IL DESIGN OF EXPERIMENTS SPIEGATO IN MODO SEMPLICE
Una guida completa e accessibile al Design Of Experiments con spiegazioni semplificate ed esempi pratici
Il Design of Experiments (DOE) è una metodologia sistematica per pianificare, condurre, analizzare e interpretare esperimenti controllati al fine di determinare le relazioni causa-effetto tra variabili di input (fattori) e output (risposte) di un processo.
Facciamo subito un esempio per capire di cosa stiamo parlando. Immaginate di voler migliorare i risultati del vostro allenamento. Anziché modificare casualmente un elemento alla volta (il tipo di esercizio, la durata, l'intensità, l'alimentazione, ecc.), il Design of Experiments permette di testare simultaneamente diverse combinazioni di questi fattori in modo strutturato. Potreste scoprire, ad esempio, che l'allenamento a intervalli ad alta intensità di 30 minuti, con un pasto ricco di proteine 2 ore prima, produce i migliori risultati in termini di forza e resistenza. Inoltre, potreste notare che la combinazione di questa tipologia di allenamento, con un particolare regime alimentare, funziona meglio rispetto alla somma dei singoli effetti e capire, quindi, che c'è un'interazione positiva tra questi fattori.
Questo è esattamente ciò che il DOE consente di fare: identificare non solo quali fattori sono importanti, ma anche come interagiscono tra loro.
TERMINOLOGIA DEL DESIGN OF EXPERIMENTS
- Fattori: sono le variabili indipendenti che possono influenzare la risposta.
Esempio fitness: tipo di esercizio (HIIT, pesi, cardio), durata dell'allenamento, tempistiche dei pasti - Livelli: sono valori o impostazioni specifiche assegnate ai fattori.
Esempio: HIIT può avere diversi livelli, "20 minuti" o "40 minuti"; il timing dei pasti può essere "2 ore prima" o "subito prima" - Risposta: si tratta della variabile dipendente o dell'output misurato.
Esempio : aumento della forza, perdita di peso, resistenza cardiovascolare, tempo di recupero - Trattamento: è la combinazione specifica di livelli dei fattori.
Esempio: "HIIT per 20 minuti + pasto proteico 2 ore prima + allenamento mattutino" è un trattamento - Replica: si tratta della ripetizione di un esperimento nelle stesse condizioni.
Esempio: testare lo stesso protocollo di allenamento per diverse settimane per confermare i risultati - Blocco: è un raggruppamento di unità sperimentali omogenee.
Esempio: separare i test per giorni della settimana o per gruppi di persone con un livello simile di forma fisica - Assegnazione casuale: si riferisce ai trattamenti e alle unità sperimentali.
Esempio: variare casualmente l'ordine dei protocolli di allenamento per evitare che fattori esterni (come stagionalità o forma fisica in progressione) influenzino i risultati - Sovrapposizione: si riferisce agli effetti di diversi fattori.
Esempio: difficoltà nel separare gli effetti dell'allenamento da quelli dell'alimentazione se cambiano sempre insieme
PRINCIPI CHIAVE
- Assegnazione casuale: riduce l'effetto delle variabili non controllate.
Esempio: alternare casualmente i giorni in cui si testano i diversi protocolli per evitare che la stanchezza accumulata influenzi sempre gli stessi trattamenti - Replica: aumenta la precisione e consente la stima dell'errore sperimentale.
Esempio: ripetere ciascun protocollo per 2-3 settimane per distinguere i veri effetti dalla varianza naturale delle performance - Blocco: riduce la varianza dovuta a fattori esterni noti.
Esempio: se si sa che le performance sono migliori nei giorni feriali rispetto al weekend, progettare l'esperimento tenendone conto - Ortogonalità: garantisce l'indipendenza nella stima degli effetti dei fattori.
Esempio: assicurarsi che ogni tipo di esercizio venga testato con ciascuna delle opzioni di timing dei pasti per poter separare gli effetti
TIPI DI DESIGN OF EXPERIMENTS
DOE completamente casuale
- Si tratta del Design Of Experiments più semplice
- Si basa sull'assegnazione casuale dei trattamenti alle unità sperimentali
- Come vantaggi ha la semplicità e la massima flessibilità
- Come svantaggi ha il fatto di essere meno efficiente in presenza di varianza del processo
- Esempio: si testano casualmente diverse combinazioni di allenamento (ad es. "HIIT per 20 min" un giorno, "pesi per 45 min" un altro) senza considerare altri fattori come il giorno della settimana o il livello di energia. Ogni giorno si sceglie a caso il protocollo da seguire.
