Bien, remercier toi tout le monde pour joindre moi.
Ce est un Découverte Sommet 2022 présentation,
courtoisie de mon co-présentateurs, Charles Chen et le maçon Chen.
Mon nom est Patrick Giuliano.
Le titre de ce parler est,
Boîte à moustaches A analyse : Mélange Scientifique et Artistique Enquête
à l'université varier Réponse Caractérisation.
Voici le abstrait.
Toi peut trouver ce sur le JMP Utilisateur C communauté
dans le Découverte 2022 communauté page,
USD découverte 2022 communauté page.
Je suis en mettant il ici pour référence.
je volonté fournir un lien dans le diapositives
à le communauté page où le projet volonté en direct.
Qu'est-ce que c'est le motivation pour ce projet?
Le Boîte à moustaches est un de le la plupart populaire graphique outils
à visualiser un univarié distribution de données.
Ce projet études comment à utiliser le Boîte à moustaches à analyser données effectivement.
La plupart personnes OMS utiliser le Boîte à moustaches ne le faites pas utiliser il nécessairement
à déterminer le forme de le distribution de le données.
Dans fait, beaucoup personnes utiliser il à tort à dessiner signifier ou signifier comparaison les décisions,
et ils peut supposer normalité basé sur symétrie,
quand dans fait, le normalité hypothèse
serait en fait pas être raisonnable si ils étaient à prendre un plus proche regarder
à le forme de le données sur un histogramme, pour exemple.
Le objectif de ce projet est à démontrer comment à utiliser JMP
spécifiquement 16, à interpréter information dans un Boîte à moustaches
et à améliorer compétence
dans un mondial communauté de scientifiques et ingénieurs
que sont vraiment sous un DMEIC ou l'APS,
ou Maigre taper Six Sigma méthodologie,
lequel est très populaire, évidemment, aujourd'hui et sur le dernier peu décennies.
Le intéressant chose à propos ce projet est nous encadré il
dans le contexte de 17 questionnaire des questions.
Ce est un question et répondre glisser pont.
Et Je suis pas en allant à aller dans aussi beaucoup détail
à propos chaque et chaque question,
qui h je volonté montrer toi ici.
Mais quoi Identifiant comme à faire est montrer toi un petit peu à propos
comment toi peut utiliser JMP à explorer le répondre à ces des questions,
parce que je pense c'est vraiment le la plupart intéressant et amusant partie.
Le première chose je recherché à faire est juste rapidement aller sur quoi un Boîte à moustaches est.
Donc quoi est le anatomie de un Boîte à moustaches ?
Juste comme un remise à niveau pour quelques de toi, ou introduction pour quelques de toi,
le médian est indiqué par le ligne médiane,
et c'est référé à comme le deuxième quartile, T2
ou le 50ème centile.
Alors T1 est référé à comme le 25 centile.
T3 est le 75ème centile, comme toi peut voir ici.
Le interquartile gamme, ou IQR,
est le différence entre T3 et T1.
Le autre important éléments sont nous avoir qu'est-ce que c'est appelé
un moustache sur le inférieur côté et sur le supérieur côté.
Juste à le fin de que moustache, parfois nous référer à il comme la barrière
et tu vas voir un verticale doubler
et JMP dessine un verticale doubler à indiquer que bord.
Qu'est-ce que c'est important à propos ce est que ce emplacement est en fait
T1 moins 1,5 fois le IQR,
lequel est représentée par le distance entre ce bord et ce bord.
Ce point et le supérieur clôture est
T3 plus un et un moitié fois le IQR.
Donc que définit le supérieur bord.
Alors n'importe lequel points que sont au-delà ces bords ou clôtures
sont considéré potentiel valeurs aberrantes.
Et ils en fait montrer en haut par eux-mêmes comme points
alors que le repos de le données dans le milieu de le histogramme
est pas montré pour accent sur le points que sont au-delà le au-delà ces clôtures.
Je suis en allant à saut droite dans.
