Функции и графики для планирования экспериментов (DOE) можно использовать при разработке матриц планирования эксперимента, для анализа и отбраковки факторов, разработки статистических моделей и проведения моделирования методом Монте-Карло.

Матрицы планирования можно создавать с помощью встроенных функций. С помощью утилит DOE можно анализировать свойства матриц планирования дробных факторных экспериментов или изменять такие матрицы. Например, функция doelabel используется для преобразования закодированных значений матрицы плана в вещественные значения. Для дальнейшего изменения матриц планирования можно также использовать векторные и матричные функции. Например, функция stack используется для добавления центральных точек в полный или дробный факторный план, а функция augment используется для добавления внешнего массива, учитывающего шумовые коэффициенты в планах Тагучи.

Для отбраковки факторов можно рассчитать эффекты или эффекты уровня факторов, взаимодействий или блокировки планирования. Функция quickscreen идеально подходит для отбраковки 2-уровневых кодированных планов. Функция effects представляет собой более общую функцию и позволяет рассчитывать эффекты уровня для любых матриц плана.

Чтобы решить, какие факторы важны, результаты эксперимента можно показать в виде диаграммы "ящик с усами", диаграммы распределения или фронта Парето. Также для тестирования важности факторов можно провести анализ дисперсии (ANOVA) с помощью функции anova.

Функцию polyfit можно использовать для быстрого сопоставления поверхности многомерной полиномиальной регрессии. Для работы с коэффициентами регрессии используется функция polyfitc. Данная функция также возвращает дополнительную информацию о каждом коэффициенте регрессии. Для выполнения более полного набора диагностики используется функция polyfitstat. Данная функция возвращает параметры модели, выходные данные функции polyfitc, данные ANOVA для регрессии и подробный анализ всех выполнений или точек данных, используемых для создания поверхности многомерной полиномиальной регрессии. Для улучшения численной точности данные внутренне масштабируются по среднеквадратическому отклонению во всех функциях полиномиальной регрессии, если задана модель линейного порядка. Если задан частичный или неполный полином, масштабирование не проводится.

Для других типов функций аппроксимации используйте для расчета параметров аппроксимации функцию multidfit.

Все указанные выше функции принимают матрицы планирования.

Методы Монте-Карло позволяют смоделировать (при большом числе итераций) статистическое поведение сложной системы, построенной из компонентов с уникальными дисперсиями. Вместо поиска алгоритмического, аналитического решения в этих методах используется многократная подстановка случайных величин в качестве значений всех компонентов сложной системы для моделирования ее статистического поведения.

Можно генерировать случайные числа для моделирования методом Монте-Карло, используя одну из следующих функций: LogNormal, Normal, Uniform, Weibull. Можно также использовать функцию montecarlo для создания выборки методом Монте-Карло для заданной функции. Это удобно, например, при прогнозировании поведения будущих экспериментов с помощью моделей регрессии, созданных в предыдущих экспериментах.