実験計画 (DOE) の関数とプロットを使用して、実験計画行列の作成、因子の分析と選別、統計モデルの作成、モンテカルロシミュレーションの実行を行えます。

組み込み関数を使用して計画行列を作成できます。DOE ユーティリティ関数では、部分因子計画行列の特性を分析したり、計画行列を修正したりすることができます。たとえば、doelabel関数では、計画行列の符号化された値を実際の値に変換できます。ベクトル関数や行列関数を使用して、計画行列をさらに修正することもできます。たとえば、stackを使用して全因子/部分因子計画行列に中心点を追加したり、augmentを使用して Taguchi 計画のノイズ因子を格納する外部配列を追加したりすることができます。

因子を選別するため、因子、交互作用、または計画ブロックの効果または水準効果を計算できます。quickscreen関数は 2 水準の符号化された計画を選別するのに理想的な関数です。effects関数は、任意の計画行列の水準効果を計算する、汎用性の高い関数です。

実験結果を箱髭図、効果グラフ、またはパレートグラフに表示して、各因子が有意であるかどうかを判断できます。anova関数を使用して分散分析 (ANOVA) を実行することで各因子の有意性を調べることもできます。

polyfit関数を使用して、多変量多項式回帰面を簡単にマップできます。代わりに回帰係数を求める場合、polyfitc関数を使用します。この関数では、各回帰係数に関するその他の情報も返ります。より詳細な診断を行うには、polyfitstatを使用します。この関数は、モデルのパラメータ、polyfitcの出力、回帰の ANOVA、および多変量多項式回帰面の作成に使用された各ラン、つまりデータ点ごとの詳細な分析を返します。数値精度を向上させるには、全次数モデルが指定されている場合、すべての多項式回帰関数で、標準偏差によってデータを内部的に尺度化します。完全でない多項式が指定されている場合、尺度化は行いません。

その他のタイプの適合関数の場合、multidfit関数を使用してその適合パラメータを計算します。

上記の関数はすべて引数として計画行列をとります。

モンテカルロ法は、多数の反復計算によって、固有の分散を持つ複数の要素から成る複雑なシステムの統計的挙動を確立します。これらの手法では、アルゴリズム的な閉形式の解を求めるのではなく、各要素の値としてランダムな値を繰り返し適用することで、複雑なシステムの統計的挙動をモデル化します。

関数LogNormal、Normal、Uniform、Weibullのいずれかを使用して、モンテカルロシミュレーションの乱数を生成できます。montecarlo関数を使用して、指定した関数のモンテカルロサンプルを作成することもできます。これは、前の実験から作成された回帰モデルを使用して将来の実験の振る舞いを予測する場合などに便利です。