Comment a fait nous explorer et développer le réponses à ces des questions,
et dans quelques cas, même affiner le des questions eux-mêmes?
Bien, nous créé un simulé données tableau dans JMP 16,
où nous construit 100 Lignes de données,
et nous construit données, d'abord à partir de un normale distribution,
et alors appliqué quelques transformation à que données.
Nous voir que nous avoir un normalement distribué données
dessiné depuis un population le signifier de zéro et un écart-type de un.
Ensuite nous avoir uniformément distribué données.
Alors nous avoir données c'est pointu,
c'est à dire a un positif Aplatissement.
Alors nous avoir données c'est droite biaisé,
a deux modes,
a quelques valeurs aberrantes à propos 3 % sur moyenne
et alors entiers.
Dans tous le cas, avec le exception de le bimodal,
nous juste basé le simulé formule,
sur le original normale colonne.
Le chemin que nous mettre tous le données sur le même échelle
est nous utiliser le colonne standardisé fonction
donc que nous pourrait comparer tous le données
relatif à chaque autre dans le distribution plate-forme.
Ce est juste un Aperçu de que.
Je vais saut sur à JMP et montrer toi que.
Mais encore, tous de ce données est centré à une moyenne de environ zéro
et un standard déviation, environ un.
Nous couvert le première question.
Pourquoi je s un Boîte à moustaches, parfois référé à comme un cinq- indiquer parcelle?
Bien, là sont cinq principal points .
Il y a T1, il y a T2 dans le milieu, il y a T3,
et alors là sont le moustaches, le supérieur et inférieur .
Suivant question.
Quoi sont le deux façons que le Boîte à moustaches peut déterminer
où là le distribution est biaisé ?
Bien, nous peut regarder à le largeur de le boîte lui-même.
Nous peut aussi regarder à le largeur de le moustaches.
Dans ce droite biaisé exemple,
toi peut voir que supérieur moustache est beaucoup plus long que le inférieur un.
Donc que serait impliquer que le données est droite biaisé.
Dans autre mots, que le queue dans le données,
si toi étaient à imaginer que distribution, est montrer du doigt à le droite.
Troisièmement, pourquoi fait le La boîte à moustaches comprend le médian et pas le signifier?
Bien, un Boîte à moustaches les usages le médian à déterminer ou jauge asymétrie.
Donc si le distribution est normale, alors le signifier est égal à le médian.
Et dans fait, quoi toi serait voir ici est que ce médian doubler dans le milieu
serait doubler en haut exactement avec le bords de ce diamant,
le milieu de ce diamant.
Dans que cas, toi serait effectivement avoir un situation
où tu es pas vraiment perdant n'importe lequel information
parce que le la distribution est symétrique.
Le médian dans général, alors pourrait être considéré mieux,
indépendamment de de si le distribution est normale ou anormal.
Quatrième, pourquoi est le Boîte Parcelle le la plupart puissant visualisation outil,
ou un de le la plupart puissant outils à séparé asymétrie et valeur aberrante problèmes?
Quand nous a parlé à propos ce idée que parce que le Boîte à moustaches les usages
ce T1 moins un et moitié fois IQR
et T3 plus un et un moitié fois IQR méthodologie,
il vraiment permet nous à séparé potentiel valeurs aberrantes depuis le principal données.
Il aussi donne nous un cadre
par lequel à juge si le supérieur moustache
est plus grand ou plus petit que un inférieur moustache.
Donc ceux deux Composants de le parcelle
vraiment aide nous, plutôt, voir si étaient qualifié asymétrie
et potentiel périphérique ce.
C'est un unique fonctionnalité de le Boîte à moustaches.
Le cinquième question est un petit plus intéressant.
Qu'est-ce que c'est le relation entre le interquartile gamme,
que distance entre T1 et T3,
et le standard déviation, lequel nous peut calculer pour n'importe lequel données ensemble,
indépendamment de de comment c'est distribué?
Si le données est normale,
quoi à propos si le données est biaisé ou anormal ou pointu
ou n'importe lequel autre forme?
