Patrick Giuliano, Senior Analytical Technical Support Engineer, JMP (SAS)
Mason Chen, Student mit schwarzem Gürtel, OHS der Stanford University
Charles Chen, Master Black Belt / Experte für kontinuierliche Verbesserung, Angewandte Materialien
Durch JMP 16-Ausreißer- und Quantil-Boxplots (Verteilung) stellen wir zusammen mit Quantilbereichs-Ausreißer- und Robust-Fit-Ausreißer-Erkennung (Screening) umfassende Strategien vor, um Signal und Rauschen bei Vorhandensein von univariaten Antworten wirkungsvoll zu trennen.Wir schlagen auch vor, dass wir durch praktische Analyse mit dem Boxplot die R&R-Lärmauswirkung des Messgeräts mit der Position der Punkte verbinden können, die am nächsten zu den oberen und unteren Zäunen liegen. Wir verwenden Monte-Carlo-Sampling (Random()-Funktion und Instant-columnfFormulas), um mehrere Verteilungstypen (normal, uniform, Peaked, bimodal) zu erzeugen, um die Auswirkungen auf das Boxplot und das Histogramm zusammen zu validieren, um Fehlermodi für Normalitätsverletzungen zu erkennen.
Wir zeigen, dass der Boxplot ein leistungsstarkes Visualisierungstool zur Beurteilung der Datenverteilung ist, das einzigartig ist, um Schiefe von Ausreißern zu trennen. Graph Builder, Einweg-, GoF- und nichtparametrische Hypothesentests zeigen, dass – da Boxplots sehr schwach sind, um Bimodalität, Kurtosis zu erkennen oder Hypothesentestentscheidungen zu ziehen (Effekt fehlender Stichprobengröße) – sowohl das Histogramm als auch der Boxplot zur Visualisierung benötigt werden Normalität.Zusammen mit deskriptiven Statistiken wird die stärkste Unterscheidung zwischen verschiedenen Kandidatenverteilungen vorgestellt.Schließlich synthetisieren und demonstrieren wir unsere Lernerfahrung, indem wir 17 zum Nachdenken anregende Quizfragen und Antworten formulieren, um den Nutzen des Boxplots für die datengesteuerte Problemlösung zu maximieren.
