Plany pełne i ułamkowe – jak wybrać odpowiedni eksperyment?

Wprowadzenie: plan pełny vs ułamkowy w DOE i cel eksperymentu

Wybór między planem pełnym a ułamkowym zaczyna się od pytania: czego chcemy dowiedzieć się z eksperymentu? Innego podejścia wymaga wstępne rozpoznanie, które parametry procesu wpływają na wynik, a innego — zbadanie, jak wybrane parametry współdziałają. Dopiero jasno określony cel pozwala ocenić, jaki zakres doświadczeń będzie potrzebny.

DOE, czyli Design of Experiments — planowanie eksperymentów — to metodyka celowego zmieniania czynników i obserwowania ich wpływu na mierzoną odpowiedź. Czynnikami mogą być na przykład temperatura, ciśnienie i czas procesu, a odpowiedzią: wytrzymałość produktu, wydajność lub udział wad. W odróżnieniu od podejścia polegającego na zmienianiu jednego parametru naraz plany czynnikowe pozwalają badać wiele czynników w ramach jednego eksperymentu, a przy odpowiedniej konstrukcji także ich interakcje. Interakcja oznacza, że wpływ jednego czynnika zależy od ustawienia innego.

Co odróżnia plan pełny od ułamkowego?

Plan pełny obejmuje wszystkie kombinacje ustalonych poziomów badanych czynników. Jeśli każdy czynnik przyjmuje dwa poziomy, na przykład niski i wysoki, eksperyment uwzględnia każde możliwe zestawienie tych ustawień. Taki plan zapewnia pełny układ porównań w wybranym zakresie i pozwala rozdzielić efekty główne oraz interakcje. Nie oznacza jednak zbadania wszystkich możliwych warunków procesu — wnioski dotyczą przede wszystkim przyjętych czynników i ich poziomów, a ocena niepewności wymaga odpowiedniej organizacji doświadczenia.

Plan ułamkowy obejmuje celowo dobraną część kombinacji planu pełnego. Nie jest to przypadkowe pominięcie niektórych ustawień, lecz uporządkowany wybór umożliwiający uzyskanie określonych informacji przy mniejszym zakresie badań. Ceną jest ograniczona możliwość oddzielnego oceniania części efektów. Dlatego przydatność takiego planu zależy od tego, jakie efekty są istotne dla celu eksperymentu i jakie założenia o pozostałych można uzasadnić.

Najpierw pytanie badawcze, potem plan

Plany ułamkowe często wykorzystuje się w badaniach przesiewowych, gdy zadaniem jest wyłonienie najważniejszych czynników spośród większej grupy kandydatów. Plany pełne znajdują zastosowanie między innymi w dokładniejszym badaniu wybranego zestawu czynników, zwłaszcza gdy ważne jest poznanie ich współdziałania. To różne zakresy informacji, a nie prosty podział na eksperyment „lepszy” i „gorszy”.

Przed wyborem planu warto więc sformułować cel jako konkretne pytanie: „Które ustawienia wpływają na wytrzymałość?” albo „Czy wpływ temperatury zmienia się wraz z czasem procesu?”. Trzeba również wskazać mierzoną odpowiedź, czynniki pozostające pod kontrolą oraz zakres ich zmian. Jeśli celem jest znalezienie optimum, należy pamiętać, że sam plan dwupoziomowy — pełny lub ułamkowy — zwykle nie wystarcza do opisania krzywizny zależności. Plan powinien odpowiadać na pytanie badawcze, a nie jedynie porządkować serię prób.

Kompromis koszt–informacja: liczba prób, budżet, czas i ryzyko błędnych wniosków

Oszczędność wynikająca z planu ułamkowego jest łatwa do policzenia. Trudniej wycenić informację, z której rezygnujemy. W Cognity często słyszymy pytania, jak w praktyce pogodzić ograniczony budżet eksperymentu z potrzebą uzyskania wiarygodnych wniosków – odpowiadamy na nie także na blogu. Wybór planu powinien więc uwzględniać nie tylko koszt wykonania eksperymentu, lecz także koszt decyzji podjętej na podstawie jego wyników. Inny poziom niepewności można zaakceptować przy wstępnym wyborze czynników do dalszych badań, a inny przy zatwierdzaniu parametrów procesu, którego błędne ustawienie prowadzi do braków lub reklamacji.