Bien, nous savoir, basé sur théorie,
que le rapport de le IQR, à l'écart type
est 1,35 pour normale données.
Quoi serait que rapport regarder comme si le données n'était pas normale?
Bien, nous peut explorer que dans JMP,
et Je suis en allant à montrer toi que vraiment rapidement.
Voici le données ensemble.
Je suis aussi en allant à poste ce sur le communauté .
Le première chose Je suis en allant à faire est aller devant et montrer toi
comment je obtenir à un visuel État
où nous peut voir tous le Boîtes à moustaches ensemble,
sans le distributions.
Ce est intéressant,
mais Je suis en allant à aller devant et commencer depuis le début.
Je suis en allant à analyser distribution.
je vais montrer toi comment je a obtenu là.
Je suis en fait en allant à Cliquez sur tout,
et JMP est en allant à donner moi un histogramme et un Boîte à moustaches ensemble.
UN t le fin de le présentation,
étaient en allant à résumer pourquoi c'est important.
Mais quoi Je suis en allant à faire ici est Je suis en allant à aller devant et tourner désactivé le histogramme,
je peut aller devant et Personnaliser le largeur ici de le lignes.
je peut copie ce personnalisation sur,
lequel est vraiment bon.
Je suis en allant à prise vers le bas le contrôle clé parce que Je suis sur un PC.
Je suis en allant à droite Cliquez sur
et alors Je suis en allant à frapper Modifier, Copie, P. aste C personnalisations,
et c'est en allant à apporter eux tous sur.
Je suis en fait en allant à prise vers le bas le contrôle clé encore et redimensionner ce
pour que je peut redimensionner eux tous ensemble.
Maintenant Je suis en allant à minimiser le quantile section,
parce que Je suis en allant à obtenir le information que je besoin
depuis le résumé statistiques section.
je en fait avoir le IQR et un standard déviation montré ici.
UN bien que je pourrait Personnaliser ce, soit ici ou dans le propriétés,
lequel je peut accéder sous Déposer, Préférences et sous le distribution plate-forme groupe.
Quoi Je suis en allant à faire est Je suis en fait en allant à faire
ce information dans un données tableau
et Je suis en allant à droite- Cliquez sur et sélectionner, Faire Combiné Données Tableau à faire que.
Maintenant je seulement besoin le IQR et le standard déviation.
Je suis vraiment seulement intéressé dans que.
Donc Je suis en fait en allant à sélectionner, un de le standard les écarts,
un de le IQR.
Je suis en allant à se déplacer mon le curseur sur ici
et sélectionner Correspondant à sur tous de le Lignes
que avoir ces valeurs dans eux.
Je suis en allant à aller devant et inverser le sélection,
supprimer le Lignes que je ne le faites pas vouloir,
et Je suis gauche avec ce.
Maintenant Je suis juste en allant à aller devant et restructurer le données
donc que je peut calculer le rapport de le IQR à le standard déviation.
Donc Je suis juste en allant à utiliser Tableau Diviser pour que.
Je suis en allant à aller devant et diviser par colonne 1
mettre colonne 2 dans ici, mettre ces dans un groupe.
Je vais à Cliquez sur D'ACCORD.
je avoir le données comment je vouloir.
Ce montre moi depuis lequel distribution
ces statistiques est venu depuis,
Je suis en allant à aller devant et faire un Nouveau Formule C colonne, Combiner, Rapport.
Là toi aller.
Ce regards un petit peu dur à interpréter pour moi.
Je suis en allant à aller devant et changement il donc que je peut seulement voir deux décimales.
j'ai a obtenu Nombres lequel sont très similaire,
il devrait être, de toute façon, très similaire à quoi je avoir dans le glisse ici
détaillant le rapport de le IQR à le standard déviation.
Bien sûr, ils sont en allant à être différent parce que il y a échantillonnage erreur.
Ce tableau est seulement un échantillonnage expérience.
