DOE(실험 계획법) 함수와 도표를 사용하여 실험 설계 행렬을 작성하고, 인수를 분석하여 선별하고, 통계 모델을 개발하고, 몬테 카를로(Monte Carlo) 시뮬레이션을 수행할 수 있습니다.

기본 제공 함수를 사용하여 설계 행렬을 만들 수 있습니다. DOE 효용 함수를 사용하면 부분 계승 설계 함수의 속성을 분석하거나 설계 행렬을 수정할 수 있습니다. 예를 들어 doelabel 함수를 사용하여 설계 행렬의 코드화된 값을 실제 값으로 변환할 수 있습니다. 벡터와 행렬 함수를 사용하여 설계 행렬을 추가로 수정할 수도 있습니다. 예를 들어 stack을 사용하여 전체 또는 부분 계승 설계에 중점을 추가하거나 augment를 사용하여 다구치(Taguchi) 설계의 노이즈 인수를 설명하는 외부 배열을 추가할 수 있습니다.

인수, 상호 작용 또는 설계 블록화의 효과나 레벨 효과를 계산하여 인수를 선별할 수 있습니다. 2레벨의 코드화된 설계를 선별하는 데는 quickscreen 함수를 사용하는 것이 좋습니다. effects 함수는 더 일반적인 용도의 함수로서 모든 설계 행렬의 레벨 효과를 계산하는 데 사용됩니다.

실험 결과를 상자 도표, 효과 도표 또는 파레토 도표로 표시하여 인수가 중요한지 여부를 판별할 수 있습니다. anova 함수로 분산분석(ANOVA)을 수행하여 인수가 중요한지 여부를 테스트할 수도 있습니다.

polyfit 함수를 사용하여 다변수 다항식 회귀 표면을 신속하게 매핑할 수 있습니다. 회귀 계수를 대신 사용하여 작업하려면 polyfitc 함수를 사용하십시오. 이 함수를 사용하면 각 회귀 계수에 대한 추가 정보도 얻을 수 있습니다. 더 완벽한 진단 집합이 필요하면 polyfitstat를 사용합니다. 이 함수는 모델 매개변수, polyfitc의 출력, 회귀에 대한 ANOVA, 각 실행에 대한 자세한 분석 또는 다변수 다항식 회귀 표면을 생성하는 데 사용되는 데이터 점을 반환합니다. 전체 차수 모델을 지정한 경우 모든 다항식 회귀 함수에서 데이터를 표준 편차만큼 내부적으로 배율 조정하여 수치 정밀도를 높일 수 있습니다. 부분 다항식이나 불완전 다항식을 지정한 경우에는 배율을 조정할 수 없습니다.

다른 유형의 적합식에 대해서는 multidfit 함수를 사용하여 해당 적합 매개변수를 계산할 수 있습니다.

앞서 설명한 모든 함수에는 설계 행렬을 사용할 수 있습니다.

몬테 카를로 방법은 많은 반복을 통해, 고유 분산이 있는 컴포넌트로 구성된 복잡계에서 통계적 동작을 찾아냅니다. 이러한 방법에서는 알고리즘화할 수 있는 한정된 형태의 해를 찾는 대신 각 컴포넌트 값에 난수 값을 반복적으로 적용하여 복잡계의 통계적 동작을 모델링합니다.

LogNormal, Normal, Uniform, Weibull 함수 중 하나를 사용하여 몬테 카를로 시뮬레이션을 위한 난수를 생성할 수 있습니다. montecarlo 함수를 사용하여 지정된 함수에 대한 몬테 카를로 표본을 생성할 수도 있습니다. 이 방법은 가령 이전 실험을 바탕으로 만든 회귀 모델을 사용하여 앞으로 실험을 진행할 때 그 동작을 예측하려는 경우에 유용합니다.