Soy un novato que está intentando ejecutar un factorial completo. Recién estoy aprendiendo JMP y T&E, por lo que todavía no sé realmente lo que estoy haciendo.
Tengo 4 factores continuos. Digamos que mis factores son aves observadas en el parque X (donde X representa un parque local diferente). No sé cómo debo calcular los niveles de los factores. Si quiero que ese número se aleatorice entre 0 y 50, ¿cómo debo realizar la prueba?
Si ejecuto el FF con 4 factores continuos y 2 niveles (0 y 50), JMP solo ejecuta combinaciones de 0 y 50. Sin embargo, técnicamente, cualquier número entre 0 y 50 podría aparecer. ¿Debo crear 4 factores continuos con 50 niveles para que aparezca cada número entre 0 y 50? ¿Es mejor mantener los 2 niveles? ¿Debería crear un DOE personalizado y agrupar los niveles por números fijos?
También ejecuté un FF con 4 factores categóricos (4 niveles: ninguno, bajo, medio, alto).
Hola @jmpbeginner843 ,
¡Bienvenido a la comunidad!
Lo siento, pero me estás dando muy poca información útil. Aquí tienes algunas preguntas preliminares para comprender mejor tu tema:
- ¿Cuál es su objetivo con este DoE? ¿Predicción, optimización y comprensión de las relaciones entre variables?
- ¿Cuáles son tus factores? Mencionas cuatro factores continuos, pero solo mencionas uno relacionado con el número de parques. ¿Son independientes los factores? ¿O hay niveles de diferentes factores vinculados o limitados?
- ¿Cuál(es) es(son) su(s) respuesta(s)? ¿Conoce o puede evaluar el error de experimentación y medición?
- ¿Por qué eligió un diseño factorial completo en primer lugar? Creo que podría haber mejores alternativas para reducir el número de ejecuciones (con diseños factoriales fraccionales, diseños óptimos , ...) o para explorar más uniformemente el espacio de diseño (con diseños de relleno de espacio ). Los diseños factoriales completos y los diseños factoriales clásicos utilizan solo dos niveles para factores continuos. El número de niveles para factores continuos en diseños factoriales está vinculado al modelo asumido que tiene: con 2 niveles para sus factores continuos, espera un modelo lineal con términos de primer orden (efectos principales) y posibles interacciones. Si tiene 3 niveles para estos factores, entonces su modelo asumido puede detectar efectos cuadráticos además de los efectos anteriores. Todavía puede esperar algo de curvatura en su superficie de respuesta si ha detectado interacciones fuertes, pero si está interesado en muestrear uniformemente en el espacio de diseño, podría ser más apropiado utilizar diseños de relleno de espacio.
¿Has consultado los diferentes recursos del DoE disponibles y la plataforma DoE fácil para ayudarte a comenzar?
Espero que este primer inicio de discusión pueda ayudarte.
