Los diseños experimentales modernos suelen enfrentarse a la denominada restricción de cardinalidad del tratamiento, que limita el número de factores incluidos en cada tratamiento. Los experimentos con este tipo de restricciones son habituales en la simulación de ingeniería, el ajuste de sistemas de IA y la verificación de sistemas a gran escala.
Se requiere el desarrollo de diseños adecuados para lograr eficiencia estadística en el modelado y análisis dentro de restricciones factibles. Desarrollamos diseños de dos niveles adaptados a entornos con restricciones de cardinalidad que equilibran la actividad de los factores, mantienen buenas propiedades de proyección en subespacios de baja dimensión y reducen el aliasing para facilitar el modelado interpretable. Nuestra construcción se basa en el diseño de bloques incompletos balanceados (BIBD) y utiliza un algoritmo genético (AG) eficiente para explorar el espacio de diseño restringido.
Para facilitar su adopción práctica, utilizamos un complemento de JMP que aprovecha las herramientas de diseño de experimentos (DOE) y evaluación existentes de JMP, a la vez que incorpora nuestro algoritmo de construcción para la generación y evaluación integral del diseño. El complemento automatiza las comprobaciones de la calidad de la proyección y la estructura de alias. Los ejemplos numéricos demuestran una mayor precisión en la estimación y efectos de factores más claros bajo restricciones de cardinalidad del tratamiento.
