nav[aria-label="Primary Navigation"] { padding: 0; & ul { list-style: none; width: 100%; display: flex; flex-direction: row; justify-content: start; align-items: start; gap: 30px; padding: 0; & li { margin: 0; } & ul li { list-style: none; } } }

42803_fr-FR

liliconcom

Comment utiliser DOE dans JMP pour modéliser les effets des entrées de processus sur la variance

Bonjour à la communauté JMP,

Ma question "rapide" est de trouver des informations sur la façon de concevoir et d'analyser un DOE dans JMP utilisé pour modéliser les relations entre les entrées et les sorties de variance ?

Des plans expérimentaux typiques sont utilisés pour modéliser le résultat moyen d'un processus afin de déterminer les entrées significatives (plans de sélection) et éventuellement quantifier les effets (modèles de surface de réponse). Je vois un besoin croissant de pouvoir modéliser la manière dont les facteurs du modèle sont liés à un terme de variance créé à partir de plusieurs observations mesurées pour chaque exécution. La distribution d'échantillonnage diffère car l'écart type suit généralement un chi carré au lieu d'une distribution normale (utilisée pour les moyennes). Les conceptions nécessitent probablement beaucoup de ressources, car l'objectif de l'expérimentation est généralement de pouvoir quantifier les effets et d'optimiser le modèle afin de minimiser la variance au sein des exécutions. Je suppose que le DOE non linéaire pourrait être la voie à suivre et je suis intéressé par des conseils sur les endroits où trouver plus d'informations et des exemples.

Conception d'expériences

Re : Comment utiliser DOE dans JMP pour modéliser les effets des entrées de processus sur la variance

Merci Phil.

Je m'attends à ce que les analyses nécessaires, même pour un petit nombre de facteurs, ne soient pas triviales en raison de la nécessité de répétitions. Je profiterai du lien fourni pour mettre en place quelques modèles d'essai.

Re : Comment utiliser DOE dans JMP pour modéliser les effets des entrées de processus sur la variance

Cela devrait être un bon point de départ :

http://www.jmp.com/support/help/Loglinear_Variance_Models.shtml

" Note: Les estimations exigent beaucoup de données bien conçues et bien ajustées. Vous avez besoin de plus de données pour ajuster les écarts que vous n'en avez besoin."