Liczba kombinacji to nie cały budżet eksperymentu

Dla k czynników badanych na dwóch poziomach plan pełny obejmuje 2^k kombinacji ustawień. Plan ułamkowy wykorzystuje ich część, na przykład połowę lub jedną czwartą. Nie jest to jednak automatycznie ostateczna liczba prób: do harmonogramu mogą dojść niezależne powtórzenia, punkty centralne czy próby potwierdzające. Warto uwzględnić je w budżecie już na etapie projektowania, zamiast traktować jako nieprzewidziany wydatek.

Koszt pojedynczej próby obejmuje więcej niż materiał i pomiar. Znaczenie mają również przygotowanie stanowiska, przezbrojenia, stabilizacja warunków, praca operatora, analiza laboratoryjna oraz ewentualny przestój produkcji. Zmniejszenie liczby kombinacji o połowę nie musi zatem oznaczać zmniejszenia całkowitego kosztu o połowę. Część wydatków jest stała, a część zależy od konkretnych ustawień i koniecznych zmian między próbami.

Czas wykonania a jakość informacji

Krótszy eksperyment może ułatwić utrzymanie porównywalnych warunków: tej samej partii surowca, podobnego stanu urządzenia czy stabilnego otoczenia. Dłuższa realizacja zwiększa ekspozycję na zmiany procesu, które trzeba uwzględnić w organizacji badania. Sam plan pełny nie chroni przed takim wpływem, podobnie jak większa liczba ustawień nie zastępuje właściwej randomizacji i kontroli warunków.

Z drugiej strony redukcja liczby prób ogranicza zakres informacji dostępnej do analizy. Może utrudnić rozdzielenie wpływów poszczególnych czynników i ich współdziałania, a przy dużej zmienności wyników — osłabić podstawy wnioskowania. Zaoszczędzony budżet można przeznaczyć na niezależne powtórzenia, aby lepiej ocenić zmienność i zwiększyć precyzję oszacowań. Powtarzanie tych samych ustawień nie odzyskuje jednak informacji utraconej wskutek wyboru ułamka.

Ryzyko błędu też ma swoją cenę

Najbardziej kosztownym skutkiem zbyt oszczędnego badania bywa nie konieczność wykonania kilku dodatkowych prób, lecz błędna decyzja: pominięcie ważnego czynnika, wdrożenie nieskutecznej zmiany albo przypisanie poprawy niewłaściwej przyczynie. Plan ułamkowy może być ekonomicznie uzasadniony, gdy wynik służy zawężeniu dalszych poszukiwań. Gdy ma bezpośrednio uzasadniać kosztowne wdrożenie, większą wagę zyskują możliwość sprawdzenia istotnych zależności i rezerwa na potwierdzenie wyniku. Właściwą miarą opłacalności jest więc koszt uzyskania informacji wystarczającej do konkretnej decyzji, a nie sama liczba wykonanych prób.

Rozdzielczość planu i aliasing: co można estymować w planach 2^k i 2^k−p?

O wartości planu eksperymentu decyduje nie tylko liczba badanych czynników, lecz także to, czy ich wpływy można od siebie oddzielić. Efekt główny opisuje przeciętną zmianę odpowiedzi po przejściu czynnika z poziomu niskiego na wysoki. Interakcja oznacza natomiast, że wpływ jednego czynnika zależy od poziomu innego. Jeżeli plan nie pozwala rozróżnić tych efektów, wynik przypisany pojedynczemu czynnikowi może w rzeczywistości obejmować również interakcję.

Plan pełny: rozdzielenie efektów nie oznacza jeszcze oceny ich istotności

Pełny plan dwupoziomowy 2^k obejmuje wszystkie kombinacje dwóch poziomów k czynników. Przy jednakowej liczbie obserwacji dla każdej kombinacji kolumny odpowiadające efektom głównym i interakcjom są wzajemnie ortogonalne. Dzięki temu można oddzielnie estymować wszystkie efekty główne oraz wszystkie interakcje — bez ich wzajemnego aliasowania.

