Recientemente, JMP se asoció con la Royal Society of Chemistry and Chemistry World para realizar una serie de seminarios de una semana sobre diseño experimental.
Aparentemente, se suponía que la serie era para el este y el oeste de los Estados Unidos, pero, como muestra el mapa de asistentes a continuación, bueno, las cosas se salieron un poco de control en ese punto.
La serie de seminarios incluyó un panel de JMP expertos que responderían a las preguntas enviadas por la audiencia. Con entre 600 y 900 participantes en cada sesión, fue un desafío responder todas las preguntas en el flujo del evento. Y hubo muchas, del orden de 400 preguntas en la sesión en vivo, y aún más en el entorno fuera de línea.
Una vez que el equipo se recuperó (y el linimento conjunto hizo su magia), nos reunimos y revisamos las preguntas en busca de tendencias para incluirlas en las preguntas frecuentes de la serie en la web. En la verdadera moda de JMP, ejecutamos estas preguntas a través del Explorador de texto y obtuvimos las cinco principales. Aquí están, junto con nuestras respuestas:
Pregunta 1: ¿Cuál es el propósito de los puntos centrales? ¿Cuándo debemos usarlos? ¿Cuantos necesitamos?
Bien, probablemente primero deberíamos aclarar esto: un punto central es un tratamiento experimental que existe en el centro del espacio de diseño. Si tiene un espacio de diseño de tres factores, puede asignarlo a un gráfico 3D y, por lo general, se vería como un cubo. El punto central se ubicaría en el centro del cubo, equidistante de todos los bordes, caras y vértices.
El propósito principal de un punto central es ayudarnos a alertarnos sobre la curvatura (o comportamiento curvilíneo, si desea la palabra de $ 5) en el conjunto de datos. Unos pocos puntos centrales juntos también se pueden usar como sustituto de la replicación. Dicho esto, realmente no debería preocuparse por la cuestión de cuándo usarlos. Si se enfoca en DOE (diseños óptimos) centrados en el modelo y otras estrategias DOE modernas como los diseños de cribado definitivos (DSD), los puntos centrales se incluyen automáticamente cuando son necesarios. Solo tiene que incluir términos del modelo que necesitan puntos centrales para ser estudiados, y los algoritmos se encargan del resto. Si desea agregar más puntos centrales para estudiar la variabilidad (¡y ya ha reservado material para un conjunto de validación!), Puede agregarlos con bastante facilidad. Solo tiene que hacer un análisis de potencia para averiguar el número correcto.
Pregunta 2: ¿Necesitamos replicar nuestros experimentos? ¿Por qué? ¿Puedo usar medidas repetidas como réplicas?
La respuesta a esto depende mucho del tipo de experimento que esté haciendo. Si está más en el extremo de la “selección” de las cosas, la replicación es menos importante porque está buscando tendencias brutas y no tanta variabilidad. Tú podría agregue algunos puntos centrales para tener una idea de la variación y haga un cribado de la curvatura si no está haciendo un DSD. Pero eso es todo. Si está construyendo modelos o refinando, probablemente debería hacer réplicas si tiene los recursos y el tiempo.
En las mediciones repetidas (p. Ej., Ejecutar la misma configuración de factor varias veces una tras otra u obtener múltiples mediciones en el resultado de una ejecución de la configuración de factor), esos no son ejecuciones replicadas. Es un poco confuso porque replica y repite o mediciones repetidas Parece que deberían ser lo mismo, pero hay una diferencia importante en este caso.
A replicado ejecutar (en el sentido de DOE) es una repetición aleatoria del experimento. Supongamos que debe tomar una tabla DOE y ponerla en una hoja de cálculo. Entonces, si tuvieras que poner un segunda copia del DOE completo debajo de él en la misma hoja de cálculo, que todavía no sería un DOE replicado ... todavía. Ahora, si tuviera que aleatorizar el orden de las filas de las dos copias del DOE, sería un DOE con réplicas.
Si estas haciendo repetido medidas, puede tomar su promedio y luego usar el promedio como el valor para esa combinación de tratamiento, pero no son lo mismo que replicado carreras. El punto importante es que replicación incluye aleatorización y, por lo tanto, puede diluir los efectos de las variables al acecho. Medidas repetidas no tengo esta propiedad.
Pregunta 3: ¿Cuántas respuestas puedo tener en mi DOE? ¿Cómo trabajo con ellos?
Añadiendo factores para un DOE aumenta el costo, en términos de corridas requeridas; respuestas son esencialmente gratis. Puede medir un número ilimitado de variables de respuesta para comprender cómo los cambios en los factores influyen en todas las respuestas. Al encontrar la configuración de proceso óptima con el JMP Prediction Profiler, los usuarios pueden elegir un esquema de ponderación que refleje la importancia relativa de las diferentes respuestas.