DOE a blocchi casuali
- Si basa su unità sperimentali raggruppate in blocchi omogenei
- Ogni trattamento appare una volta in ogni blocco
- Vantaggi: controlla la varianza nota tra i blocchi
- Applicazione: è utile quando esiste eterogeneità tra i gruppi di unità
- Esempio: si divide la settimana in blocchi (giorni feriali e weekend), riconoscendo che il livello di energia e di tempo disponibile è diverso. Si testa ogni protocollo di allenamento sia nei giorni feriali che nel weekend per tener conto di questa variabilità nota.
DOE fattoriale
- Studia l'effetto di più fattori contemporaneamente
- Analizza le interazioni tra i fattori
- Tipologie:
- Fattoriale completo: tutte le possibili combinazioni
- Esempio: si testano tutte le combinazioni possibili di tipologia di esercizio (3 tipi: HIIT, pesi, cardio) e di timing del pasto (2 opzioni: 2 ore prima, subito prima), per un totale di 6 combinazioni diverse.
- Fattoriale frazionario: sottoinsieme di combinazioni
- Esempio: anziché testare tutte le 12 combinazioni possibili di tipo di esercizio (3), durata (2) e timing del pasto (2), se ne selezionano solo 6 accuratamente scelte per ottenere comunque informazioni sugli effetti principali
- 2^k fattoriale: k fattori a 2 livelli ciascuno
- Esempio: Si esaminano 3 fattori (tipo di esercizio: HIIT e pesi; momento della giornata: mattina e sera; durata: 20 e 40 minuti) a 2 livelli ciascuno, creando 2³ = 8 combinazioni da testare
- Fattoriale completo: tutte le possibili combinazioni
DOE di superficie di risposta
- Modella relazioni non lineari
- Determina le condizioni ottimali
- Esempio: dopo aver identificato che la durata dell'allenamento e l'intensità sono fattori significativi, si conducono ulteriori test con più livelli (durata: 15, 30, 45 minuti; intensità: 60%, 75%, 90% della frequenza cardiaca massima) per trovare il punto ottimale che massimizza il consumo calorico senza causare un eccessivo affaticamento
FASI DEL DOE
- Pianificazione
- definire obiettivi chiari
- identificare fattori, livelli e risposte
- selezionare il Design Of Experiments appropriato
- obiettivo: massimizzare la perdita di grasso corporeo in 8 settimane
- fattori identificati: tipo di allenamento (HIIT e pesi), momento della giornata (mattina e sera), frequenza settimanale (3 e 5 giorni)
- Risposta da misurare: percentuale di grasso corporeo, peso, circonferenza vita
- Scelta di un DOE fattoriale 2³ (8 combinazioni diverse da testare, con ciascuna combinazione mantenuta per 1 settimana)
- Esecuzione
- seguire il piano sperimentale
- raccogliere dati con metodi standardizzati
- documentare eventuali deviazioni dal piano
- implementare le 8 combinazioni su 8 settimane consecutive
- misurare ogni lunedì mattina a digiuno: peso, percentuale di grasso, circonferenza vita
- registrare eventuali anomalie (malattia, stanchezza eccessiva, deviazioni dalla dieta)
- tenere un diario di allenamento con percezione dello sforzo per ogni sessione
- Analisi
- Analisi della varianza (ANOVA)
- stima degli effetti dei fattori
- analisi residuale per validazione del modello
- diagrammi degli effetti e delle interazioni
- calcolare la variazione settimanale della percentuale di grasso corporeo per ogni combinazione
- determinare quale fattore ha l'impatto maggiore (ad es., tipo di allenamento causa -0.8% di grasso quando si passa da cardio a HIIT)
- identificare interazioni (ad es., HIIT è più efficace la mattina, mentre i pesi sono più efficaci la sera)
- creare grafici che mostrano l'effetto di ciascun fattore sulla perdita di grasso
- Interpretazione
- identificare i fattori significativi
- determinare le condizioni ottimali
- formulare conclusioni basate sui dati
- conclusione: il fattore più significativo è il tipo di allenamento (HIIT superiore ai pesi)
- ottimizzazione: HIIT mattutino 5 volte a settimana produce la massima perdita di grasso
- interazione rilevante: la frequenza settimanale è più importante per HIIT che per l'allenamento con i pesi
- implementazione di un nuovo programma di allenamento basato su questi risultati, con sessioni HIIT mattutine 5 volte alla settimana
ANALISI STATISTICA ANOVA
L'ANOVA è come una sorta di detective che ci aiuta a capire se le differenze che osserviamo nei nostri risultati sono "reali" (dovute ai fattori che stiamo testando) o semplicemente frutto del caso. È un po' come quando ci chiediamo: "Questa nuova dieta funziona davvero, o i 2 kg persi sono solo normali fluttuazioni del peso?"