Trzeba jednak odróżnić możliwość wyznaczenia efektu od możliwości oceny jego niepewności. Jeśli każdą kombinację wykonano tylko raz, model zawierający wyraz wolny i wszystkie efekty wykorzystuje wszystkie stopnie swobody. Nie pozostaje więc niezależna estymata wariancji błędu. Do testowania istotności potrzebne są dodatkowe informacje, na przykład niezależne powtórzenia prób, albo uzasadnione założenie, że część efektów można pominąć i wykorzystać do oszacowania błędu. Ponadto dwa poziomy czynnika nie wystarczają do odrębnego oszacowania jego efektu kwadratowego — pełny plan dwupoziomowy nie jest pełnym modelem dowolnej zależności.

Plan ułamkowy: co oznacza aliasing?

W regularnym planie ułamkowym 2^k−p wykonuje się część kombinacji planu pełnego. Niektóre kolumny modelu stają się przez to identyczne lub różnią się jedynie znakiem. Powstaje aliasing, czyli nierozróżnialność określonych efektów na podstawie danych z tego planu. Nie jest to zwykła niedokładność pomiaru: nawet idealnie precyzyjne obserwacje nie pozwolą rozdzielić takich efektów bez dodatkowych prób lub założeń.

Przykładowo w czteropróbowej połowie planu dla trzech czynników może wystąpić układ aliasów A = BC, B = AC oraz C = AB. Wówczas oszacowanie interpretowane jako efekt A reprezentuje łączny wkład A i interakcji BC; zależnie od wybranej połowy planu może to być suma albo różnica tych efektów. Przypisanie całego wyniku czynnikowi A wymaga założenia, że interakcja BC jest pomijalna. Sam eksperyment nie potwierdza tego założenia.

Rozdzielczość III, IV i V — jak czytać te oznaczenia?

Rozdzielczość regularnego planu ułamkowego określa najniższy rząd powiązań prowadzących do aliasowania. Formalnie jest długością najkrótszego słowa w relacji definiującej plan. W praktyce informuje, jak dobrze plan oddziela efekty niskiego rzędu, zwykle najważniejsze w interpretacji eksperymentu.

Plan o rozdzielczości III służy przede wszystkim do przesiewowej oceny czynników przy silnych założeniach o braku istotnych interakcji. Rozdzielczość IV lepiej chroni interpretację efektów głównych, natomiast V umożliwia analizę poszczególnych interakcji dwuczynnikowych, o ile efekty wyższych rzędów można uznać za nieistotne praktycznie.

Sama rozdzielczość nie zastępuje sprawdzenia konkretnych aliasów. Dwa plany o tej samej rozdzielczości mogą wiązać ze sobą inne efekty. Jeśli przed eksperymentem podejrzewasz konkretną interakcję, kluczowe jest ustalenie, z czym będzie nierozróżnialna — nie tylko odczytanie oznaczenia III, IV lub V.

Kiedy plan ułamkowy jest wystarczający: heurystyki praktyczne i typowe scenariusze

Plan ułamkowy jest wystarczający wtedy, gdy dostarcza informacji potrzebnych do konkretnej decyzji — nawet jeśli nie pozwala opisać wszystkich zależności w badanym układzie. Sprawdza się przede wszystkim tam, gdzie trzeba wytypować czynniki do dalszych badań, a nie od razu zbudować szczegółowy model procesu. Warunkiem jest jednak świadome przyjęcie założeń dotyczących efektów, które można uznać za mało istotne.

Selekcja czynników zamiast pełnego opisu procesu

Typowym zastosowaniem planu ułamkowego jest screening: spośród wielu potencjalnych przyczyn zmienności wybieramy te, które zasługują na bliższą analizę. Przykładowo, przy badaniu procesu technologicznego można rozpatrywać temperaturę, ciśnienie, czas operacji oraz kilka parametrów przygotowania materiału. Na tym etapie pytanie brzmi: „Które ustawienia wyraźnie wpływają na wynik?”, a nie: „Jaka kombinacja zapewnia najlepszy wynik w całym dopuszczalnym zakresie?”.

