687547_fr-FR

liliconcom

Post-traitement des résultats de Monte Carlo du profileur de prédiction

Bonjour tout le monde,

 

J'ai un fichier JMP avec une formule de deux variables aléatoires : "Tension" et "épaisseur".

Pour visualiser la distribution statistique de la formule, j'utilise le profileur JMP Prediction.

J'ai réussi à créer un tableau avec tous les résultats Monte Carlo exécutés par le profileur à l'aide de la commande JSL :

Simulate to Table

Voici à quoi ressemble mon écran :

 

Dans la prochaine étape, j'aimerais utiliser les colonnes du nouveau tableau pour effectuer une analyse statistique personnalisée, en utilisant le même script ouvert dans l'image (par exemple pour évaluer la valeur moyenne de la colonne Formule).Je suis bloqué à ce stade et je ne peux pas avancer...

 

Avez-vous des idées?

Merci d'avance,

Marque

Automatisation et scriptsAnalyse et modélisation des données de baseAnalyse de fiabilitéRe : Post-traitement des résultats de Monte Carlo du profileur de prédiction

Salut @mark_war ,

 

Sans savoir exactement quel type de statistiques vous souhaitez effectuer et évaluer, consultez l'exemple ci-dessous pour savoir comment modifier votre code afin qu'il effectue automatiquement des analyses.

Names Default to Here(1);

Profiler(
 Y( :Formula ),
 Profiler(
  1,
  Term Value(
   thickness(
    2.9875,
    Min( 2.30771982310094 ),
    Max( 3.46241935483871 ),
    Lock( 0 ),
    Show( 1 )
   ),
   Voltage(
    1,
    Min( 0.3584375 ),
    Max( 1.59908333333333 ),
    Lock( 0 ),
    Show( 1 )
   )
  ),
  Simulator(
   1,
   Factors(
    thickness << Random( Normal( 2.9875, 0.2 ) ),
    Voltage << Random( Normal( 1, 0.2 ) )
   ),
   Responses( Formula << No Noise ),
   Resimulate,
   Simulate to Table
  )
 ),
 SendToReport(
  Dispatch(
   {"Prediction Profiler"},
   "10000",
   ScaleBox,
   {Min( -0.0325024497795198 ), Max( 0.801201923076923 ), Inc( 0.2 ),
   Minor Ticks( 1 )}
  ),
  Dispatch(
   {"Prediction Profiler"},
   "2",
   ScaleBox,
   {Min( 0.3584375 ), Max( 1.59908333333333 ), Inc( 0.2 ), Minor Ticks( 1 )
   }
  ),
  Dispatch(
   {"Prediction Profiler"},
   "1",
   ScaleBox,
   {Min( 2.30771982310094 ), Max( 3.46241935483871 ), Inc( 0.2 ),
   Minor Ticks( 1 )}
  ),
  Dispatch(
   {"Prediction Profiler"},
   "Profiler",
   FrameBox,
   {Frame Size( 134, 167 )}
  ),
  Dispatch(
   {"Prediction Profiler"},
   "Profiler Simulator Distribution",
   FrameBox,
   {Frame Size( 124, 56 )}
  ),
  Dispatch(
   {"Prediction Profiler"},
   "Profiler",
   FrameBox( 3 ),
   {Frame Size( 134, 167 )}
  ),
  Dispatch(
   {"Prediction Profiler"},
   "Profiler Simulator Distribution",
   FrameBox( 2 ),
   {Frame Size( 124, 56 )}
  ),
  Dispatch(
   {"Prediction Profiler"},
   "Profile Simulator Histogram",
   FrameBox,
   {Frame Size( 64, 157 ), DispatchSeg(
    Hist Seg( 1 ),
    {Fill Color( "Green" ), Bin Span( 2, 0 )}
   )}
  ),
  Dispatch(
   {"Prediction Profiler", "Simulator"},
   "Simulate to Table",
   OutlineBox,
   {Close( 0 )}
  )
 )
);

dtlist=get data table list();//this creates a list of all the open data tables.

dt=Data Table(dtlist[1]);//this assigns the top-most data table to the variable dt so that you can perform the statistics on this data table rather than the original data table

//this sends the command to the data table to generate some distributions.
dt<<DISTRIBUTION></DISTRIBUTION>

Cela devrait au moins vous aider à démarrer.

 

J'espère que cela t'aides!,

DS

Re : Post-traitement des résultats de Monte Carlo du profileur de prédiction

Les nuages de points (Graphique > Matrice de nuages de points) des colonnes sont utiles pour ce type d'analyse. Vous pouvez également ajouter un filtre de données pour la variable de réponse afin de pouvoir filtrer sur la plage de spécifications.

 

Si l'objectif de votre analyse est de trouver des plages pour les variables d'entrée qui vous permettront de répondre aux spécifications, vous devriez essayer le Design Space Profiler (sous le Profiler), qui est conçu pour vous aider à effectuer cette tâche plus automatiquement.