Obtenga más información en nuestro curso en línea gratuito:
Pensamiento estadístico para la resolución de problemas industriales
En este video, mostramos cómo analizar un experimento con múltiples respuestas y cómo optimizar múltiples respuestas, usando el archivo Anodizar.jmp .
En este ejemplo, se realizó un diseño personalizado de 12 ejecuciones con cinco factores. El objetivo experimental es encontrar ajustes de los factores para optimizar las cuatro respuestas: Espesor, L*, a* y b*.
Para hacer esto, ejecutamos el script del modelo que se guardó en la tabla de datos. Con estos datos, podemos estimar cinco efectos principales y cuatro interacciones bidireccionales.
Diferentes efectos pueden ser importantes para las diferentes respuestas, por lo que queremos analizar las cuatro respuestas por separado. Para ello, seleccionamos la casilla Ajustar por separado y hacemos clic en Ejecutar.
Esto produce cuatro análisis separados que se agrupan en una ventana.
Ahora, usamos la tabla Resumen de efectos para reducir el modelo para cada respuesta. Eliminaremos los efectos con valores p superiores a 0,10.
Para cada respuesta, se proporciona un perfilador de predicción. Pero queremos optimizar todas las respuestas al mismo tiempo.
Para hacer esto, seleccionamos Profiler del triángulo rojo para Fit Group.
Esto abre un nuevo Prediction Profiler, con los cinco factores en la parte inferior y las cuatro respuestas en el lateral.
Para cada respuesta, verá el valor predicho y el margen de error en los valores iniciales de cada uno de los factores. Aquí, los valores iniciales son los valores medios de cada factor.
Cuando se diseñó el experimento, los límites de respuesta y el objetivo de respuesta se guardaron como propiedades de columna en la tabla de datos. Para las cuatro respuestas, queremos hacer coincidir un objetivo.
Esta información se utiliza en Prediction Profiler para la optimización.
Para ver los límites de respuesta y el objetivo de Espesor, hacemos doble clic en el panel de deseabilidad. El objetivo es hacer coincidir el objetivo, y el valor más deseable de Grosor es 0,9. Los valores alto y bajo proporcionan un rango aceptable para Grosor, pero puede ver que estos valores no son tan deseables como la coincidencia con el objetivo.
Esto se refleja en la curva de deseabilidad. La conveniencia es 1 para el objetivo y cero más allá de los límites de respuesta.
Para cada respuesta, puede especificar la importancia de la respuesta en relación con las otras respuestas. Por ejemplo, si optimizar el Grosor es tres veces más importante que optimizar las otras respuestas, ingresaríamos 3 en el campo Importancia.
Para este escenario, las cuatro respuestas son igualmente importantes.
Veamos cómo encontrar la configuración óptima para los cinco factores.
Para hacer esto, seleccionamos Optimizar Deseabilidad del triángulo rojo para el Perfilador de Predicción y luego Maximizar Deseabilidad.
Se proporcionan los ajustes óptimos, junto con los valores previstos para las respuestas en estos ajustes.
Si observa las curvas de deseabilidad, puede ver que en estos ajustes podemos acercarnos al objetivo para las cuatro respuestas.
Tenga en cuenta que hay muchas formas posibles de optimizar las respuestas, y si vuelve a ejecutar Maximizar deseabilidad, JMP encontrará una nueva solución.
Aquí hay un escenario común. Es posible que desee bloquear un factor en un valor específico y volver a optimizar.
Excelente video que explica los pasos necesarios para optimizar múltiples respuestas de un experimento diseñado. ¡Gracias por esto!