Takie podejście wspiera zasada rzadkości efektów: w wielu zastosowaniach za znaczną część zmian odpowiedzi odpowiada stosunkowo niewielka liczba efektów. To użyteczna heurystyka, nie gwarancja. Jeżeli wiedza o procesie wskazuje na liczne współzależności, założenie, że dominują efekty główne, wymaga szczególnej ostrożności.

Praktyczne przesłanki, że ułamek może wystarczyć

Dobór planu wymaga zestawienia celu badania z założeniami, na których będzie oparta interpretacja wyników. W Cognity omawiamy to zagadnienie zarówno od strony technicznej, jak i praktycznej — zgodnie z realiami pracy uczestników. Przy ocenie, czy plan ułamkowy wystarczy, warto sprawdzić następujące przesłanki:

• Wynik ma zawęzić obszar poszukiwań. Celem jest krótka lista czynników do dalszego badania, a nie ostateczne potwierdzenie mechanizmu działania procesu.
• Istnieje merytoryczne uzasadnienie pominięcia części efektów. Wcześniejsze badania, modele fizyczne lub doświadczenie technologiczne sugerują, że określone interakcje są mało prawdopodobne albo niewielkie w wybranym zakresie ustawień.
• Najważniejsze efekty można interpretować przy przyjętych założeniach. Samo zmniejszenie liczby kombinacji nie wystarcza: wybrany plan nie powinien pozostawiać nierozstrzygalnej alternatywy między dwiema równie wiarygodnymi przyczynami wyniku.
• Pomiar jest dostatecznie czuły, a warunki badania kontrolowane. Szukane zmiany muszą być możliwe do odróżnienia od szumu pomiarowego i naturalnej zmienności procesu. Oszczędniejszy plan nie zastępuje oceny tej zmienności.
• Najważniejsze wnioski można sprawdzić. Dostępność prób potwierdzających pozwala zweryfikować, czy wskazane czynniki rzeczywiście dają oczekiwaną zmianę odpowiedzi.

Typowe scenariusze zastosowania

Wstępne badanie parametrów procesu to naturalny obszar wykorzystania planu ułamkowego. Gdy lista możliwych czynników jest długa, a celem jest wybranie kilku do dokładniejszego eksperymentu, nie trzeba od razu badać każdej kombinacji ustawień. Wnioski dotyczą jednak badanego zakresu: czynnik niewykazujący znaczenia między wybranymi poziomami może stać się istotny poza nimi.

Poszukiwanie źródeł problemu jakościowego również może rozpocząć się od planu ułamkowego. Dotyczy to sytuacji, w której istnieje kilka konkurencyjnych hipotez dotyczących ustawień procesu. Eksperyment pomaga je uporządkować, ale wskazanie podejrzanego czynnika nie jest jeszcze dowodem, że ustalono przyczynę źródłową.

Wstępna ocena odporności procesu może korzystać z planu ułamkowego, gdy badamy wpływ niewielkich, realistycznych zmian parametrów wokół ustawień roboczych. Jeżeli jednak odporność zależy przede wszystkim od interakcji między ustawieniami sterowanymi a zakłóceniami, możliwość oceny tych interakcji musi być uwzględniona już przy wyborze planu.

Plan ułamkowy nie powinien natomiast służyć do deklarowania optimum, braku interakcji ani nieistotności wszystkich niewykrytych efektów bez odpowiednich podstaw. Jest wystarczający dla określonego celu badania, nie automatycznie dla każdego późniejszego wniosku o procesie.

Jak dobrać ułamek: generator, relacja definiująca, plan o żądanej rozdzielczości oraz folding

Dobór ułamka nie polega na usunięciu dowolnych wierszy z planu pełnego. W regularnym planie dwupoziomowym 2^k−p wybiera się kombinacje poziomów według reguł, które określają strukturę aliasów. Najpierw ustal, które efekty musisz rozdzielić, a dopiero potem wybierz wielkość ułamka i generatory. Dwa plany o tej samej liczbie prób mogą bowiem dostarczać informacji o różnej przydatności.

