例として「Tiretread.jmp」データテーブルを分析してみましょう。このデータテーブルは、タイヤメーカーがシリカ、シラン、硫黄の含有量を因子とし、タイヤの硬度を目標値の70.0に合わせることを目的に行った実験の結果です。シランと硫黄の量は簡単（かつ精確）に制御が可能ですが、シリカには無視できないばらつきがあります。
|
1.
|
［グラフ］>［プロファイル］を選択して予測プロファイルを起動します。
|
|
2.
|
「予測式 硬度」に［Y, 予測式］の役割を割り当てます。
|
|
3.
|
［OK］をクリックします。
|
|
4.
|
「予測プロファイル」のメニューから［最適化と満足度］>［満足度関数］を選択します。
|
|
5.
|
満足度関数のプロットをダブルクリックすると、「応答目標」ウィンドウが開きます。リストから［目標値に合わせる］を選択します。
|
|
6.
|
［最適化と満足度］>［満足度の最大化］を選択して「硬度」を目標値に一致させるような因子設定を見つけます。
|
予測プロファイルは次の図のようになります。「シリカ」の最適値がプロファイル曲線のカーブの途中にあることに注意してください。これは、「シリカ」のばらつきの多くが、応答の「硬度」に伝達されることを示しています。
図3.20 「硬度」の満足度の最大化
|
1.
|
［グラフ］>［プロファイル］を選択します。
|
|
2.
|
「予測式 硬度」を選択し、［Y, 予測式］をクリックします。
|
|
3.
|
「シリカ」を選択し、［誤差因子］をクリックします。
|
|
4.
|
［OK］をクリックします。
|
|
5.
|
前に行ったように「予測式 硬度」の満足度関数を変更します。
|
図3.21 シリカについての予測式の微分
|
6.
|
［最適化と満足度］>［満足度の最大化］を選択すると、誤差因子を考慮した上で、因子の最適設定が探し出されます。
|
今度は、「硬度」が目標値に一致するだけでなく、「シリカ」において平坦な領域が探し出されています。この性質により、今回の分析で探し出された設定値では、「シリカ」のばらつきは、あまり「硬度」に伝達されません。
図3.22 満足度の最大化
|
1.
|
プラットフォームのメニューから［シミュレータ］を選択します。
|
|
2.
|
「シリカ」に［ランダム］を選択し、標準偏差が0.05の正規分布の乱数を割り当てます。
|
図3.23 正規乱数の設定
|
3.
|
［シミュレート］をクリックします。
|
|
4.
|
［シミュレーションのデータテーブル］ノードの下にある［テーブルの作成］ボタンをクリックします。
|
|
5.
|
|
6.
|
［分析］>［一変量の分布］を選択し、両方の予測列に［Y］の役割を割り当てます。
|
|
7.
|
ヒストグラムが表示されたら、「一変量の分布」タイトルバーにある赤い三角ボタンのメニューから［スケールの統一］を選択します。
|
図3.24 誤差因子を考慮しなかった場合と考慮した場合の比較
ヒストグラムを見ると、分析に誤差因子を含めない場合の方が「硬度」のばらつきがずっと大きいことがわかります。
また、誤差因子を含めた場合のヒストグラムは、興味深い形状になっています。上のヒストグラムの比較を見ると、「誤差因子あり」の分布では、データが一方向だけに延びています。予測が歪んでいるのは、「硬度」は「シリカ」との関係において最小となるためです（「シリカ」に対する「硬度」の最小値を示した予測プロファイル）。そのため、「シリカ」にばらつきがあれば、「硬度」は増加する一方です。ロバストでない解を使用した場合、ばらつきはどちらの方向にも伝達されます。