Come funziona:
- parte dal presupposto che se non ci fosse alcun effetto dei fattori che stiamo studiando (ad es. il tipo di allenamento), i risultati varierebbero solo per caso
- confronta due tipi di variabilità:
- quanto variano i risultati tra gruppi diversi (ad es. gruppo HIIT e gruppo pesi)
- quanto variano i risultati all'interno dello stesso gruppo (ad es. tra persone che fanno tutte l'allenamento ad alta intensità)
- se la variazione tra gruppi è maggiore di quella all'interno dei gruppi, concludiamo che il fattore testato ha un effetto reale
Esempio: immaginiamo di testare due tipi di allenamento (HIIT e pesi) su 10 persone ciascuno, misurando la percentuale di grasso perso dopo 8 settimane:
- gruppo HIIT: perdita media di 3.2% di grasso (con valori individuali che variano da 2.7% a 3.8%)
- gruppo pesi: perdita media di 1.8% di grasso (con valori individuali che variano da 1.3% a 2.2%)
L'ANOVA confronta:
- la differenza tra le medie dei gruppi (3.2% e 1.8% = differenza di 1.4%)
- la variabilità all'interno dei gruppi (quanto i singoli risultati si discostano dalla media del loro gruppo)
Il test calcola un valore chiamato "F", che è come un rapporto tra "quanto è grande la differenza tra i gruppi" e "quanta variazione naturale c'è". Più grande è F, più è probabile che le differenze siano dovute al fattore testato e non al caso.
Il valore "p" ci dice la probabilità che le differenze osservate siano dovute al caso. In genere:
- p < 0.05: c'è meno del 5% di probabilità che le differenze siano casuali (risultato significativo)
- p < 0.01: c'è meno dell'1% di probabilità che le differenze siano casuali (risultato molto significativo)
Nel nostro esempio, potremmo ottenere F=24.3 con p<0.001, che significherebbe che è estremamente improbabile (meno dello 0.1% di probabilità) che la maggiore perdita di grasso nel gruppo HIIT sia dovuta al caso. Possiamo concludere con fiducia che l'allenamento ad alta intensità è più efficace dei pesi per la perdita di grasso corporeo.
APPLICAZIONI PRATICHE
Rivediamo dal principio il nostro esempio: un personal trainer utilizza il Design Of Experiment per ottimizzare i programmi di allenamento:
- problema iniziale: clienti con risultati variabili nella perdita di peso
- fattori testati: tipo di allenamento (HIIT e pesi), orario (mattina e sera), frequenza settimanale (3 e 5 volte)
- DOE utilizzato: fattoriale 2³ (8 combinazioni)
- risultati:
- HIIT mattutino 5 volte a settimana produce i migliori risultati
- HIIT è più efficace al mattino, mentre i pesi hanno risultati simili mattina e sera
- L'interazione tra tipo e frequenza è significativa (aumentare la frequenza ha più impatto con il programma ad alta intensità)
- implementazione: programmi personalizzati basati sui risultati, con raccomandazioni specifiche per ogni cliente secondo i loro vincoli di tempo e preferenze
FORMULE
Non spaventatevi! Anche se non amate la matematica, queste formule sono in realtà molto semplici e pratiche.
Formula: n = L^k
Questa formula ci dice quanti esperimenti diversi dovremo fare per testare tutte le possibili combinazioni.
- L = numero di livelli (quante opzioni abbiamo per ogni fattore)
- k = numero di fattori (quante variabili stiamo testando)
- n = numero totale di combinazioni da testare
Esempio: immaginiamo di voler testare:
- il tipo di allenamento (HIIT o pesi): 2 livelli
- il momento della giornata (mattina o sera): 2 livelli
- la frequenza settimanale (3 o 5 giorni): 2 livelli
Quante combinazioni diverse dovremo testare? n = L^k = 2^3 = 8 combinazioni
Le 8 combinazioni sarebbero:
- HIIT, mattina, 3 giorni/settimana
- HIIT, mattina, 5 giorni/settimana
- HIIT, sera, 3 giorni/settimana
- HIIT, sera, 5 giorni/settimana
- Pesi, mattina, 3 giorni/settimana
- Pesi, mattina, 5 giorni/settimana
- Pesi, sera, 3 giorni/settimana
- Pesi, sera, 5 giorni/settimana
Formula: E = Media(risposta al livello alto) - Media(risposta al livello basso)
Cosa significa in parole semplici: Questa formula ci dice quanto impatto ha un particolare fattore sul risultato. È semplicemente la differenza tra il risultato medio quando il fattore è al livello "alto" e quando è al livello "basso".
