Recientemente, JMP se asoció con la Royal Society of Chemistry y Chemistry World para realizar una serie de seminarios de una semana de duración sobre diseño experimental.
Aparentemente, se suponía que la serie sería 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 planteadas por el público. Con entre 600 y 900 participantes en cada sesión, fue un desafío responder todas las preguntas durante el transcurso 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. Al más puro estilo JMP, analizamos estas preguntas a través del Explorador de texto y llegamos a las cinco principales. Aquí están, junto con nuestras respuestas:
Pregunta 1: ¿Cuál es el propósito de los puntos centrales? ¿Cuándo necesitamos usarlos? ¿Cuantos necesitamos?
Bien, probablemente deberíamos aclarar esto primero: 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, en general, se verá como un cubo. El punto central estaría en el centro del cubo, equidistante de todas las aristas, caras y vértices.
El propósito principal de un punto central es ayudarnos a alertarnos sobre la curvatura (o el comportamiento curvilíneo, si quiere la palabra de $5) en el conjunto de datos. También se pueden utilizar unos pocos puntos centrales juntos como sustituto de la replicación. Dicho esto, no deberías preocuparte por la cuestión de cuándo usarlos. Si se centra en los DOE (diseños óptimos) centrados en modelos y otras estrategias modernas de DOE, como los diseños de detección definitivos (DSD), los puntos centrales se incluyen automáticamente cuando son necesarios. Sólo hay que incluir los 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. Sólo tienes que hacer un análisis de potencia para determinar el número correcto.
Pregunta 2: ¿Necesitamos replicar nuestros experimentos? ¿Por qué? ¿Puedo utilizar mediciones repetidas como réplicas?
La respuesta a esto depende mucho del tipo de experimento que estés realizando. Si usted está más en el lado de la “detección”, la replicación es menos importante porque está buscando tendencias generales y no tanta variabilidad. Tú podría agregue algunos puntos centrales para tener una idea de la variación y haga algunas pruebas de curvatura si no está haciendo un DSD. Pero eso es todo. Si está construyendo o perfeccionando un modelo, probablemente debería hacer réplicas si tiene los recursos y el tiempo.
En las mediciones repetidas (por ejemplo, ejecutar la misma configuración de factores varias veces una tras otra u obtener múltiples mediciones sobre el resultado de una ejecución de la configuración de factores), aquellas 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 La ejecución (en el sentido del DOE) es una repetición aleatoria del experimento. Supongamos que toma una tabla DOE y la coloca 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, eso todavía no sería un DOE replicado... todavía. Ahora, si luego aleatorizaras el orden de las filas de las dos copias del DOE, sería un DOE con réplicas.
si estas haciendo repetido mediciones, puede tomar su promedio y luego usar el promedio como 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 ocultas. Mediciones repetidas No tengo esta propiedad.
Pregunta 3: ¿Cuántas respuestas puedo tener en mi DOE? ¿Cómo trabajo con ellos?
Añadiendo factores a una DOE aumenta el costo, en términos de tiradas requeridas; respuestas son esencialmente gratuitos. Puede medir un número ilimitado de variables de respuesta para comprender cómo los cambios de factores influyen en todas las respuestas. Al encontrar la configuración óptima del proceso utilizando 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, le conviene 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 usted proporcione (límites de deseabilidad superior/inferior, valores LOD, objetivos e importancias). También ayuda a asegurarse de haber considerado cómo evaluará 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 sabes si tus rangos de factores son apropiados?
Una regla general es que si, según la configuración de sus factores, 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 no obtenga ningún resultado mensurable.
Otra forma de expresar esto es este consejo: B Sea audaz al establecer sus rangos de factores . Establece tus mínimos bajo y tus máximos alto . Existe una gran tentación de mirar únicamente rangos que le hagan sentir cómodo, porque sospecha que allí se consigue lo 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 pueda producir datos utilizables en algunas regiones del espacio de diseño debido a los amplios rangos, esta preocupación a menudo puede abordarse definiendo restricciones de factores que prohíban que las ejecuciones se asignen 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 se produce en el medio del rango, debido a una relación curva entre un factor y una respuesta. En un diseño personalizado, esto se debe abordar agregando términos polinomiales al modelo deseado, lo que hará que el diseño generado incluya ejecuciones que se establezcan en valores de factor intermedios entre los puntos finales.
En términos más generales, 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 poder ver los puntos de inflexión en sus líneas curvas, lo que le permitirá saber dónde están "buenos" y "malos". De lo contrario, cuando optimice, el resultado tendrá el 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 diseño clásico y 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 ubicua y barata. Los diseños modernos utilizan algoritmos de software para generar un plan único para la situación actual. Los diseños modernos intentan dar la mejor respuesta posible a las preguntas estadísticas que plantea el experimentador, manteniéndose dentro del presupuesto experimental especificado.
El diseño moderno es la extensión natural del diseño clásico. Al ejecutar DOE modernos, no se pierde nada de lo que recuerda del diseño clásico, pero se gana 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, usted decide qué 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 los modelos estándar. Los diseños modernos le permiten encontrar el diseño óptimo en situaciones donde los enfoques clásicos no funcionarían, como cuando tiene un espacio factorial de forma irregular que necesita explorar.
La aventura continúa
Y eso es. Al observar los resultados, fue interesante ver con qué frecuencia surgieron estas preguntas. Me recordó algo que decían muchos de mis profesores: “Haz la pregunta, porque es muy probable que otros también la tengan pero sean demasiado tímidos para preguntar”.
De todos modos, ¿crees que nos perdimos uno? ¿Tiene otras preguntas candentes sobre el DOE? Continúe y colóquelos en los comentarios y veremos qué podemos hacer para obtener respuestas. Hasta entonces, ¡feliz experimentación!
