¡Gracias a todos los participantes! No dude en profundizar más o hacer preguntas a continuación.
Video 1: ¿Cuáles son las consecuencias (lógica y matemáticamente) de no seguir el DOE en el orden especificado? -Richard Lacaba
Comentarios
@Victor_G : puede registrar el orden de los experimentos en la tabla y ver si el orden de los experimentos tiene algún efecto en la respuesta.
@bdclark23 - Recibo esta pregunta a menudo y Montgomery la transmito a mis clientes: La aleatorización es la piedra angular que subyace al uso de métodos estadísticos en el diseño de experimentos. Por aleatorización queremos decir que tanto la asignación del material experimental como el orden en que se realizarán las ejecuciones individuales del experimento se determinan aleatoriamente. Los métodos estadísticos requieren que las observaciones (o errores) sean variables aleatorias distribuidas independientemente. La aleatorización suele hacer válida esta suposición. Al aleatorizar adecuadamente el experimento, también ayudamos a “promediar” el efecto de factores extraños que puedan estar presentes.
Vídeo 2: Diseño de aumento (DOE secuencial): John Szarka ( @jszarka )
Pregunta de Thalita Coppini Soares ( @THCS
¿Podrías ejecutar diferentes rangos de variables del primer experimento en este escenario?
Respuestas:
@Jonas_Rinne - Sí, también puedes cambiar eso si es necesario.
@Victor_G - Yes, puedes cambiar los rangos de los factores. Esto permite centrarse en el área óptima (reducir el rango, restringir el espacio experimental) o mover el espacio de diseño un poco más si no tiene un área interesante para buscar/optimizar.
@Paul_J - ¿O tal vez agregar un nuevo factor con el siguiente conjunto?
@Jonas_Rinne - Aquí hay una publicación de la comunidad donde puede ver cómo hacerlo: Resuelto: ¿Cómo agrego un nuevo factor continuo a un DoE mediante el aumento de diseño? - Comunidad de usuarios de JMP . Tenga en cuenta que este factor tenía que ser constante en sus experimentos anteriores.
Pregunta de Thalita Coppini Soares ( @THCSentonces, estrellatcon un PB para reducir la cantidad de experimentos y luego ejecutar un diseño completo solo con los factores principales con rangos estrechos?
Respuesta
@Victor_G - O con otro diseño de detección, en el ejemplo aquí, DSD podría ser útil: sin restricciones y con una gran cantidad de factores continuos, por lo que podría ayudar a estimar mejor los efectos principales y posiblemente detectar interacciones y efectos cuadráticos.
Y una vez realizada la selección, ¿por qué no agregar efectos de orden superior (interacciones, efectos cuadráticos,...) en el aumento en los rangos estrechos para ampliar su conocimiento sobre el sistema y tener un modelo mejor/más preciso?
Video 3: ¿Es razonable mantener los efectos principales en el modelo DoE incluso cuando no son significativos? ¿Cuán confiable es la estimación del tamaño del efecto de estos factores "insignificantes"? - Johann-Christoph Dettmann ( @JohannD124 )
Vídeo 4: Integración del DOE con otros métodos: ML, quimioinformática, etc... - Victor Guiller ( @Victor_G )
Comentarios
@ruskicar : SVEM (modelado de conjuntos autovalidante) es un enfoque que a veces se utiliza para modelar DOE que llenan el espacio.
@Victor_G - Diseño de experimentos y aprendizaje automático con aplicación a experimentos industriales | Artículos estadísticos (springer.com)
Diseño de experimentos y aprendizaje automático con aplicación a experimentos industriales.
Artículos estadísticos: en el contexto de la innovación de productos, existe una tendencia emergente a utilizar modelos de aprendizaje automático (ML) con el apoyo del diseño de experimentos (DOE). El documento tiene como objetivo en primer lugar...
Elección de diseño y rendimiento del modelo de aprendizaje automático - Arboretti - 2022 - Quality and Reliability Engineering International - Wiley Online Library
@Paul_J - ¿Pueden los diseños "óptimos" de JMP basarse en modelos mecánicos?
@maria_astals - Diseños de archivo espacial: https://www.jmp.com/support/help/en/18.0/index.shtml#page/jmp/overview-of-spacefilling-designs.shtml
@Victor_G - Ejemplo de diseños de relleno de espacio con análisis de máquina de vectores de soporte en diseño de mezclas: https://community.jmp.com/t5/Online-Abstracts/Synergy-Between-Design-of-Experiments-and-Machine-Learning- para/ec-p/708147#M2
Vídeo 5: Modelado de resultados del DoE que incluyen gráficos completos, especialmente el error aleatorio agregado al efecto Parcela completa. - Drejc Kopač ( @ruskicar )