Si bien no existen límites teóricos para la cantidad de respuestas que tiene en un DOE, es una ventaja para usted definir todas sus respuestas durante la configuración del DOE. JMP los pasará automáticamente a la plataforma de modelado después de la recopilación de datos con toda la información que proporcione (límites de deseabilidad superior / inferior, valores LOD, objetivos e importancia). También ayuda a asegurarse de que haya considerado cómo va a medir el éxito de su DOE y garantizar que todas sus respuestas puedan detectar diferencias en los niveles que está planificando para sus factores.
Pregunta 4: ¿Cómo saber si sus rangos de factores son apropiados?
Una regla general es que si, según la configuración de su factor, espera que algunas de sus ejecuciones den resultados no deseados (es decir, terminen en la basura), probablemente tenga razón. Pero no desea que sus rangos sean tan amplios que termine sin resultados medibles en absoluto.
Otra forma en que esto podría expresarse es este consejo: B E intrépido al establecer sus rangos de factores . Establece tus mínimos bajo y tus altibajos elevado . Existe una gran tentación de mirar solo los rangos que lo hacen sentir cómodo, porque sospecha que allí se logra el óptimo. Evite esa tentación. Los resultados del modelo serán más claros y habrá más precisión en las estimaciones cuando los rangos de factores sean mayores.
Si le preocupa que su proceso no produzca datos utilizables en algunas regiones del espacio de diseño debido a los amplios rangos, esta preocupación a menudo se puede abordar mediante la definición de restricciones de factores que prohíben la asignación de corridas a esas áreas.Recuerde, tiene la flexibilidad de utilizar esta estrategia con diseños óptimos.
A veces, a los experimentadores les preocupa que al establecer rangos de factores demasiado amplios, puedan perder un ajuste óptimo que ocurre en el medio del rango, debido a una relación curva entre un factor y una respuesta. En un diseño personalizado, esto debe abordarse agregando términos polinomiales al modelo deseado, lo que hará que el diseño generado incluya corridas que se establecen en valores de factores intermedios entre los puntos finales.
De manera más general, desea que sus experimentos cubran un rango lo suficientemente amplio como para ver claramente las diferencias en su configuración. También desea que sus configuraciones estén lo suficientemente separadas para que pueda ver cualquier punto de inflexión en sus líneas curvas, lo que le permitirá saber dónde están "buenos" y "malos". De lo contrario, cuando optimice, el resultado será un valor extremadamente alto o bajo en su espacio de diseño. Y no sabrá si está cerca de un lugar donde su sistema se sale de control.
Pregunta 5: ¿Cuál es la diferencia entre el diseño clásico y el diseño moderno?
Los diseños clásicos son planes fijos que el experimentador debe seguir, ajustando el estudio planificado a sus requisitos y limitaciones. Estos diseños se desarrollaron antes de la era de la informática barata y ubicua. Los diseños modernos utilizan algoritmos de software para generar un plan único para la situación en cuestión. Los diseños modernos intentan dar la mejor respuesta posible a las preguntas estadísticas que plantea el experimentador, mientras se mantienen dentro del presupuesto experimental especificado.
El diseño moderno es la extensión natural del diseño clásico. Al ejecutar DOE modernas, no pierde nada que recuerde del diseño clásico, pero obtiene una gran flexibilidad. Fundamentalmente, los diseños modernos son centrado en el modelo en el sentido de que hacen que el diseño se ajuste a un modelo compuesto por términos definidos por el usuario. Como usuario, está decidiendo lo que quiere aprender en el experimento seleccionando el modelo. Los diseños clásicos son centrado en el diseño en el sentido de que definen el diseño, y se espera que el usuario haga que sus preguntas encajen en ese diseño predefinido. En muchos casos, los enfoques modernos y clásicos conducirán al mismo diseño porque los diseños clásicos son óptimos para adaptarse a modelos estándar. Los diseños modernos le permiten encontrar el diseño óptimo en situaciones en las que los enfoques clásicos no funcionarían, como cuando tiene un espacio de factor de forma irregular que necesita explorar.
La aventura continua
Y eso es. Al observar los resultados, fue interesante ver con qué frecuencia surgían estas preguntas. Me recordó algo que dijeron muchos de mis profesores: "Haz la pregunta, porque es muy probable que otros también la tengan, pero son demasiado tímidos para hacerla".
De todos modos, ¿crees que nos perdimos uno? ¿Tiene otras preguntas candentes sobre DOE? Continúe y póngalos en los comentarios, y veremos qué podemos hacer para obtener respuestas. Hasta entonces, ¡feliz experimentando!
