Queridos amigos,
Necesito su ayuda en el siguiente conjunto de datos.
Supongamos que tengo temperatura, defectos y partes totales producidas a esa temperatura,
| temperatura |
defecto Porcentaje |
Número de piezas producidas |
| 640 |
10 |
10 |
| 645 |
15 |
50 |
| 650 |
3 |
200 |
| 655 |
3.2 |
1000 |
| 660 |
3 |
2000 |
| 665 |
2 |
100 |
| 670 |
10 |
10 |
Quiero un gráfico del porcentaje de defectos de temp v / s y la ponderación de las piezas totales producidas.
Si no considero los pesos (total de piezas producidas), la tendencia es engañosa. Por ejemplo, a 640 grados, el total de piezas producidas es 10, pero solo un defecto hace que el porcentaje de defectos sea del 10%. Lo que afecta a la línea de tendencia. ¿Hay alguna forma de ponderar según la cantidad de piezas producidas a esa temperatura?
En otras palabras 650, 655. 660 representan la tendencia, ya que la cantidad de piezas producidas es alta y ofrece una imagen clara, el aumento de la temperatura reduce los defectos. Tampoco puedo descartar los dos primeros y los dos últimos puntos.
Gracias
Gracias por el guión. Por favor, encontrar datos reales adjuntos
Mi objetivo es trazar el% de defecto contra la temperatura. Pero para temperaturas más bajas, el número de piezas producidas es menor y el porcentaje de defectos es demasiado alto, por lo que la curva da una indicación errónea.
Quiero una curva de% de defectos y temperatura que dé un peso al número total de piezas producidas.
Sus datos están muy sesgados en términos de tamaño de muestra. Quizás debería considerar ejecutar un Diseño de cribado definitivo con un tamaño de muestra consistente de quizás 500. A menos que ejecute un DOE, no veo nada que me emocione cuando analizo sus datos en varias plataformas.
No estoy seguro de lo que quieres decir con "ponderación". El número total de partes en cada nivel de covariable ya es parte del análisis probit. El número total de partes por nivel afecta los intervalos de confianza de las estimaciones. No es necesario aplicar ponderaciones explícitas a algunas observaciones porque ocurren con menos frecuencia. De hecho, esa ponderación adicional distorsionaría los resultados.
Gracias por el guión.
Pero mi principal preocupación era que debería haber menos peso para las temperaturas 640, 645 y 670 ya que la cantidad de piezas producidas a estas temperaturas es muy baja. Pero como se puede ver en el gráfico de regresión, a 640, 645 y 670 se les da una ponderación por agua que da como resultado una curva en forma de "U".
Graph Builder tiene capacidades limitadas para ajustar modelos. El análisis correcto de estos datos se denomina "análisis probit". Usaría los modelos lineales generalizados que se ajustan a la personalidad a través del diálogo Analizar> Ajustar modelo en lugar del Gráfico> Generador de gráficos.
Aquí está el script que creará la tabla de datos JMP con sus datos y el script de tabla para iniciar el análisis correcto.
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 )
)
);
Copie este script en una ventana Archivo> Nuevo> Script y luego ejecútelo. La respuesta parece ser no lineal, con un mínimo en el rango de temperatura media.
Tenga en cuenta que puede guardar este modelo y luego usarlo en Graph Builder como una columna de fórmula.
