Чтобы систематически отличаться экспериментальные факторы, присвойте каждый фактор дискретный набор levels. Полные планы факторного эксперимента измеряют переменные отклика с помощью каждого treatment (комбинация факторных уровней). Полный план факторного эксперимента для факторов n с N 1..., уровни N n требуют N 1 ×... × N n экспериментальные выполнения — один для каждой обработки. В то время как выгодный для разделения отдельных эффектов, полные планы факторного эксперимента могут требовать у сбора данных.
Как пример, предположите, что механический цех имеет три машины и четыре оператора. Если тот же оператор всегда использует ту же машину, невозможно определить, являются ли машина или оператор причиной изменения в производстве. Позволяя каждому оператору использовать каждую машину, эффекты разделяются. Полный факториальный список обработок сгенерирован функцией Statistics and Machine Learning Toolbox™ fullfact:
dFF = fullfact([3,4])
dFF =
1 1
2 1
3 1
1 2
2 2
3 2
1 3
2 3
3 3
1 4
2 4
3 4Каждый из 3×4 = 12 строк dFF представляет одну комбинацию машины/оператора.
Много экспериментов могут быть проведены с двухуровневыми факторами, с помощью two-level designs. Например, предположите, что механический цех в предыдущем примере всегда сохраняет тот же оператор на той же машине, но хочет измерить производственные эффекты, которые зависят от состава дневных и ночных смен. Функция Statistics and Machine Learning Toolbox ff2n генерирует полный факториальный список обработок:
dFF2 = ff2n(4)
dFF2 =
0 0 0 0
0 0 0 1
0 0 1 0
0 0 1 1
0 1 0 0
0 1 0 1
0 1 1 0
0 1 1 1
1 0 0 0
1 0 0 1
1 0 1 0
1 0 1 1
1 1 0 0
1 1 0 1
1 1 1 0
1 1 1 1Каждый из 24 = 16 строк dFF2 представляет одно расписание операторов в течение дня (0) и ночь (1) сдвиги.