Cari amici,
Ho bisogno del tuo aiuto nel seguente set di dati.
Supponiamo di avere temperatura, difetti e parti totali prodotte a quella temperatura,
| temperatura |
difetto Percentuale |
Numero di parti prodotte |
| 640 |
10 |
10 |
| 645 |
15 |
50 |
| 650 |
3 |
200 |
| 655 |
3.2 |
1000 |
| 660 |
3 |
2000 |
| 665 |
2 |
100 |
| 670 |
10 |
10 |
Voglio un grafico della percentuale di difetto temp v/s e di dare peso alle parti totali prodotte.
Se non considero i pesi (parti totali prodotte) la tendenza è fuorviante. Ad esempio a 640 gradi, le parti totali prodotte è 10, ma un solo difetto rende la percentuale di difetto del 10%. Che influenza la linea di tendenza. C'è un modo per dare peso in base al numero di parti prodotte a quella temperatura.
In altre parole 650, 655. 660 rappresentano effettivamente la tendenza in quanto il numero di parti prodotte è elevato e fornisce un'immagine chiara, l'aumento della temperatura riduce i difetti. Inoltre non posso scartare i primi due e gli ultimi due punti.
Grazie
Grazie per la sceneggiatura. Si prega di trovare in allegato i dati effettivi.
Il mio obiettivo è tracciare la percentuale di difetto rispetto alla temperatura. Ma per temperature più basse il numero di parti prodotte è inferiore e la percentuale di difetto è troppo alta, quindi la curva fornisce un'indicazione errata.
Voglio una curva di % difetto e temperatura che dia peso al numero totale di parti prodotte.
I tuoi dati sono molto distorti in termini di dimensione del campione.Forse dovresti prendere in considerazione l'esecuzione di un progetto di screening definitivo con una dimensione del campione coerente di forse 500. Escludendo l'esecuzione di un DOE, non vedo nulla che mi ecciti quando analizzo i tuoi dati su varie piattaforme.
Non sono sicuro di cosa intendi per 'peso'. Il numero totale di parti a livello di covariata fa già parte dell'analisi probit. Il numero totale di parti per livello influisce sugli intervalli di confidenza delle stime. Non è necessario applicare pesi espliciti ad alcune osservazioni perché si verificano meno frequentemente. In effetti, tale ponderazione aggiuntiva distorcerebbe i risultati.
Grazie per la sceneggiatura.
Ma la mia preoccupazione principale era che ci dovrebbe essere meno peso per le temperature 640, 645 e 670 poiché il numero di parti prodotte a queste temperature è molto basso. Ma come si può vedere dal grafico di regressione, a 640, 645 e 670 viene assegnato un peso uguale risultante in una curva a forma di U.
Graph Builder ha capacità limitate per l'adattamento dei modelli. L'analisi corretta di questi dati è chiamata "analisi probit". Dovresti utilizzare la personalità di adattamento dei modelli lineari generalizzati tramite la finestra di dialogo Analizza > Adatta modello invece di Grafico > Generatore di grafici.
Ecco lo script che creerà la tabella di dati JMP con i tuoi dati e lo script della tabella per avviare l'analisi corretta.
New Table( "untitled",
Add Rows( 7 ),
New Script(
"Model",
Fit Model(
Y( :Defective Parts, :Total Parts ),
Effects( :Temperature, :Temperature * :Temperature ),
Personality( "Generalized Linear Model" ),
GLM Distribution( "Binomial" ),
Link Function( "Probit" )
)
),
New Column( "Temperature",
Numeric,
"Continuous",
Format( "Best", 12 ),
Set Values( [640, 645, 650, 655, 660, 665, 670] )
),
New Column( "Percentage Defects",
Numeric,
"Continuous",
Format( "Best", 12 ),
Set Values( [0.1, 0.15, 0.03, 0.032, 0.03, 0.02, 0.1] )
),
New Column( "Total Parts",
Numeric,
"Continuous",
Format( "Best", 12 ),
Set Values( [10, 50, 200, 1000, 2000, 100, 10] )
),
New Column( "Defective Parts",
Numeric,
"Continuous",
Format( "Best", 12 ),
Formula( :Percentage Defects * :Total Parts )
)
);
Copia questo script in una finestra File > Nuovo > Script ed eseguilo. La risposta sembra essere non lineare, con un minimo nell'intervallo di temperatura media.
Tieni presente che puoi salvare questo modello e quindi utilizzarlo in Generatore di grafici come colonna formula.
