Documentos de Académico
Documentos de Profesional
Documentos de Cultura
9/14/2006
Resumen
La seleccin de Optimizar Diseo sobre el men DDE construye diseos D-ptimos para
determinar un subconjunto de corridas de una lista de corridas candidatas proporcionadas por el
usuario. Los diseos D-ptimos son experimentos que minimizan una cantidad relacionada con
el volumen de una regin de confianza comn para los coeficientes de regresin del modelo
estimado para describir la relacin entre los factores experimentales y las variables respuestas. El
usuario empieza el procedimiento por la especificacin del modelo a estimarse, un conjunto de
corridas candidatas, y el nmero de corridas deseadas. El procedimiento entonces invoca un
algoritmo que selecciona un subconjunto de estas corridas que tienen una alto D-Eficacia.
Dos usos importantes de los diseos D-ptimos son discutidos en este documento:
Ejemplo #1: Aumentando un experimento que fue mal diseado. En este caso, el
procedimiento selecciona corridas adicionales que pueden ayudar dado que algunas
corridas ya fueron desarrolladas.
Despus de 6 corridas y un progreso leve, se decidi parar y disear un buen experimento. Sin
embargo, no se deseaba ejecutar muy lejos las corridas de las que ya se haban desarrollado, cada
una de ellas fue costosa y consumi un tiempo.
1. Un diseo factorial mixto ser construido con un nmero grande de corridas que cubran
la regin experimental completa de inters.
2. Las 6 corridas desarrolladas sern agregadas al diseo factorial mixto.
3. El procedimiento Optimizar Diseo deber usarse para seleccionar 9 corridas adicionales
a las primeras 6 agregadas.
Para crear un diseo D-ptimo, este archivo deber cargarse usando la opcin Abrir Datos
Fuente sobre el men Archivo:
Despus de que las corridas son cargadas en la base de datos, las 6 corridas que fueron
desarrolladas deben agregarse manualmente al final de la hoja:
2006 por StatPoint, Inc. DDE Optimizar Diseo - 2
STATGRAPHICS Rev. 9/14/2006
Note lo siguiente:
1. Un nmero separador de bloque tiene indicado cuales fueron las corridas iniciales.
Dependiendo si el experimentador cree que las condiciones cambiaron sobre las corridas
iniciales, el nmero de bloque puede o no puede incluirse sobre la estimacin del modelo.
La caja de dialogo en Opciones del Anlisis sobre ambos procedimientos de Analizar
Diseo y Optimizar Diseo contienen una opcin para ignorar los nmeros de bloque.
2. Los valores medidos de la variable respuesta deben ingresarse. Esto forzara a esas 6
corridas a ser seleccionadas por Optimizar Diseo, siempre que las corridas seleccionadas
ya se hayan realizado.
Optimizar Experimento
Seleccione Opciones de Anlisis para optimizar el diseo.
Presionando el clic derecho del ratn y seleccionando Opciones del Anlisis se despliega la
siguiente caja de dialogo:
Mximo Orden del Efecto El mximo orden del efecto a ser incluido en el modelo.
Especificar 1 para un modelo que contenga solamente efectos principales, p especificar 2
si las interacciones dobles o efectos cuadrticos deben incluirse.
Ignorar Nmeros de Bloques Si se activa, el efecto de bloque ser excluido del modelo.
En caso contrario, sern agregadas columnas en la Matriz X para que distinga entre los
bloques.
Patrn de Confusin: Si esta seleccionado Del Diseo Original dado que el diseo
original fue un Factorial Fraccionado o Plackett-Burman, el procedimiento del anlisis
normalmente examina el patrn de confusin para determinar cuales efectos podrn
estimarse. Cambiando la configuracin a De los Datos forzamos al programa a estimar
todos los efectos que no se confundieron perfectamente con otros efectos o se excluyeron
usando el botn Excluir.
Mtodo: El mtodo usado para seleccionar las corridas. Puesto que el nmero de maneras de
cambiar subconjuntos de las corridas candidatas es muy grande para revisar todas las
posibilidades, STATGRAPHICS (como otros programas) usa un algoritmo de seleccin para
cambiar los subconjuntos. El mtodo Hacia Adelante empieza con las corridas que fueron
desarrolladas (si cualquiera) y agrega una corrida a la vez, adicionando en cada paso la
corrida que suma la mayor D-Eficacia del experimento. El mtodo Hacia Atrs empieza con
todas las corridas candidatas y remueve una corrida a la vez, removiendo en cada paso la
corrida que suma la menor D-Eficacia del experimento. En ambos casos, una vez que el
nmero de corridas deseadas es seleccionado, un algoritmo de intercambio ser desarrollado.
Este algoritmo prueba todos los pares de corridas consistentes de una que fue seleccionada y
otra que no lo fue, hacer cualquier cambio puede incrementar la eficiencia del experimento.
Los cambios continan hasta no tener mejoras adicionales que puedan realizarse cambiando
una corrida que fue seleccionado con otra que no lo fue.
Dar doble clic sobre cualquier efecto que se pueda mover de un lado para otro.