Esempios: supponiamo di aver misurato la perdita di grasso corporeo (in percentuale) dopo 8 settimane per tutte le 8 combinazioni:
| Combinazione | Tipo | Momento | Frequenza | % Grasso perso |
|---|---|---|---|---|
| 1 | HIIT | Mattina | 3 giorni | 2.8% |
| 2 | HIIT | Mattina | 5 giorni | 3.6% |
| 3 | HIIT | Sera | 3 giorni | 2.5% |
| 4 | HIIT | Sera | 5 giorni | 3.2% |
| 5 | Pesi | Mattina | 3 giorni | 1.6% |
| 6 | Pesi | Mattina | 5 giorni | 2.2% |
| 7 | Pesi | Sera | 3 giorni | 1.5% |
| 8 | Pesi | Sera | 5 giorni | 2.0% |
Per calcolare l'effetto del tipo di allenamento:
- media con HIIT (combinazioni 1-4): (2.8 + 3.6 + 2.5 + 3.2)/4 = 3.025%
- media con pesi (combinazioni 5-8): (1.6 + 2.2 + 1.5 + 2.0)/4 = 1.825%
- effetto = 3.025 - 1.825 = 1.2%
Interpretazione: Passare dall'allenamento con pesi al HIIT produce mediamente un aumento dell'1.2% nella perdita di grasso corporeo.
In maniera simile, possiamo calcolare:
- Effetto del momento: 0.35% (mattina superiore alla sera)
- Effetto della frequenza: 0.65% (5 giorni superiore a 3 giorni)
Formula: Interazione A×B = [Effetto di A al livello alto di B - Effetto di A al livello basso di B]/2
Questa formula verifica se l'effetto di un fattore cambia a seconda del livello di un altro fattore. In altre parole, ci dice se due fattori si "influenzano" a vicenda.
Esempio: calcoliamo l'interazione tra il tipo di allenamento e la frequenza:
- effetto del tipo di allenamento quando la frequenza è alta (5 giorni):
- media HIIT a 5 giorni: (3.6 + 3.2)/2 = 3.4%
- media pesi a 5 giorni: (2.2 + 2.0)/2 = 2.1%
- effetto a frequenza alta = 3.4 - 2.1 = 1.3%
- effetto del tipo di allenamento quando la frequenza è bassa (3 giorni):
- media HIIT a 3 giorni: (2.8 + 2.5)/2 = 2.65%
- media pesi a 3 giorni: (1.6 + 1.5)/2 = 1.55%
- effetto a frequenza bassa = 2.65 - 1.55 = 1.1%
- Interazione = (1.3 - 1.1)/2 = 0.1%
Interpretazione: esiste una piccola interazione positiva (0.1%) tra il tipo di allenamento e la frequenza. L'effetto del HIIT rispetto ai pesi è leggermente maggiore quando la frequenza è alta (5 giorni/settimana) rispetto a quando è bassa (3 giorni/settimana). In altre parole, aumentare la frequenza è particolarmente vantaggioso con l'allenamento ad alta intensità.
Questa formula permette di scoprire combinazioni particolarmente efficaci o inefficaci che non avremmo potuto prevedere guardando solo gli effetti principali. Nell'esempio, ci suggerisce che se una persona può allenarsi 5 volte a settimana, il passaggio al HIIT porterà benefici ancora maggiori rispetto a chi si allena solo 3 volte.
OTTIMIZZAZIONE DEL PROCESSO DI SALDATURA
Passiamo ora a un vero e proprio processo aziendale applicando il Design Of Experiments alla determinazione della combinazione ideale di tempo e temperatura di saldatura per aumentare al massimo la resistenza delle giunzioni nei componenti metallici
Un'azienda ha riscontrato una certa variabilità nella resistenza delle giunzioni saldate di componenti in lega d'alluminio. Il quality manager deve determinare i parametri ottimali di saldatura per massimizzare la resistenza, riducendo al contempo la varianza del processo.