Mais ce est comment je peut rapidement
et de manière interactive extrait ce information
et vraiment comprendre, quoi fait ce rapport regarder comme
si mon données est pas normale dans un particulier chemin?
Nous peut voir ici, que le valeurs que tendre à être inférieur
à le culminer distribution de le un avec les valeurs aberrantes,
le valeurs que tendre à être plus haut que le typique
ou le attendu théorique 1, 3, 5 normale,
sont en allant à être le uniforme, le droite biaisé et bimodal.
Suivant question, qu'est-ce que c'est le idéal valeur aberrante pour cent
si le distribution est à la perfection normale?
Bien, il se tourne dehors que si nous regarder dans le manuels ou réduire simulation,
sur moyenne, nous devrait voir à propos 0,7% de le points au-delà le les clôtures,
dans un normale distribution,
ou à moins peut-être pas au-delà le les clôtures, mais si nous étaient à faire un contrôle graphique,
nous serait certainement voir à propos de,
lequel est sous le hypothèse de normalité.
Pour exemple,
si nous étaient à faire un individuel en mouvement gamme graphique, nous serait voir autour 0,7%
de le points sur moyenne être dehors le limites.
Bien que pour pratique fins,
nous pourrait probablement dire,
si nous scie à propos 3 % ou moins de le distribution au-delà le limites,
nous serait considérer il environ normale.
Pourquoi est que question important?
Bien, nous peut utiliser le proportion de le points au-delà le clôtures
dans un Boîte à moustaches quand le échantillon taille est petit
à déterminer si ou pas nous avoir quelques preuve de normalité
sur le base de valeurs aberrantes.
Bien que si notre échantillon taille est aussi grand,
alors étaient en allant à voir beaucoup et beaucoup de points au-delà ceux clôtures.
Donc c'est vraiment important que nous considérer un " raisonnable échantillon taille."
Et c'est partie de le raison pourquoi nous seulement considéré 100 Lignes dans notre projet.
Suivant question, qu'est-ce que c'est le différence entre
un quartile gamme et un quantile gamme Boîte à moustaches ?
Bien, dans un pratique contexte, de toute façon, nous peut parler à propos
le Explorer les valeurs aberrantes utilitaire dans JMP 16,
lequel un permet nous à ajuster le Q,
lequel est le multiplicateur sur le IQR
et le queue quantile,
lequel est essentiellement comment le données est divisé en haut.
Nous peut Personnaliser que gamme.
Je suis juste en allant à montrer toi quoi que regards comme réel rapidement.
Je suis en allant à aller dans Analyser,
Je suis en allant à aller à Dépistage,
Explorer Valeurs aberrantes.
Je suis en allant à faire ce sur mon brut données.
Je suis en fait en allant à fermer ce.
Je suis en allant à aller dos à le brut données tableau.
Je vais juste prendre un couple de ces.
Je vais en fait prendre le ceux que je avoir dans mon diapositives à culminer dans le valeurs aberrantes.
Je suis en allant à aller devant et utiliser le quantile gamme valeurs aberrantes.
Je suis en allant à ajuster ce à quoi le Utilisations de la boîte à moustaches : 0,25 et 1.5.
Je suis en allant à Cliquez sur Nouvelle analyse
et JMP va identifier potentiel valeurs aberrantes ici.
Comment fait ce connecter à le distribution plate-forme?
Bien, si nous aller sur ici,
nous regarder à ce,
quoi étaient en allant à voir,
est là sont un nombre de valeurs aberrantes ici.
Je suis en fait en allant à sélectionner le Lignes,
Je suis en allant à aller sur ici.
Bien, voilà et voir, c'est ces valeurs.
Donc toi a obtenu 1, 2, 3, 4, 5, 6,7.
Il y a Sept valeurs aberrantes.
1, 2, 3, 4, 5, 6,7.
Que carrés en haut.
C'est exactement quoi nous serait attendre.