Generator: reguła budowania planu

Generator wskazuje, jak utworzyć kolumnę dodatkowego czynnika z kolumn czynników bazowych. Przy kodowaniu poziomów jako −1 i +1 zapis D = ABC oznacza, że w każdym wierszu poziom D jest iloczynem poziomów A, B i C. Z pełnego planu dla trzech czynników otrzymujemy w ten sposób osiem prób dla czterech czynników, czyli połowę planu 2⁴.

Wybór generatora ma znaczenie: D = ABC daje plan rozdzielczości IV, natomiast D = AB — przy tej samej liczbie czynników i prób — plan rozdzielczości III. Nie wystarczy więc wskazać „połowy planu”; trzeba określić, jaką połowę wybieramy. Dla ułamka 1/2^p potrzeba p niezależnych generatorów.

Relacja definiująca: kontrola rozdzielczości

Z generatora D = ABC, po pomnożeniu obu stron przez D, otrzymujemy I = ABCD. Symbol I oznacza kolumnę samych wartości +1. Jest to relacja definiująca plan, a najkrótszy występujący w niej wyraz inny niż I wyznacza rozdzielczość. Tutaj ma on cztery litery, więc rozdzielczość wynosi IV.

Przy kilku generatorach trzeba uwzględnić również ich iloczyny. Przykładowo D = AB oraz E = AC prowadzą do relacji I = ABD = ACE = BCDE. Otrzymany plan ma rozdzielczość III. Sprawdzanie wyłącznie pojedynczych generatorów nie wystarcza: ich iloczyny mogą tworzyć krótsze wyrazy i obniżać rozdzielczość całego planu.

Jak wybrać plan o wymaganej rozdzielczości?

W katalogu planów lub oprogramowaniu DOE określ liczbę czynników, dopuszczalną liczbę prób i minimalną rozdzielczość. Następnie sprawdź pełną strukturę aliasów, zwłaszcza dla interakcji istotnych z punktu widzenia procesu. Sama etykieta rozdzielczości nie mówi, czy konkretna interesująca Cię interakcja jest rozdzielona od innych prawdopodobnych efektów.

Jeżeli kilka planów spełnia wymagania, pomocniczym kryterium jest minimalna aberracja: preferuje się mniej najkrótszych wyrazów w relacji definiującej, a przy remisie porównuje kolejne długości. Warto też świadomie przypisać rzeczywiste czynniki do kolumn, aby chronić najważniejsze efekty. Gdy wymaganej struktury nie da się uzyskać przy założonej liczbie prób, trzeba zwiększyć plan albo ograniczyć zakres wnioskowania.

Folding: rozszerzenie planu w celu rozdzielenia efektów

Folding, nazywany też foldover, polega na dołączeniu odpowiednio przekształconych prób. Klasyczny wariant odwraca znaki wszystkich czynników. Dla regularnego planu rozdzielczości III takie rozszerzenie usuwa aliasowanie efektów głównych z interakcjami dwuczynnikowymi.

Nie jest to jednak uniwersalny sposób podnoszenia rozdzielczości. W planie I = ABCD jednoczesne odwrócenie wszystkich znaków pozostawia iloczyn ABCD bez zmiany, więc odtwarza tę samą frakcję. Odwrócenie tylko kolumny D daje natomiast frakcję dopełniającą i w tym przykładzie pozwala uzyskać plan pełny. Przed wykonaniem dodatkowych prób sprawdź strukturę aliasów planu łącznego — folding powinien rozdzielać wskazane efekty, a nie jedynie zwiększać liczbę obserwacji.

Decision tree: krok po kroku wybór między planem pełnym, ułamkowym i podejściem sekwencyjnym

Wybór planu zacznij od pytania: jaką decyzję podejmiesz na podstawie wyników? Innego eksperymentu wymaga wytypowanie najważniejszych czynników, a innego sprawdzenie, czy wpływ temperatury zależy od ciśnienia. Poniższe drzewo prowadzi od celu badania do wyboru planu. Podejście sekwencyjne nie jest przy tym odrębnym rodzajem planu: oznacza realizowanie eksperymentu etapami, z możliwością rozszerzenia zarówno planu pełnego, jak i ułamkowego.

