Desenho Experimental

Visão Geral

O desenho de um estudo — como as unidades são atribuídas às condições, o que é mantido constante, o que é variado e em que estrutura — determina quais perguntas os dados podem responder. Nenhuma análise pode resgatar um desenho confundido ou pseudorreplicado após o fato. Essa habilidade trata das decisões tomadas antes da coleta de dados: escolher um desenho que isole o efeito de interesse, randomizar para licenciar alegações causais, bloquear para remover variações incômodas conhecidas e estruturar experimentos multifatoriais para que os efeitos sejam estimáveis em vez de emaranhados.

As três ideias por trás de quase todo bom desenho (princípios de Fisher):

• Randomização — atribuir tratamentos aleatoriamente para que confundidores, conhecidos e desconhecidos, sejam balanceados em expectativa. Isso é o que transforma uma comparação em uma alegação causal.
• Replicação — repetição independente no nível correto, para que você possa estimar a variabilidade e seus efeitos não sejam artefatos de uma única unidade. O erro fatal mais comum é a pseudoreplicação: contar medições repetidas na mesma unidade como réplicas independentes.
• Bloqueio / controle local — agrupar unidades semelhantes (por lote, dia, local, ninhada) e randomizar dentro dos blocos, removendo essa variação incômoda do termo de erro em vez de deixá-la inflar o ruído.

Essa habilidade ajuda você a escolher entre tipos de desenho, gerar a randomização real ou o layout do DOE (com scripts reproduzíveis) e evitar os erros estruturais que tornam os dados ininterpretáveis.

Quando Usar Esta Habilidade

• Planejar qualquer experimento ou ensaio comparativo e decidir como atribuir unidades
• Randomizar sujeitos/amostras para braços (simples, bloqueado, estratificado ou em cluster)
• Remover variação incômoda por bloqueio ou estratificação
• Projetar experimentos multifatoriais: fatorial completo ou fracionário, desenhos de triagem
• Otimizar uma resposta em fatores contínuos (desenhos de superfície de resposta)
• Desenhos intra-sujeito / medidas repetidas, crossover, split-plot ou quadrado latino
• Desenhos randomizados em cluster ou grupo (locais, clínicas, salas de aula, ninhadas)
• Decidir o número e o nível de réplicas e evitar pseudoreplicação
• Desenhos sequenciais, grupo-sequenciais ou adaptativos com análises intermediárias
• Organizar placas/lotes e randomizar a ordem de execução para combater a deriva

Instalação

uv venv --python 3.13 .venv-design
uv pip install --python .venv-design/bin/python "numpy==2.5.3" "pandas==3.0.6" "pydoe==1.5.0"

pyDOE3 foi arquivado em maio de 2026; o desenvolvimento ativo retornou ao pydoe. Os wrappers empacotados visam pydoe==1.5.0, importado como minúsculo pydoe, e retornam desenhos em unidades de fator real. Todos os sete wrappers de DOE e ambas as demonstrações de script foram executados com Python 3.13, NumPy 2.5.3, pandas 3.0.6 e SciPy 1.18.1. No Windows, o interpretador do ambiente é .venv-design/Scripts/python.exe. Arquive as versões do ambiente e os cronogramas exportados: uma semente sozinha não promete saídas idênticas entre atualizações de pacotes ou scripts.

Escolhendo um Desenho

Comece pela pergunta e pela estrutura de suas unidades, não por um desenho favorito.

What are you trying to learn?
│
├─ Compare a few predefined conditions (A vs B vs C)?
│   ├─ Units independent, possibly with a known nuisance factor (day, batch, site)?
│   │     → Completely randomized (no nuisance) or RANDOMIZED BLOCK design.
│   ├─ Each unit can receive every condition in sequence (washout possible)?
│   │     → CROSSOVER / repeated-measures design (watch carry-over and correlation).
│   └─ You can only randomize groups, not individuals (schools, clinics)?
│         → CLUSTER-randomized design (account for clustering; see pseudoreplication).
│
├─ Screen MANY factors (5+) to find the few that matter?
│     → FRACTIONAL FACTORIAL or PLACKETT-BURMAN screening design.
│
├─ Quantify main effects AND interactions among a handful of factors?
│     → FULL 2^k FACTORIAL design.
│
├─ Find the settings that OPTIMIZE a response (curvature matters)?
│     → RESPONSE-SURFACE design: central composite or Box-Behnken.
│
└─ Explore a simulation/computer model over a continuous space?
      → SPACE-FILLING design: Latin hypercube.

Orientação detalhada por ramo:

• Randomização, bloqueio, estratificação, controles → references/randomization_and_blocking.md
• Fatorial, fatorial fracionário, triagem, superfície de resposta, conceitos de DOE (aliasing, resolução) → references/factorial_and_doe.md

…