Betreff: Ermittlung der besten Prozessbetriebsbedingungen mit zwei OptimierungsansätzenDer obige YouTube-Video-Link scheint beschädigt zu sein. Dies ist der richtige Link: https://www.youtube.com/watch?v=9KZ7Ns3CQzU
Ich habe auch letztes Jahr in Amsterdam einen Discovery-Vortrag gehalten, der aufgenommen wurde. Hier ist der Link zu dieser Aufnahme:
https://community.jmp.com/t5/Discovery-Summit-Europe-2016/Robust-Optimization-of-Processes-and-Products-von-User-Monte/ta-p/23746
Betreff: Ermittlung der besten Prozessbetriebsbedingungen mit zwei OptimierungsansätzenDanke Jorge, ich bin froh, dass du die Videos hilfreich gefunden hast. Mein "Bilder" -Menü ist eigentlich kein Add-In, es ist nur ein benutzerdefiniertes Menü mit Links zu Journalen, die Bilder oder einfache Erklärungen zu bestimmten Dingen enthalten. Ich denke, das einzige, was ich in einer aufgenommenen JMP-Demo in diesem Menü verwendet habe, ist die Maximierung der Attraktivität vs. Karikatur des Simulationsexperiments. Ich habe das im Diskussionsbereich als Antwort auf Ihre Frage gepostet. Wenn Sie noch etwas im Menü gesehen haben und möchten, lass es mich wissen.
Betreff: Ermittlung der besten Prozessbetriebsbedingungen mit zwei OptimierungsansätzenHallo Robert, ich habe in letzter Zeit deine Videos angesehen und eine Tonne gelernt. Ich habe festgestellt, dass Sie über ein nützliches "Images Add-In" verfügen, in dem Sie nützliche Bilder für Ihre Ideen haben. Ich frage mich, ob das Images Add-In überall zum Download zur Verfügung steht? Vielen Dank.
Robert Anderson hat geschrieben: Danke Marcello, ich bin froh, dass Sie finden ... Robert Anderson schrieb:
Danke Marcello, ich bin froh, dass Sie es interessant finden. Ich werde meiner Tochter sagen, dass sie ihre Zeichnung gemocht hat.
Marcello hat geschrieben: Dieser Beitrag ist sehr interessant und klar ... Marcello schrieb:
Dieser Beitrag ist sehr interessant und veranschaulicht das Problem und die Art und Weise, wie JMP damit umgehen kann. Vielen Dank. Die Zeichnung ist sehr aufschlussreich!
Marcello
Robert Anderson schrieb: Danke Christel. Ich bin erfreut, dass du magst... Robert Anderson schrieb:
Danke Christel. Ich freu mich, dass es dir gefällt. Viel Glück mit diesen zukünftigen DoEs
Christel Kronig hat geschrieben: Sehr nützliche und interessante Post ... Christel Kronig schrieb:
Sehr nützlicher und interessanter Beitrag Danke. Ich habe Ihre Datentabelle neu erstellt, um dies in JMP zu sehen. Ich hatte den Simulationsteil zuvor noch nicht verwendet, konnte die Ausgabe jedoch erfolgreich neu erstellen. Ich werde dies für zukünftige DOEs verwenden!
Betreff: Finden der besten Prozessbetriebsbedingungen mithilfe von 2 OptimierungsansätzenVielen Dank für detaillierte Informationen.
Aber ich habe eine seltsame Situation beobachtet. Wenn ich drei- oder viermal Simulationsexperimente durchführe, schlägt mir JMP verschiedene Faktorstufen mit kleineren Fehlerraten vor. Je mehr ich Simulation exp. Mache, desto geringer ist die von JMP vorgeschlagene Fehlerrate.
Ich habe viel gelesen, aber ich konnte nicht verstehen, warum es passiert. Wie kann ich JMP vertrauen, dass das Simulationsexperiment mir global maximal wünschenswerte Faktorstufen bietet?
