2.2.2. Data analysis --
2.3. Peek into the black box --
2.3.1. Main-effects models --
2.3.2. Models with two-factor interaction effects --
2.3.3. Factor scaling --
2.3.4. Ordinary least squares estimation --
2.3.5. Significance tests and statistical power calculations --
2.3.6. Variance inflation --
2.3.7. Aliasing --
2.3.8. Optimal design --
2.3.9. Generating optimal experimental designs --
2.3.10. The extraction experiment revisited --
2.3.11. Principles of successful screening: sparsity, hierarchy, and heredity --
2.4. Background reading --
2.4.1. Screening --
2.4.2. Algorithms for finding optimal designs --
2.5. Summary --
3. Adding runs to a screening experiment --
3.1. Key concepts --
3.2. Case: an augmented extraction experiment --
3.2.1. Problem and design --
3.2.2. Data analysis --
3.3. Peek into the black box --
3.3.1. Optimal selection of a follow-up design --
3.3.2. Design construction algorithm --
3.3.3. Foldover designs --
3.4. Background reading --
3.5. Summary --
4.A response surface design with a categorical factor --
4.1. Key concepts --
4.2. Case: a robust and optimal process experiment --
4.2.1. Problem and design --
4.2.2. Data analysis --
4.3. Peek into the black box --
4.3.1. Quadratic effects --
4.3.2. Dummy variables for multilevel categorical factors --
4.3.3.Computing D-efficiencies --
4.3.4. Constructing Fraction of Design Space plots --
4.3.5. Calculating the average relative variance of prediction --
4.3.6.Computing I-efficiencies --
4.3.7. Ensuring the validity of inference based on ordinary least squares --
4.3.8. Design regions --
4.4. Background reading --
4.5. Summary --
5.A response surface design in an irregularly shaped design region --
5.1. Key concepts --
5.2. Case: the yield maximization experiment --
5.2.1. Problem and design --
5.2.2. Data analysis --
5.3. Peek into the black box --
5.3.1. Cubic factor effects --
5.3.2. Lack-of-fit test --
5.3.3. Incorporating factor constraints in the design construction algorithm --
5.4. Background reading --
5.5. Summary --
6.A \'\'mixture\'\' experiment with process variables --
6.1. Key concepts --
6.2. Case: the rolling mill experiment --
6.2.1. Problem and design --
6.2.2. Data analysis --
6.3. Peek into the black box --
6.3.1. The mixture constraint --
6.3.2. The effect of the mixture constraint on the model --
6.3.3.Commonly used models for data from mixture experiments --
6.3.4. Optimal designs for mixture experiments --
6.3.5. Design construction algorithms for mixture experiments --
6.4. Background reading --
6.5. Summary --
7.A response surface design in blocks --
7.1. Key concepts --
7.2. Case: the pastry dough experiment --
7.2.1. Problem and design --
7.2.2. Data analysis --
7.3. Peek into the black box --
7.3.1. Model --
7.3.2. Generalized least squares estimation --
7.3.3. Estimation of variance components --
7.3.4. Significance tests --
7.3.5. Optimal design of blocked experiments --
7.3.6. Orthogonal blocking --
7.3.7. Optimal versus orthogonal blocking --
7.4. Background reading --
7.5. Summary --
8.A screening experiment in blocks --
8.1. Key concepts --
8.2. Case: the stability improvement experiment --
8.2.1. Problem and design --
8.2.2. Afterthoughts about the design problem --
8.2.3. Data analysis --
8.3. Peek into the black box --
8.3.1. Models involving block effects --
8.3.2. Fixed block effects --
8.4. Background reading --
8.5. Summary --
9. Experimental design in the presence of covariates --
9.1. Key concepts --
9.2. Case: the polypropylene experiment --
9.2.1. Problem and design --
9.2.2. Data analysis --
9.3. Peek into the black box --
9.3.1. Covariates or concomitant variables --
9.3.2. Models and design criteria in the presence of covariates --
9.3.3. Designs robust to time trends --
9.3.4. Design construction algorithms --
9.3.5. To randomize or not to randomize --
9.3.6. Final thoughts --
9.4. Background reading --
9.5. Summary --
10.A split-plot design --
10.1. Key concepts --
10.2. Case: the wind tunnel experiment --
10.2.1. Problem and design --
10.2.2. Data analysis --
10.3. Peek into the black box --
10.3.1. Split-plot terminology --
10.3.2. Model --
10.3.3. Inference from a split-plot design --
10.3.4. Disguises of a split-plot design --
10.3.5. Required number of whole plots and runs --
10.3.6. Optimal design of split-plot experiments --
10.3.7.A design construction algorithm for optimal split-plot designs --
10.3.8. Difficulties when analyzing data from split-plot experiments --
10.4. Background reading --
10.5. Summary --
11.A two-way split-plot design --
11.1. Key concepts --
11.2. Case: the battery cell experiment --
11.2.1. Problem and design --
11.2.2. Data analysis --
11.3. Peek into the black box --
11.3.1. The two-way split-plot model --
11.3.2. Generalized least squares estimation --
11.3.3. Optimal design of two-way split-plot experiments --
11.3.4.A design construction algorithm for D-optimal two-way split-plot designs --
11.3.5. Extensions and related designs --
11.4. Background reading --
11.5. Summary.
Abstract:
\'\'This is an engaging and informative book on the modern practice of experimental design. The authors\' writing style is entertaining, the consulting dialogs are extremely enjoyable, and the technical material is presented brilliantly but not overwhelmingly. The book is a joy to read. Everyone who practices or teaches DOE should read this book. Read more...




نظرات کاربران