687547_de-DE

liliconcom

Nachbearbeitung der Monte-Carlo-Ergebnisse von Prediction Profiler

Hallo zusammen,

 

Ich habe eine JMP-Datei mit einer Formel aus zwei Zufallsvariablen: „Spannung“ und „Dicke“.

Um die statistische Verteilung der Formel zu visualisieren, verwende ich den JMP Prediction Profiler.

Ich habe es geschafft, mit dem JSL-Befehl eine Tabelle mit allen vom Profiler ausgeführten Monte-Carlo-Ergebnissen zu erstellen:

Simulate to Table

So sieht mein Bildschirm aus:

 

Als nächsten Schritt möchte ich die Spalten in der neuen Tabelle verwenden, um eine individuelle statistische Analyse durchzuführen, indem ich dasselbe Skript verwende, das im Bild geöffnet ist (z. B. um den Mittelwert aus der Spalte „Formel“ auszuwerten).Ich stecke an diesem Punkt fest und komme nicht weiter...

 

Habt ihr ein paar Ideen?

Vielen Dank im Voraus,

Markieren

Automatisierung und SkripterstellungGrundlegende Datenanalyse und ModellierungZuverlässigkeitsanalyseBetreff: Nachbearbeitung der Monte-Carlo-Ergebnisse von Prediction Profiler

Hallo @mark_war ,

 

Ohne genau zu wissen, welche Art von Statistiken Sie durchführen und auswerten möchten, sehen Sie sich das folgende Beispiel an, wie Sie Ihren Code so ändern können, dass er automatisch Analysen durchführt.

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>

Dies sollte Ihnen zumindest den Einstieg erleichtern.

 

Hoffe das hilft!,

DS

Betreff: Nachbearbeitung der Monte-Carlo-Ergebnisse von Prediction Profiler

Streudiagramme (Grafik > Streudiagrammmatrix) der Spalten sind für diese Art der Analyse nützlich. Sie können auch einen Datenfilter für die Antwortvariable hinzufügen, um nach dem Spezifikationsbereich zu filtern.

 

Wenn das Ziel Ihrer Analyse darin besteht, Bereiche für die Eingabevariablen zu finden, mit denen Sie die Spezifikationen erfüllen können, sollten Sie den Design Space Profiler (unter dem Profiler) ausprobieren, der Ihnen dabei helfen soll, diese Aufgabe automatisierter zu erledigen.