Krok 1. Czy szukasz ważnych czynników, czy opisujesz konkretne zależności?

Jeśli celem jest screening, czyli odsianie czynników o niewielkim znaczeniu, rozważ plan ułamkowy jako punkt wyjścia. Warunek: musi dostarczać informacji wystarczających do wiarygodnego wskazania kandydatów do dalszych badań.

Jeśli chcesz zweryfikować określone interakcje, najpierw zapisz, które efekty musisz rozróżnić. Nie wybieraj automatycznie planu pełnego — odpowiednio dobrany plan ułamkowy również może spełnić ten cel. Przejdź do sprawdzenia jego możliwości.

Jeśli szukasz optimum i spodziewasz się krzywizny odpowiedzi, sam wybór między dwupoziomowym planem pełnym a ułamkowym nie rozwiązuje problemu. Potrzebujesz strategii pozwalającej badać krzywiznę, często z kolejnym etapem obejmującym dodatkowe poziomy czynników.

Krok 2. Czy plan pozwala osobno oszacować efekty niezbędne do decyzji?

Porównaj wymagany model z informacją dostępną w rozważanym planie. Uwzględnij nie tylko efekty, które chcesz oszacować, lecz także wiarygodne fizycznie zależności, które mogłyby zakłócić ich interpretację.

• Tak — plan ułamkowy spełnia wymagania: pozostaje kandydatem. Plan pełny nie jest konieczny tylko dlatego, że zawiera więcej kombinacji.
• Nie — ważnych efektów nie można rozdzielić: rozważ większy ułamek lub plan pełny.
• Nie wiadomo, które zależności okażą się istotne: zaplanuj eksperyment sekwencyjny, z możliwością uzupełnienia pierwszego etapu.

Krok 3. Czy możesz wykonać kompletny, wiarygodny eksperyment?

Sprawdź wykonalność planu wraz z potrzebnymi powtórzeniami, kontrolą zmienności i próbami potwierdzającymi — nie tylko liczbę unikalnych ustawień. Jeżeli plan pełny mieści się w dostępnych zasobach i jego dodatkowa informacja jest potrzebna do decyzji, wybierz plan pełny. Jeśli plan ułamkowy realizuje ten sam cel badawczy przy mniejszym nakładzie, wybierz ułamkowy.

Gdy żaden wariant nie spełnia jednocześnie wymagań informacyjnych i organizacyjnych, nie zmniejszaj liczby prób bez ponownej oceny konsekwencji. Zawęź pytanie badawcze, ogranicz zakres czynników na podstawie wiedzy procesowej albo podziel badanie na etapy.

Krok 4. Czy po pierwszym etapie będzie możliwy powrót do eksperymentu?

Jeśli tak, podejście sekwencyjne pozwala uzależnić kolejne próby od uzyskanych wyników. Zarezerwuj jednak zasoby na rozszerzenie i zadbaj o porównywalność etapów; zmiana partii materiału, aparatury czy warunków procesu może wymagać uwzględnienia w analizie.

Jeśli nie, wybierz od razu plan zapewniający informację potrzebną do końcowej decyzji. Nie opieraj wyboru małego ułamka na założeniu, że ewentualne niejasności „sprawdzi się później”, skoro późniejszy etap nie będzie dostępny.

Krok 5. Co ma uruchomić kolejny etap?

Przed rozpoczęciem badania określ reguły postępowania: nierozdzielone efekty oznaczają potrzebę uzupełnienia planu, niewystarczająca precyzja może uzasadniać dodatkowe powtórzenia, a sygnał krzywizny — rozszerzenie zakresu modelowania. Zakończenie eksperymentu powinno wynikać z uzyskania informacji wystarczającej do decyzji, z uwzględnieniem niepewności i znaczenia praktycznego efektów, a nie wyłącznie z pojawienia się wyniku istotnego statystycznie.

