Voyez comment examiner :
Note: Des questions et réponses sont intercalées tout au long de la vidéo.
Pourquoi utiliser Explorateurs de tailles d'échantillon pour le DOE, introduit dans JMP 16 ? Pour équilibrer nos ressources (je ne veux pas exécuter trop de tests) avec les résultats souhaités.Ces résultats dépendent de la confiance et de la puissance souhaitées, ainsi que de certaines estimations spécifiques aux tests.Répondez aux questions, notamment
- Combien d’unités dois-je tester ?
- Pourrai-je déceler une différence dans mes moyens de traitement ?
- Combien d’échantillons sont nécessaires pour construire un intervalle d’une largeur spécifiée ?
- Combien d’unités dois-je tester pour estimer le temps de défaillance ?
À propos de la confiance statistique
Si nous collectons un échantillon de pièces et effectuons une mesure sur chacune de ces pièces, nous pouvons calculer une moyenne et un écart type pour cet échantillon spécifique.L'échantillon a été tiré d'une « population » de pièces, qui a sa propre moyenne réelle et son propre écart type.Nous n'avons aucun moyen de connaître la véritable moyenne et l'écart type de la population (à moins de mesurer TOUTES LES PARTIES de la population, ce qui est généralement d'un coût prohibitif.) La moyenne et l'écart type de l'échantillon ne seront probablement pas les mêmes que la moyenne de la population et écart-type.Nous aimerions imposer des limites à une plage de valeurs où, selon nous, la moyenne de la population totale pourrait réellement se situer.
Pour déterminer cette fourchette, nous devons avoir une certaine confiance dans nos résultats.Il peut s'agir de n'importe quel pourcentage compris entre 0 et 100 %.On choisit souvent une valeur de 95 %, mais cela dépend de votre application.Ainsi, après quelques calculs, nous nous retrouvons avec une affirmation du type « Notre échantillon de 15 pièces avait une moyenne de 13,1.Nous avons un degré de confiance de 95 % que la moyenne réelle de la population à partir de laquelle ces 15 parties ont été tirées se situe entre 10,4 et 15,8.Cela signifie que 95 % du temps (soit 19 fois sur 20), j’aurai raison.La moyenne réelle de la population se situerait en réalité entre 10,4 et 15,8.
Les 5% restants du temps (1 fois sur 20) nous nous tromperions.La moyenne réelle de la population serait soit inférieure à 10,4, soit supérieure à 15,8.
Notez que si nous tirons un autre échantillon de 15 pièces, nous obtiendrons une autre réponse.Peut-être obtenons-nous une moyenne d’échantillon de 13,3 avec un écart type d’échantillon différent.Désormais, notre intervalle de confiance à 95 % pourrait être compris entre 10,9 et 15,7. Si nous prélevons encore un autre échantillon, cette fois de 30 parties, nous pourrions produire un intervalle de confiance plus étroit à 95 %, disons 12,1 à 14,5.Il est plus strict car nous avons une meilleure estimation de la moyenne et de l’écart type réels de la population, grâce à la plus grande taille de l’échantillon.
À propos de la puissance statistique
Cela implique généralement de pouvoir détecter une DIFFÉRENCE. Par exemple, nous voulons savoir si la vraie moyenne de la population est de 15, à +/- 1 unité près. Nous avons l'intention de prélever un échantillon de 25 parties de la population.Nous prévoyons que l’écart type des pièces sera de 1,0 unités. Lorsque nous estimons la moyenne réelle de la population, nous voulons avoir un niveau de confiance de 95 % dans l'estimation.
À quelle fréquence aurons-nous raison en supposant que la véritable moyenne de la population est de 15 +/- 1 ?C’est le POUVOIR STATISTIQUE.Dans ce cas, nous aurions raison dans 40 % des cas.Ainsi, si nous prélevons plusieurs échantillons de 5 parties chacun et que nous tirons à chaque fois une conclusion quant à savoir si la moyenne de la population est réellement de 15 +/- 1, nous n'aurons raison que dans 40 % des cas. Nous pouvons augmenter la puissance en augmentant notre nombre d'échantillons, soit en élargissant la différence à détecter, soit en réduisant notre confiance dans l'estimation de la moyenne de la population.Puissance = probabilité de rejeter correctement l'hypothèse nulle.Nous ne nous intéressons généralement à la puissance que lorsque la valeur nulle est réellement fausse.
Ressources
Merci pour la clarification @calking !
De plus, en examinant mon journal, j'ai trouvé des erreurs dans le tableau « Erreurs de type 1 et de type 2 » présenté dans la vidéo.J'ai corrigé les erreurs dans le journal ci-joint et dans l'image ci-dessous :
#JMP16, #Type_1_Type_2_Erreurs
Il y a eu une question au cours de la séance sur la nature des coefficients anticipés ; qu'il s'agisse de facteurs échelonnés ou de niveaux réels. Je peux confirmer auprès d'un collègue développeur qu'ils font référence à la mise à l'échelle utilisée par Fit Model dans ses modèles (par exemple, enregistrez la formule de prédiction et notez le centrage et la mise à l'échelle des facteurs qui y sont utilisés).