Identificazione delle variabili:
- fattori (input controllabili):
- temperatura di saldatura (°C)
- tempo di saldatura (secondi)
- pressione applicata (kPa)
- tipo di elettrodo
- risposta (output da ottimizzare):
- resistenza alla trazione della giunzione (MPa)
- fattori di disturbo (da controllare):
- umidità ambientale
- composizione del lotto di materiale
- operatore
Si sceglie un DOE fattoriale 2³ (3 fattori a 2 livelli) con 2 repliche:
- temperatura: 250°C (basso) e 290°C (alto)
- tempo: 30 secondi (basso) e 60 secondi (alto)
- pressione: 40 kPa (basso) e 70 kPa (alto)
- il tipo di elettrodo viene fissato al modello standard
La matrice sarà:
| Prova | Temperatura | Tempo | Pressione | Combinazione |
|---|---|---|---|---|
| 1 | 250 (-1) | 30 (-1) | 40 (-1) | (1) |
| 2 | 290 (+1) | 30 (-1) | 40 (-1) | a |
| 3 | 250 (-1) | 60 (+1) | 40 (-1) | b |
| 4 | 290 (+1) | 60 (+1) | 40 (-1) | ab |
| 5 | 250 (-1) | 30 (-1) | 70 (+1) | c |
| 6 | 290 (+1) | 30 (-1) | 70 (+1) | ac |
| 7 | 250 (-1) | 60 (+1) | 70 (+1) | bc |
| 8 | 290 (+1) | 60 (+1) | 70 (+1) | abc |
Ogni combinazione viene replicata per un totale di 16 prove, eseguite in ordine casuale.
L'esecuzione dell'esperimento avviene in questo modo
- preparare campioni standardizzati (dimensioni, materiale, pulizia)
- configurare l'apparecchiatura di saldatura secondo i parametri della matrice
- eseguire le saldature in ordine casuale
- mantenere costanti altre variabili (preparazione superficie, raffreddamento)
- testare la resistenza alla trazione con macchina di prova calibrata
- registrare accuratamente tutti i dati e le osservazioni
Poniamo che i dati di resistenza alla trazione (Mpa) siano:
| Combinazione | Replica 1 | Replica 2 | Media |
|---|---|---|---|
| (1) | 120 | 125 | 122.5 |
| a | 145 | 150 | 147.5 |
| b | 135 | 130 | 132.5 |
| ab | 190 | 195 | 192.5 |
| c | 140 | 145 | 142.5 |
| ac | 165 | 160 | 162.5 |
| bc | 155 | 160 | 157.5 |
| abc | 205 | 210 | 207.5 |
Calcolo degli effetti principali:
- effetto della temperatura = [(a+ab+ac+abc) - (1+b+c+bc)]/4 = (147.5+192.5+162.5+207.5 - 122.5-132.5-142.5-157.5)/4 = 38.75 MPa
- effetto del tempo = [(b+ab+bc+abc) - (1+a+c+ac)]/4 = 27.5 MPa
- effetto della pressione = [(c+ac+bc+abc) - (1+a+b+ab)]/4 = 20 MPa
Analisi delle interazioni:
- interazione temperatura-tempo = [(1+ab+c+abc) - (a+b+ac+bc)]/4 = 15 MPa
- (altre interazioni calcolate similmente)
ANOVA: l'analisi ANOVA mostra che tutti e tre i fattori sono statisticamente significativi (p<0.05), con la temperatura che ha l'effetto maggiore. L'interazione temperatura-tempo è significativa, indicando che l'effetto della temperatura dipende dal tempo di saldatura.
Venendo all'interpretazione e all'ottimizzazione
- la temperatura ha l'impatto maggiore sulla resistenza (+38.75 MPa passando dal livello basso a quello alto)
- la combinazione ottimale è: alta temperatura (290°C), lungo tempo (60s), alta pressione (70 kPa)
- l'interazione significativa tra temperatura e tempo suggerisce che l'aumento della resistenza con la temperatura è più pronunciato a tempi di saldatura più lunghi
A questo punto si può fare una verifica e avviare l'implementazione
- eseguire test di conferma con i parametri ottimali
- verificare la robustezza del processo con piccole variazioni dei parametri
- aggiornare le procedure con i nuovi parametri
- implementare controlli statistici per monitorare la qualità delle saldature
- formare gli operatori sui nuovi parametri di processo e sull'importanza del loro rispetto
PER SAPERNE DI PIU':
Su QualitiAmo non sono presenti altri articoli su questo argomento