Przykład doboru planu dla 5–7 czynników: pełny, 1/2 czy 1/4?

Rozważmy hipotetyczny eksperyment dotyczący procesu utwardzania powłoki. Badamy sześć czynników: temperaturę, czas utwardzania, grubość warstwy, udział dodatku, wilgotność otoczenia oraz intensywność przepływu powietrza. Każdy ma dwa poziomy, a odpowiedzią jest przyczepność powłoki. Przyjmujemy, że wszystkie zaplanowane kombinacje są wykonalne i bezpieczne. Celem jest nie tylko wskazanie najważniejszych czynników, lecz także ocena interakcji — przede wszystkim między temperaturą a czasem utwardzania.

Załóżmy, że budżet pozwala na 40 wykonań eksperymentu. Część tej puli chcemy zachować na powtórzenia lub próby potwierdzające. W takim przypadku najmniejszy plan nie musi być najlepszy: oszczędność ma sens tylko wtedy, gdy nadal możemy odpowiedzieć na postawione pytanie.

Jak zmienia się liczba prób?

Dla pięciu, sześciu i siedmiu czynników podstawowe warianty obejmują:

• 5 czynników: plan pełny — 32 kombinacje, połówkowy — 16, ćwiartkowy — 8.
• 6 czynników: plan pełny — 64 kombinacje, połówkowy — 32, ćwiartkowy — 16.
• 7 czynników: plan pełny — 128 kombinacji, połówkowy — 64, ćwiartkowy — 32.

Są to liczby kombinacji w podstawowym planie, bez dodatkowych powtórzeń, punktów centralnych i prób potwierdzających. Nie należy więc utożsamiać ich automatycznie z całkowitą liczbą wykonań potrzebnych w projekcie.

Wybór dla sześciu czynników

Plan pełny, czyli 64 kombinacje, przekracza przyjęty budżet. Pozwoliłby rozdzielić wszystkie efekty czynnikowe w modelu dwupoziomowym, ale w tym przykładzie nie potrzebujemy szczegółowej oceny interakcji wysokiego rzędu. Sam plan pełny bez powtórzeń nie zapewnia też niezależnego oszacowania błędu czystego.

Plan połówkowy, obejmujący 32 kombinacje, najlepiej odpowiada założonemu celowi. Dla sześciu czynników można dobrać regularny plan połówkowy o rozdzielczości VI. Efekty główne i interakcje dwuczynnikowe nie są w nim wzajemnie uwikłane; interpretacja interakcji dwuczynnikowych wymaga jednak założenia, że uwikłane z nimi interakcje czteroczynnikowe są pomijalne. Pozwala to ocenić interesującą nas zależność temperatura–czas bez utożsamiania jej z inną interakcją dwóch czynników.

Plan ćwiartkowy, czyli 16 kombinacji, pozostawia większą rezerwę, lecz ogranicza interpretację. Przy odpowiednim doborze można uzyskać rozdzielczość IV: efekty główne nie będą uwikłane z interakcjami dwuczynnikowymi, ale część tych interakcji będzie uwikłana między sobą. Taki wariant byłby dobrym kandydatem do wstępnej selekcji czynników. W naszym przykładzie wymagałby sprawdzenia, z czym uwikłana jest interakcja temperatura–czas, i uzasadnienia, dlaczego efekty z tej samej grupy można pominąć.

Uzasadnienie decyzji i granice tego wyboru

Wybieramy zatem 32-próbny plan połówkowy o rozdzielczości VI. Mieści się w budżecie, odpowiada na pytanie o interakcje dwuczynnikowe i pozostawia osiem wykonań do zaplanowanego wykorzystania na powtórzenia lub potwierdzenie wyniku. Kolejność prób należy zrandomizować, a powtórzenia prowadzić jako niezależne wykonania procesu, nie wyłącznie ponowne pomiary tej samej próbki.