Y = 0 + 1 X 1 + 2 X 2 + 3 X 3 + 12 X 1 X 2 + 13 X 1 X 3 + 23 X 2 X 3
+ 11 X 12 + 22 X 22 + 33 X 32 + (1)
Este modelo tiene un total de p = 10 coeficientes. Agregando 3 grados de libertad para estimar el
error experimental puede requerir un total de N = 15.
Optimizar Experimento
Nombre del archivo: C:\DocData\d1.sfx
Criterio de seleccin: Optimizacin-D
Nmero deseado de corridas: 15
Mtodo de seleccin: Hacia adelante con intercambio al final
Orden del modelo: 2
Diseo D-optima
El diseo se ha reducido a 15 corridas.
Eficiencia-D = 37.4089%
Eficiencia-A = 20.8063%
Eficiencia-G = 63.0889%
La tabla despliega informacin acerca de las opciones que fueron seleccionadas y las mediciones
de eficacia del diseo resultante. Tres mediciones de eficacia pueden calcularse:
1
D Eficacia = 100 | X X |1 / p % (2)
N
p
A Eficacia = 100 %
(
traza N ( X X )
1
)
(3)
G- Eficacia Compara la prediccin del error estndar mximo m sobre los puntos del
diseo a travs de:
p/N
G Eficacia = 100 % (4)
m
Para los diseos con D-Eficacia igual, los otros dos criterios pueden usarse para seleccionar el
mejor diseo. En un diseo organizado como el que tenemos, las eficacias del diseo pueden
ser bien bajas cuando requerimos un nmero de corridas mnimo.
Lista de Candidatas
La tabla Lista de Candidatas despliega cada una de las corridas candidatas marcando con un
asterisco a las que fueron seleccionadas. Una pequea porcin de la lista se muestra abajo:
Lista de Candidatos
corrida bloque temperature flow rate concentration
1 1 160.0 50.0 20.0
2 1 165.0 50.0 20.0
3 1 170.0 50.0 20.0
4 1 175.0 50.0 20.0
Hoja de Trabajo
La tabla Hoja de Trabajo muestra solamente las corridas que fueron seleccionadas:
Note que la tabla incluye las 6 corridas que fueron desarrolladas en el ejemplo, junto con otras
nueve corridas.
Respuestas a Incluir Las respuestas que se incluyen sobre la hoja de trabajo a imprimir. El
analista puede pedir imprimir por separado la hoja de trabajo para cada respuesta si el
nmero de factores experimentales es grande.
Y = 1 X 1 + 2 X 2 + 3 X 3 + 12 X 1 X 2 + 13 X 1 X 3 + 23 X 2 X 3 (5)
Cada componente tiene una restriccin inferior y superior, y la suma de todos los componentes
es igual a 0.5:
La caja de dialogo final permite al experimentador agregar mezclas adicionales en los centros de
los bordes de la regin viable, en los puntos de comprobacin axiales sobre la lnea de los
vrtices al centroide total, en los centro de cara de la regin viable, y en el centroide total:
La Hoja de Trabajo se muestra abajo con las 13 corridas generadas por el proceso Crear Diseo:
Corridas 9-12: Los centroides de los bordes conectando cada par de vrtices adyacentes.
Mtodo: El mtodo usado para seleccionar las corridas, como se discuti anteriormente.
Botn Excluir: Presione este botn para excluir efectos especficos del modelo.
Optimizar Experimento
Nombre del archivo: C:\DocData\shampoo.sfx
Comentario: Shampoo foam experiment
Diseo D-optima
El diseo se ha reducido a 13 corridas.
Optimizacin-D = 0.00000313959
Optimizacin-A = 2248.85
Eficiencia-G = 93.37%
Pulse el cono de Opciones Tabulares para desplegar la hora de trabajo de las corridas seleccionadas.
La tabla despliega:
Lista de Candidatos
corrida lauryl sulfate cocamide lauramide
* 1 0.3 0.07 0.13
* 2 0.27 0.1 0.13
* 3 0.2 0.1 0.2
* 4 0.23 0.07 0.2
5 0.275 0.0775 0.1475
6 0.26 0.0925 0.1475
7 0.225 0.0925 0.1825
8 0.24 0.0775 0.1825
9 0.285 0.085 0.13
* 10 0.265 0.07 0.165
11 0.235 0.1 0.165
12 0.215 0.085 0.2
* 13 0.25 0.085 0.165
* 14 0.3 0.07 0.13
* 15 0.27 0.1 0.13
* 16 0.2 0.1 0.2
* 17 0.23 0.07 0.2
18 0.275 0.0775 0.1475
19 0.26 0.0925 0.1475
20 0.225 0.0925 0.1825
21 0.24 0.0775 0.1825
* 22 0.285 0.085 0.13
23 0.265 0.07 0.165
* 24 0.235 0.1 0.165
* 25 0.215 0.085 0.2
26 0.25 0.085 0.165
* indica que la corrida seleccionada alcanz la optimizacin-D
Cada uno de los cuatro vrtices se corre dos veces (#1-#4 y #14-#17). El centroide (#13) es
corrido una vez. Todos los centros de borde tambin se corren (#10, #2, #24, y #25). Ninguna de
las mezclas de comprobacin axial fueron seleccionadas.
Para una buena discusin e ilustracin de este ejemplo, ver Myers y Montgomery (2002).