De la même manière, nous avons a obtenu 1, 2, 3, 4,
et si nous faire défiler sur ici, et sous le les valeurs aberrantes,
voir si nous avons fini ici sont à quatre.
Super.
En allant dos à le diapositives ici, nous peut Personnaliser ce .
Et c'est en fait quoi nous obtenir dans dans subséquent Question dix.
Comment faire nous déterminer si valeurs aberrantes sont marginal ou extrême?
Bien, et pourquoi est il important?
Bien, nous peut ajuster le sensibilité
de le valeur aberrante détection basé sur le multiplicateur sur le IQR
alors que en gardant le queue quantile le même.
Toi pourrait intuitivement attendre
que si toi étaient à prendre Q₃ plus un plus grand nombre fois le IQR,
c'est en allant à étendre le moustache longueur et de même, sur le inférieur côté.
C'est en allant à signifier que plus points sont en allant à automne à l'intérieur.
Donc moins valeur aberrante serait être détecté.
Nous devrait être capable à voir que et test que dans JMP.
Donc si je étaient à augmenter ce à deux et Cliquez sur Nouvelle analyse,
nous voir un peu valeurs aberrantes devenir partie de le Boîte à moustaches,
ou nous peut imaginer un situation où c'est le cas.
Je vais augmenter ce à trois,
Je vais frapper Concernant analyse
nous voir Encore moins valeurs aberrantes être identifié toujours.
UN s je aller en haut à Q égal à cinq,
maintenant je seulement avoir un valeur aberrante détecté dans le culminer colonne de données.
Donc le idée ici est que nous peut développer critères pour Q, pour exemple,
nous pourrait situer il avec trois, une situation où données pourrait être considéré
un typographique erreur, où il pourrait être un extrême ou cas aberrant plus extrême.
Nous pourrait ensemble Q égal 1,5 si, par exemple,
nous pensons que la valeur aberrante potentielle pourrait être associé avec variabilité
en raison de le la mesure système ou spécial processus variation.
Nous peut faire quelques simulation basé sur notre application
et décider de ce que valeur de Q devrait être dans ces particulier scénarios.
En connection avec que, dans Question dix,
nous touché un petit peu sur GRR ou la mesure système variabilité.
Question 8 pourparlers un petit un peu,
ça va un petit peu Plus profond dans ce et apporte ensemble quelques des idées.
Le idée ici est que nous pourrait effectivement envisager
le distance entre le supérieur clôture et le première valeur aberrante
ou le premier potentiel valeur aberrante série de valeurs aberrantes.
Nous peut étendre que supérieur clôture par un distance de deux fois le Sigma
exigible à le la mesure système variabilité.
Dans ce d'une certaine manière, nous envisageons en fait
le variabilité en raison de le la mesure système.
Et étaient demander nous-mêmes, est ce potentiel valeur
dans le bruit de le la mesure système ou pas?
Étaient créer un graphique façon, un moyen graphique mélangé
de déterminer si le valeur est raisonnable
sous le attente ça t il y a une mesure système variabilité.
je avoir ici le distance entre le marginal valeur aberrante et moustache
devrait être par rapport à le GRR bruit standard déviation.
Si c'est dans deux standard les écarts, nous ne le faites pas avoir 95 % confiance
pour conclure ceci marginal valeur aberrante est différent depuis le moustache.
Ce est juste un graphique version de un un- échantillon T- test dans effet.
Nous pourrait en fait construction un un- échantillon T- test
en utilisant cette ligne rouge comme notre cible et le observé valeur,
ou plutôt assumé série de valeurs, ce point noir,
comme notre distribution relatif à que cible.
Le suivant question, comment beaucoup points est-ce que nous besoin vraiment à produire un Boîte à moustaches
si étaient échantillon taille limité?
Bien, nous pourrait besoin à moins Sept points,
et notre simulation dans ce particulier échantillonnage expérience montre que.
Qu'est-ce que c'est événement ici?
Bien, chaque de ces trois données ensembles avoir le même médian.
Toi peut voir dans ce données ensemble, là sont six observations.
