在我们的免费在线课程中了解更多信息：
解决工业问题的统计思维
在本视频中，我们展示了如何使用预测刻画器在 JMP 中进行蒙特卡罗模拟。
我们使用文件 Anodize.jmp。 此文件包含具有五个因子和四个连续响应的 12 次运行定制设计的结果。 实验目标是找到优化四个响应的因素设置：厚度、L*、a* 和 b*。
数据已经过分析，最佳设置已作为脚本保存在数据表中。 为查看这些结果，我们在数据表中运行 Profiler 1 脚本。
刻画器为五个因素提供最佳设置，以实现四个响应的目标值。
但是，因子中可能存在一些随机变化，响应中也可能存在一些随机变化。
如果我们想要估计我们在实施最佳设置时可能期望的响应值范围怎么办？
我们可以使用模拟。 或者，更正式地说，我们可以执行蒙特卡罗模拟。
为此，我们从预测刻画器的红色三角形中选择模拟器。
对于每个因素，您可以添加遵循指定分布的随机变化。 例如，在 69.49 的固定值下，阳极氧化温度的分布可能呈正态分布，估计标准偏差为 1.5。
您还可以在响应中添加随机变化。 这是您实验中的因素无法解释的响应变化。
我们将运行一个脚本，在其中输入因子和响应的估计标准差。
这里，四个因素会略有不同，但阳极氧化时间是固定的，没有随机变化。
对于每个响应，我们都在数据表中输入了规格限制作为列属性。 对于代表这些规范限制的每个响应，您会在模拟面板中看到虚线。
要模拟响应，我们将单击“模拟”按钮。 您会看到每个响应的模拟分布和模拟的汇总表。
每次单击此按钮时，结果都会略有变化。
让我们将 ppm 或百万分之一添加到这些结果中。 为此，我们右键单击模拟值表，然后选择“列”，然后选择“PPM”。
当我们反复单击“模拟”按钮时，您可以看到预测的缺陷率在 0.4% 到 0.9% 之间。 您还可以看到所有缺陷都针对响应 L*。
您可以使用此模拟器探索“假设”场景。 例如，如果我们可以将阳极氧化温度的变化减半呢？ 也就是说，如果实际标准偏差可以从 1.54 减少到 0.75 会怎么样？ 缺陷率将如何变化？
为了看到这一点，我们输入 0.75 作为阳极氧化温度的标准偏差，然后再次单击模拟。 可以看到 L* 还是有一些缺陷，但是缺陷率比之前低了很多。
请注意，您还可以将数据模拟到数据表中。 您可以这样做来估计最佳设置下的能力。
让我们快速看一下。
默认情况下，模拟值的数量为 5000。 我们将单击 Make Table。 这将生成一个新表，其中每个响应和每个因子都有 5000 个模拟值。
分发脚本已保存到数据表中。 相反，我们将使用分析菜单中的分布来分析这些数据。
我们选择厚度、L*、a* 和 b* 作为 Y 列，然后单击确定。
因为规格限已保存为列属性，所以会自动为每个响应报告能力分析。
让我们看一下 L* 的估计能力。
您可以看到分布稍微偏离目标，向规格下限移动。 某些部件将低于此响应的规格下限。