Betreff: Finden der besten Prozessbetriebsbedingungen mithilfe von 2 OptimierungsansätzenVielen Dank, Ellla. Ich denke, wenn Sie ein Simulationsexperiment ausführen, ist dies die Standardeinstellung für 'Teil des Faktorraums zum Experimentieren' ist 0,5 . Dies bedeutet, dass das Simulationsexperiment nur untersucht die Hälfte des gesamten Faktorbereichs um die aktuellen Einstellungen des Profilerfaktors. Dies bedeutet, dass Sie beim ersten Ausführen des Simulationsexperiments möglicherweise nicht zu den Faktoreinstellungen gelangen, die die niedrigste Fehlerrate ergeben. Wenn Sie sie jedoch das nächste Mal erneut ausführen, nähern Sie sich wieder den Einstellungen, die die niedrigste Fehlerrate ergeben. Wenn Sie die Einstellung für ändern 'Teil des Faktorraums zum Experimentieren' zu 1 dann wird das Simulationsexperiment untersucht der volle Faktorbereich Wenn Sie das Simulationsexperiment zum ersten Mal ausführen, sollten Sie die Einstellungen finden, die die niedrigste Fehlerrate ergeben. Sie können dann das Simulationsexperiment mit diesen Faktoreinstellungen und einem reduzierten Wert für erneut ausführen 'Teil des Faktorraums zum Experimentieren' Wenn Sie versuchen möchten, eine noch genauere Schätzung der optimalen Einstellungen zu erhalten, die die niedrigste Fehlerrate ergeben. Lassen Sie mich wissen, ob das Problem, das Sie sehen, dadurch behoben wird. Robert
Betreff: Finden der besten Prozessbetriebsbedingungen mithilfe von 2 OptimierungsansätzenVielen Dank für Ihre schnelle Rückkehr und Ihr Interesse.
Ich habe auch verdoppelt, dass der Protion-Level diese instabilen Lösungen verursachen kann.
Ich habe versucht, eine Simulation durchzuführen, indem ich einen Teil des Faktor-Raum-Experiments 1 eingefügt habe zuvor und jetzt.
Aber JMP gab mir eine schlechtere Lösung mit einer höheren Fehlerrate im Vergleich zu Portionsniveau = 0,5.
Ich verstehe wirklich nicht, warum es instabil ist. @markbailey @ Robert_anderson
Betreff: Finden der besten Prozessbetriebsbedingungen mithilfe von 2 OptimierungsansätzenHallo Ella, das ist interessant. Auf welchem Modell führen Sie ein Simulationsexperiment durch? Ist es ein quadratisches Polynommodell mit 2-Faktor-Wechselwirkungen oder etwas komplizierteres? Können Sie eine anonymisierte Version der Datentabelle und des Modells freigeben? Ich denke, ich müsste die Daten und das Modell sehen, um herauszufinden, wo das Problem liegen könnte. Sie können mir eine E-Mail an robert.anderson@jmp.com wenn das einfacher ist, Robert
Betreff: Finden der besten Prozessbetriebsbedingungen mithilfe von 2 OptimierungsansätzenHallo Ella, noch eine Frage: Was ist das R-Quadrat für dein Modell? Robert
Betreff: Finden der besten Prozessbetriebsbedingungen mithilfe von 2 OptimierungsansätzenIch versuche 4 Modelle zu optimieren.
3 davon werden auf MATLAB vorhergesagt, da ich fgls verwendet habe, dann erstelle ich diese Formeln auf JMP.
Das vierte ist das neuronale Netzwerk.
Deshalb kenne ich R ^ 2 von 3 fgls-Modellen nicht. Soweit ich mich erinnere, beträgt das neuronale Netzwerkmodell R ^ 2 ungefähr% 40.
Meine Modelle sind so (sie haben Haupteffekte und Wechselwirkungen):
Erster:
((((((((-9511)) + 0,1 *: x1 + 0,23 *: x3 + 745 *: x4)) - 369 *: x6 - 0,8 *: x7 - 4,2 * (
: x1 - 2521) * (: x4 - 13)) + 2,3 * (: x1 - 2521) * (: x5 - 13,32) + 2 * (: x2 - 1,36) * (
: x3 - 60,1)) - 23,8 * (: x3 - 60,1) * (: x6 - 0,82)) + 33535 * (: x4 - 13) * (: x5 - 13,32
) + 11650 * (: x4 - 13) * (: x6 - 0,82)) - 6088 * (: x5 - 13,32) * (: x6 - 0,82)) + 3,9 *
(: x5 - 13,32) * (: x7 - 5,4)
Das Zweite:
(((31,4 *: x2 - 1,4 *: x3 - 199 *: x4) + 203 *: x5 + 0,3 *: x7 + 2,1 * (: x1 - 2521) *
(: x4 - 13) + 760 * (: x2 - 1,36) * (: x6 - 0,82) + 11 * (: x3 - 60) * (: x4 - 13) + 0,01
* (: x3 - 60) * (: x7 - 5,5)) - 4,1 * (: x4 - 13) * (: x7 - 5,5)) + 5015 * (: x5 - 13,3)
* (: x6 - 0,8)
dritte:
(180 - 0,04 *: x1 - 2,3 *: x3) + 138,4 *: x6 + 0,3 *: x7 + 2,2 * (: x1 - 2522) * (: x4
- 13)
Letzter:
-1,78381405723789 * TanH (
0,5 * (673,879493391115 + 0,00156828939441121 *: x1 + 2,15320544406296 *: x2
+0,11296315865742 *: x3 + -73,8380042960357 *: x4 + 22,4620052527818 *: x5 +
-34,1317569124232 *: x6 + 0,00576272662208232 *: x7)
)
Zufallsvariablen: X4, x5, x6
Rest ist feste Variablen.
