687547_es-ES

liliconcom

Postprocesamiento de resultados de Monte Carlo de Prediction Profiler

Hola todos,

 

Tengo un archivo JMP con una fórmula de dos variables aleatorias: "Voltaje" y "espesor".

Para visualizar la distribución estadística de la fórmula, estoy usando el generador de perfiles JMP Prediction.

Logré crear una tabla con todos los resultados de Monte Carlo ejecutados por el generador de perfiles usando el comando JSL:

Simulate to Table

Así es como se ve mi pantalla:

 

Como siguiente paso, me gustaría utilizar las columnas de la nueva tabla para realizar algún análisis estadístico personalizado, utilizando el mismo script abierto en la imagen (por ejemplo, para evaluar el valor medio de la columna Fórmula).Estoy estancado en este punto y no puedo avanzar...

 

tienes algunas ideas?

Gracias de antemano,

Marca

Automatización y secuencias de comandosAnálisis y modelado de datos básicosAnálisis de fiabilidadRe: Postprocesamiento de resultados de Monte Carlo desde Prediction Profiler

Hola @mark_war ,

 

Sin saber exactamente qué tipo de estadísticas desea realizar y evaluar, consulte el siguiente ejemplo de cómo puede modificar su código para que realice análisis automáticamente.

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>

Esto al menos debería ayudarte a empezar.

 

¡Espero que esto ayude!,

DS

Re: Postprocesamiento de resultados de Monte Carlo desde Prediction Profiler

Los diagramas de dispersión (Gráfico > Matriz de diagrama de dispersión) de las columnas son útiles para este tipo de análisis. También puede agregar un filtro de datos para la variable de respuesta para poder filtrar según el rango de especificación.

 

Si el objetivo de su análisis es encontrar rangos para las variables de entrada que le permitan cumplir con las especificaciones, debe probar Design Space Profiler (bajo Profiler), que está diseñado para ayudarlo a realizar esa tarea de manera más automática.