Patrick Giuliano, ingénieur principal du support technique analytique, JMP (SAS)
Mason Chen, étudiant ceinture noire, Stanford University OHS
Charles Chen, Master Black Belt / Expert en amélioration continue, Applied Materials
Grâce à JMP 16 outlier et quantile box plots (distribution), ainsi qu'à une plage de quantiles aberrante et à une détection robuste des valeurs aberrantes d'ajustement (dépistage), nous présentons des stratégies complètes pour séparer puissamment le signal du bruit en présence de réponse(s) univariée(s).Nous proposons également que, grâce à une analyse pratique avec la boîte à moustaches, nous puissions relier l'impact du bruit R&R de la jauge à l'emplacement des points les plus adjacents aux clôtures supérieure et inférieure. Nous utilisons l'échantillonnage de Monte Carlo (fonction random() et columnfFormulas instantanées) pour produire plusieurs types de distribution (normal, uniforme, en pointe, bimodal) afin de valider l'impact sur la boîte à moustaches et l'histogramme afin de détecter les modes d'échec de violation de la normalité.
Nous démontrons que la boîte à moustaches est un outil de visualisation puissant pour juger de la distribution des données, unique pour séparer l'asymétrie des valeurs aberrantes. Graph Builder, unidirectionnel, GoF et les tests d'hypothèses non paramétriques montrent que - puisque la boîte à moustaches est très faible pour détecter la bimodalité, l'aplatissement ou pour tirer des décisions de test d'hypothèse (effet de taille d'échantillon manquant) - l'histogramme et la boîte à moustaches sont nécessaires pour visualiser normalité.Avec les statistiques descriptives, la discrimination la plus puissante entre les différentes distributions de candidats est présentée.Enfin, nous synthétisons et démontrons notre expérience d'apprentissage en formulant 17 questions et réponses de quiz stimulant la réflexion afin de maximiser l'utilité de la boîte à moustaches pour la résolution de problèmes basée sur les données.