Ich hoffe, diese werden helfen
Betreff: Finden der besten Prozessbetriebsbedingungen mithilfe von 2 OptimierungsansätzenHallo Robert,
Dies ist ein äußerst faszinierender Ansatz. Ich danke Ihnen für das Teilen. Ich würde gerne wissen, ob es möglich ist, diesen Ansatz zu verwenden, um das optimale Prozessfenster für diesen Prozess zu bestimmen. Mit anderen Worten, welche Bereiche der Eingangsvariablen würden zu der größten Orthogonalität (Volumen?) Führen, während sichergestellt wird, dass die Antwort zwischen zwei Spezifikationsgrenzen liegt?
Ich verwende den Begriff "orthogonal", um zu implizieren, dass die Prozessparameter als Tabelle von Parameterbereichen aufgelistet werden und jede Kombination der Prozessparameter zu einer Prozessausgabe führen sollte, die innerhalb der Spezifikationsgrenzen liegt. Ich möchte das Volumen des Prozessfensters maximieren, um die größtmögliche Variabilität der Prozessparameter zu ermöglichen.
Grüße,
David
Betreff: Finden der besten Prozessbetriebsbedingungen mithilfe von 2 OptimierungsansätzenHallo David, ich denke, wenn ich verstehe, was du richtig sagst, würde das 'Simulationsexperiment' auf die 'nächste Stufe' bringen. Beim Simulationsexperiment müssen Sie angeben, wie viel Variation Sie in jeder Faktoreinstellung erwarten. Mit anderen Worten, wie gut Sie jede Faktoreinstellung steuern können. Ich denke, Sie fragen sich, um wie viel die einzelnen Faktoreinstellungen variieren können, bevor sie die „Gesamtfehlerrate“ erheblich beeinflussen. Um so etwas in JMP im Moment zu tun, müssten Sie eine Reihe von "Simulationsexperimenten" mit jeweils unterschiedlichen Variationen der Faktoren durchführen, um zu sehen, welche Auswirkungen dies auf die "Gesamtfehlerrate" haben würde. Um dies auf effiziente Weise zu tun, möchten Sie wahrscheinlich ein "raumfüllendes" DOE ausführen und die Ergebnisse mithilfe eines Gaußschen Prozesses modellieren. Ich denke, Sie sprechen effektiv von einem "Simulationsexperiment" für ein "Simulationsexperiment". Sie können dann ein Modell für die "Gesamtfehlerrate" erstellen, das auf den SD-Werten (Standardabweichung) im ursprünglichen "Simulationsexperiment" basiert. So etwas könnte möglicherweise als Skript geschrieben werden, aber leider geht es wahrscheinlich über das hinaus, was ich leicht tun oder die Zeit haben könnte, daran zu arbeiten. Vielleicht nimmt jemand anderes diese Herausforderung an!
Betreff: Finden der besten Prozessbetriebsbedingungen mithilfe von 2 OptimierungsansätzenDanke für die Antwort, Robert. Sie haben ganz gut zusammengefasst, wonach ich suche, und mir einige interessante Dinge zum Nachdenken und Spielen gegeben. Ich werde gerne alle Fortschritte veröffentlichen, die ich in diesem Bereich gemacht habe, aber bis zu Ihrem letzten Punkt würde ich die Zusammenarbeit begrüßen, wenn jemand in der Community Interesse an diesem Thema teilt!