Zmiana liczby czynników może zmienić decyzję. Przy pięciu czynnikach w tej samej puli mieści się plan pełny z rezerwą. Przy siedmiu 32 kombinacje oznaczają już ćwiartkę planu, a w regularnym planie o tej wielkości nie uzyskamy rozdzielczości V. Jeśli nadal kluczowe jest rozdzielenie konkretnych interakcji dwuczynnikowych, trzeba sprawdzić ich uwikłania i rozważyć rozszerzenie eksperymentu albo uzasadnione ograniczenie zakresu badania. Ta sama liczba prób nie oznacza tej samej informacji — wybór musi wynikać z liczby czynników i efektów, które chcemy rozróżnić.

Podsumowanie i checklista: jak szybko ocenić, czy plan daje wystarczającą informację

Dobry plan DOE dostarcza informacji potrzebnych do podjęcia konkretnej decyzji — nie musi obejmować wszystkich możliwych kombinacji ustawień. Plan pełny pozwala zbadać każdą kombinację przyjętych poziomów czynników i szerzej analizować interakcje. Plan ułamkowy ogranicza liczbę prób, dlatego często sprawdza się przy wstępnym poszukiwaniu czynników wpływających na wynik. Wymaga jednak świadomego zaakceptowania tego, że niektórych efektów nie da się rozdzielić na podstawie samych danych z tego planu.

Przed zatwierdzeniem eksperymentu sprawdź nie tylko liczbę prób, lecz przede wszystkim to, czy jego wyniki pozwolą rozstrzygnąć pytanie badawcze. Poniższa lista pomaga wychwycić najważniejsze luki.

• Czy wiadomo, jaką decyzję mają wesprzeć wyniki? Wskazanie istotnych czynników, ocena konkretnej interakcji i wybór ustawień procesu to różne zadania. Określ mierzoną odpowiedź oraz zmianę, która ma znaczenie praktyczne.
• Czy najważniejsze efekty można oszacować bez nieakceptowalnych uwikłań? Sprawdź, czy efekt kluczowy dla decyzji nie jest pomieszany z innym, którego występowania nie możesz rozsądnie wykluczyć.
• Czy założenia upraszczające mają uzasadnienie? Pomijanie wybranych interakcji powinno wynikać z wiedzy o procesie lub wcześniejszych badań, a nie wyłącznie z potrzeby zmniejszenia eksperymentu.
• Czy plan pozwoli wykryć zmianę o istotnej wielkości? Możliwość oszacowania efektu nie oznacza jeszcze dostatecznej precyzji. Uwzględnij zmienność odpowiedzi, jakość pomiaru i liczbę powtórzeń.
• Czy masz wiarygodny sposób oceny błędu? Ustal, skąd będzie pochodziło oszacowanie zmienności losowej. Wielokrotny odczyt tej samej próbki nie zastępuje niezależnego powtórzenia próby eksperymentalnej.
• Czy sposób realizacji chroni przed zakłóceniami? Zaplanuj randomizację, a w razie potrzeby blokowanie. Zmiana partii materiału, dnia lub operatora nie powinna zostać błędnie przypisana badanemu czynnikowi.
• Czy wiadomo, co zrobić z wynikiem niejednoznacznym? Zostaw możliwość wykonania prób rozdzielających konkurencyjne wyjaśnienia oraz potwierdzenia wybranych ustawień przed ich wdrożeniem.

Plan daje wystarczającą informację wtedy, gdy pozwala podjąć zamierzoną decyzję z akceptowalną niepewnością. Jeśli kluczowy efekt pozostaje nierozróżnialny albo ginie w zmienności procesu, sam wzrost liczby analiz nie rozwiąże problemu — potrzebna jest zmiana lub uzupełnienie eksperymentu. Dotyczy to również planu pełnego: komplet kombinacji nie gwarantuje ani precyzji, ani wiarygodności wniosków. W Cognity łączymy teorię z praktyką — dlatego zagadnienia doboru i oceny planów eksperymentów rozwijamy także w formie ćwiczeń na szkoleniach.

Jak wdrożyć Six Sigma w firmie produkcyjnej? 28 października 2026

Six Sigma Green Belt i Black Belt – czym się różnią? 26 października 2026