Betreff: Finden der besten Prozessbetriebsbedingungen mithilfe von 2 OptimierungsansätzenHallo David, ich bin froh, dass ich deine Idee richtig verstanden habe. Ich bin damit einverstanden, dass das, was Sie vorgeschlagen haben, eine nützliche Ergänzung und Erweiterung von 'Simulationsexperiment' wäre. Vielleicht könnten Sie Ihre Idee im Bereich "JMP-Wunschliste" der Community veröffentlichen. Ich habe vor einigen Jahren tatsächlich vorgeschlagen, dass mehr Menschen "Simulationsexperiment" verwenden würden, wenn der Workflow vereinfacht und der Optimierungsprozess für Simulationsexperimente mit nur einem Klick durchgeführt werden könnte, dh ähnlich wie bei "Maximieren der Erwünschtheit". Das ist leider nie passiert. Wenn Sie einverstanden sind, könnten Sie vielleicht auch diesen Vorschlag machen? Wenn es von einem Kunden kommt, wird es wahrscheinlich eine höhere Priorität erhalten. Ich freue mich darauf zu sehen, wohin Sie das bringen. Wenn ich Ihnen weiterhelfen kann, lassen Sie es mich wissen. Ich würde gerne mehr Zeit damit verbringen, aber leider muss ich mich weiterhin auf meinen „Tagesjob“ konzentrieren.
Betreff: Finden der besten Prozessbetriebsbedingungen mithilfe von 2 OptimierungsansätzenDanke Robert für deine Links, diese Links sind immer eine Hilfe für mein Studium.
Wenn Sie andere Dokumente oder Videos über beispielsweise einen Fehlerprofiler oder Themen unter einem roten Dreieck basierend auf dem Vorhersageprofiler haben, bin ich sehr daran interessiert, diese zu entfernen.
Und hallo David,
Ich habe auch schon in meinem Arbeitszimmer über Ihr Problem nachgedacht. Aber ich habe aufgegeben, da ich ein wichtigeres Problem habe, das ich zur Lösung der Faust brauche. Bu gem. Zu Davids Erklärung sehe ich, dass es in JMP keine Ein-Klick-Lösung gibt. Wenn Sie eine Lösung dafür haben, freue ich mich auch, sie zu hören und anzuwenden.
Betreff: Finden der besten Prozessbetriebsbedingungen mithilfe von 2 OptimierungsansätzenJeder, der sich für diesen Blog interessiert, sollte sich auch dieses 'JMP On Air'-Video ansehen Simulationsexperiment vor ein paar Monaten aufgenommen. Das obige YouTube-Video ist ungefähr 5 Jahre alt. Ich habe vor einigen Jahren auch einen Discovery Talk zu diesem Thema geführt Robuste Optimierung von Prozessen und Produkten mithilfe von Monte-Carlo-Simulationsexperimenten
Betreff: Finden der besten Prozessbetriebsbedingungen mithilfe von 2 OptimierungsansätzenDanke Ella, vor einiger Zeit jemand anderes albiruni81 war auch an der Idee interessiert, über die Sie und David oben gesprochen haben, und es gab einige Diskussionen rund um das Thema Finden der zulässigen Grenzen für einen Faktor, um niedrige Fehlerraten sicherzustellen Es wäre sicherlich gut, wenn jemand einen automatisierten Weg finden würde, um zu untersuchen oder zu verstehen, wie viel Variation Sie in jedem Faktor tolerieren können, ohne dass die Gesamtfehlerrate ernsthaft beeinträchtigt wird. Sie können dies "manuell" iterativ mit vorhandenen JMP-Funktionen untersuchen, wie im anderen Thread erläutert, aber eine "Ein-Klick" -Lösung wäre großartig. Sie haben mich beide ermutigt, etwas Zeit zu finden, um mir das selbst anzuschauen. Ich vermute jedoch, dass es möglicherweise größere Skriptfähigkeiten erfordert, als ich derzeit besitze, aber ich werde es versuchen. Wenn es jemand anderem gelingt, schneller eine Lösung zu finden, ist das für mich in Ordnung.
Finden der besten Prozessbetriebsbedingungen mithilfe von 2 OptimierungsansätzenWissenschaftler und Ingenieure müssen häufig die besten Einstellungen oder Betriebsbedingungen für ihre Prozesse oder Produkte finden, um die Ausbeute oder Leistung zu maximieren. Ich werde Ihnen zeigen, wie die Optimierungsmöglichkeiten in JMP kann Ihnen helfen, die besten Einstellungen zu ermitteln. Es ist etwas überraschend, dass die besonderen Einstellungen, von denen vorhergesagt wird, dass sie den höchsten Ertrag oder die beste Leistung liefern, nicht immer der beste Ort sind, um diesen Prozess auf lange Sicht zu betreiben. Die meisten Prozesse und Produkte unterliegen einer gewissen Drift oder Variation, und die besten Betriebsbedingungen müssen dies berücksichtigen.
Sie sind vielleicht mit der Maximierung der Erwünschtheit im Zusammenhang mit der Prozessoptimierung vertraut, aber Simulationsexperimente sind im JMP Prediction Profiler ein wenig bekanntes Juwel. Wenn Sie versuchen, die robustesten Faktoreinstellungen für einen Prozess zu finden, müssen Sie sich mit Simulationsexperimenten auskennen. Ich werde Ihnen zeigen, wie nützlich Simulationsexperimente sein können und wie es über das hinausgeht, was durch Maximierung der Erwünschtheit erreicht werden kann.
Das Ziel der meisten entworfenen Experimente ist es, zu identifizieren und zu quantifizieren, wie stark bestimmte Faktoren oder Eingaben die Antworten oder Ausgaben dieses Prozesses beeinflussen. Ein sekundäres Ziel besteht häufig darin, dieses Verständnis zu verwenden, um Faktoreinstellungen auszuwählen, die die wünschenswertesten Antwort- oder Ausgabewerte ergeben.
Sobald wir ein entworfenes Experiment durchgeführt und ein Modell erstellt haben, das die Beziehung zwischen den Faktoren und Antworten beschreibt, können wir dieses Modell verwenden, um die optimalen Faktoreinstellungen zu finden, die die zufriedenstellendsten Werte für die Antworten liefern, an denen wir interessiert sind. Es gibt verschiedene Möglichkeiten, diesen Optimierungsprozess in JMP durchzuführen. Diese Methoden werden in den Kapiteln 8 und 9 des Profiler-Buches ausführlich beschrieben, die Sie unter Hilfe> Bücher in JMP finden.
Ich möchte mich auf zwei dieser Methoden konzentrieren: Maximierung der Erwünschtheit und Simulationsexperimente, da sie in einigen Situationen zu sehr unterschiedlichen Lösungen führen können. Das Beispiel, das ich verwenden werde, um dies zu veranschaulichen, ist ein 13-maliges definitives Screening-Design (DSD) mit fünf Faktoren und einer Antwort. Diese endgültigen dreistufigen Screening-Designs sind eine neue Klasse von Screening-Designs, mit denen Sie die wichtigen Haupteffekte sehr effizient identifizieren können. Sie können auch ein vollständiges Antwortoberflächenmodell mit Zwei-Faktor-Wechselwirkungen und quadratischen Termen erstellen, wenn nur drei aktive Haupteffekte vorhanden sind. Bradley Jones, der Erfinder dieser Entwürfe, beschreibt sie in seinem ausgezeichneten ausführlicher Blogbeitrag zu diesem Thema .
Eine DSD mit 13 Durchläufen ist unten dargestellt.
Der schnellste und einfachste Weg, ein Modell für dieses Experiment zu erstellen, besteht darin, das integrierte Screening-Skript auszuführen, das oben links in der JMP-Datentabelle blau hervorgehoben ist. Das Modell, das wir erhalten, enthält drei Haupteffekte - Modifikator, Temperatur und Zeit - und einen Zwei-Faktor-Interaktionsterm zwischen Modifikator und Temperatur sowie einen quadratischen Term für Zeit. Der Vorhersageprofiler für dieses Modell ist unten dargestellt. Ich habe auch den Monte-Carlo-Simulator und den Contour Profiler eingeschaltet.
Unter Verwendung der anfänglichen Faktoreinstellungen (dem Mittelpunkt des dreidimensionalen Faktorraums) sehen wir, dass die kritische Ausgabe einen Wert von 75,3 haben wird, und wir haben 50 Prozent der Punkte aus der Monte-Carlo-Simulation unterhalb der unteren Spezifikation Grenze. Das Konturdiagramm zeigt, dass wir fast genau auf dieser unteren Spezifikationsgrenze sitzen.
Wenn wir zu den Einstellungen wechseln, die durch Maximieren der Erwünschtheit (unten) festgelegt wurden, steigt die kritische Ausgabe auf 82,1 und der Prozentsatz der Punkte unter der unteren Spezifikationsgrenze sinkt auf 4,6 Prozent. Das Konturdiagramm zeigt, dass wir jetzt in der oberen linken Ecke sitzen, wo der höchste Wert der kritischen Ausgabe vorhergesagt wird.
Wenn wir uns nun die Einstellungen ansehen, die durch das Simulationsexperiment (unten) ermittelt wurden, sind wir in die obere rechte Ecke des Konturdiagramms verschoben, wo die Konturlinien weiter voneinander entfernt sind. Wir haben noch keinen so hohen vorhergesagten Wert für die kritische Ausgabe erreicht. Es ist jetzt 79,8, aber der Prozentsatz der Punkte unterhalb der unteren Spezifikationsgrenze wird wesentlich auf 1,8 Prozent reduziert. Wenn wir die Einstellungen für die Lösung zur Maximierung der Erwünschtheit mit der Lösung für Simulationsexperimente vergleichen, können wir sehen, dass der Hauptunterschied darin besteht, dass das Simulationsexperiment eine hohe Einstellung für Modifikator gewählt hat, die die Zwei-Faktor-Wechselwirkung zwischen Modifikator und Temperatur ausnutzt und macht Die kritische Ausgabe ist unempfindlich gegenüber Temperaturänderungen (die Temperaturlinie im Profiler ist jetzt flach). Die Verteilung der kritischen Ausgabe wird mit erheblich weniger Punkten außerhalb der Spezifikation viel enger, was zu einem robusteren Prozess führt.
Lassen Sie uns einen Blick darauf werfen, wie Simulationsexperimente diese robustere Lösung gefunden haben. Das Simulationsexperiment untersucht den Faktorraum auf andere Weise, um die Erwünschtheit zu maximieren. Anstatt den Faktorraum nach den Einstellungen zu durchsuchen, die den wünschenswertesten Wert für die kritische Ausgabe ergeben, konzentriert es sich stattdessen auf die Suche im Faktorraum, um die Einstellungen zu finden, die die von der Monte-Carlo-Simulation berechnete Fehlerrate minimieren. Es wird immer noch dasselbe Modell verwendet, um die Erwünschtheit zu maximieren, aber es verwendet jetzt dieses Modell, um eine Reihe von Monte-Carlo-Simulationen auszuführen, um zu bestimmen, wie sich die Fehlerrate innerhalb des Faktorraums ändert. Dazu wird ein Space Filling-Design verwendet und die Fehlerrate mithilfe eines Gaußschen Prozesses modelliert. Um das Simulationsexperiment zu starten, rufen Sie das Menü mit dem roten Dreieck in der Simulator-Gliederung im Vorhersage-Profiler auf.
Wenn Sie ein Simulationsexperiment ausführen, führt es eine Monte-Carlo-Simulation bei jeder der im Raumfüllungsdesign angegebenen Faktoreinstellungen durch und zeichnet die für jeden dieser Simulationsläufe erhaltene Fehlerrate in einer Tabelle auf. Diese Tabelle ist unten gezeigt. Jede Zeile repräsentiert einen Monte-Carlo-Simulationslauf mit unterschiedlichen Faktoreinstellungen. Die Tabelle enthält auch ein integriertes Skript, das die Fehlerrate modelliert (es modelliert tatsächlich die Protokollfehlerrate, da dies eine bessere Antwort auf die Verwendung ist). Wir können dann die optimalen Einstellungen finden, die die Fehlerrate minimieren (unter Verwendung der Maximierung der Erwünschtheit im Fehlerraten-Profiler) und diese Einstellungen dann im ursprünglichen Vorhersage-Profiler für die kritische Ausgabe speichern.
Sehen Sie sich dieses Video an, um das Simulationsexperiment detaillierter zu sehen:
Der Hauptunterschied zwischen der Maximierung der Erwünschtheit und dem Simulationsexperiment besteht darin, dass bei der Maximierung der Erwünschtheit die natürliche Variation der Faktoren bei der Auswahl der optimalen Faktoreinstellungen nicht berücksichtigt wird. Das Simulationsexperiment berücksichtigt diese natürliche Variation der Faktoreinstellungen und findet die robustesten Einstellungen, um die Fehlerrate zu minimieren. Der Unterschied wird durch eine Zeichnung veranschaulicht, die meine Tochter für mich gezeichnet hat und die zeigt, wie JMP komplexe Probleme einfach machen kann.