Dans ce un là sont Sept, et alors ce un là sont huit.
Allons commencer sur le gauche, en fait,
et nous avoir huit des observations, un dehors ici autour 15.
Quoi si nous réduire le nombre d'observations à sept
et nous en fait inclus le même constat ici,
mais nous réduire un de le autres?
Quoi si nous réduire il plus loin alors que maintenir le même médian?
Alors quoi nous voir est que cette valeur aberrante 15,
lequel est toujours dans le données ensemble, Non plus long devient un valeur aberrante.
Dans essence, il devient absorbé dans la moustache lui-même.
Le autre chose c'est intéressant à propos de cette expérience simple,
est que le IQR devient gonflé quand on passe de sept à six heures.
Nous peut voir que visuellement comme que
la largeur de cette boîte de Q1 à Q3 devient beaucoup plus large.
Nous peut aussi voir que numériquement ici.
je en fait vouloir à montrer toi comment nous pourrait explorer que dans JMP.
Voici quelques données.
C'est pas le même données, mais voici quelques données.
je juste créé un colonne que rangs le données.
UN gagner, je juste utiliser un instantané colonne formule.
je peut faire que par sélection une de ces options,
donc je croire c'est sous distributionnelle.
Maintenant, quoi Je suis en allant à faire c'est que j'y vais à aller devant et juste horloge ce données.
Je suis en allant à tourner le histogramme sur c'est côté.
Je suis en fait en allant à invoquer le filtre de données local.
Je suis en allant à apporter dans que rang colonne que Je suis en allant à rendez-le ordinal d'abord,
donc que je peut sélectionner données individuellement
plutôt que sous le hypothèse de le continu distribution.
Je suis en allant à sélectionner tout.
Maintenant, allons voir, si je aller dos à le données tableau,
je savoir que 8 représente le le plus élevé, le le plus grand valeur.
Je vais garder 8 dans là,
et Je vais juste commencer réduire quelques de les valeurs inférieures
par holding vers le bas mon contrôle clé et en cliquant que,
lequel volonté effectivement retirer que indiquer dynamiquement depuis ce analyse.
je a obtenu le contrôle clé vers le bas et cliqué encore, cliquez à nouveau.
Toi scie il là, cette valeur aberrante du côté bas,
de toute façon, dans ce cas, juste disparu.
Il y a un relation parmi le distance entre le clôtures et le points,
lequel est calculé sur le base de le données
où la médiane et les quartiles sont calculé
basé sur le données c'est dans le analyse.
Ce donne toi un mieux moyens de appréciant comment le Boîte à moustaches
change à mesure que un fonction de données c'est soit dans ou dehors de le analyse.
Ce est un vraiment super cool fonctionnalité
que je vraiment comme à utiliser un parcelle dans beaucoup contextes.
Qu'est-ce que c'est le avantage d'une valeur aberrante d'ajustement robuste algorithme,
lequel est un JMP 16 algorithme?
Il donne nous un autre moyens de détection marginalité .
Nous avoir le capacité à utiliser un Cauchy méthode
lequel souvent évite le impact de l'asymétrie,
lequel peut être utile pour pratique situations.
Nous peut aussi utiliser un 3-s igma ou un multiplicateur K-sigma
dans commande à aide détecter marginalité .
Tous de ces méthodes vraiment aide nous
séparer les valeurs aberrantes potentielles des valeurs aberrantes réelles
et aide nous créer un raisonnable détection du signal et méthodologie
de la même manière que nous pourrions faire si nous étaient à utiliser contrôle cartographie
et construire une carte de contrôle avec limites
pour notre particulier expérimental ou fabrication application.
13. Peut nous inclure le échantillon taille information dans le Boîte Parcelle?
Bon ça est où le Boîte Parcelle départs à présent un clair limitation.
Là n'est-ce pas n'importe lequel échantillon taille information explicitement dans le Boîte à moustaches.
UN bien que, nous faire avoir le capacité dans le générateur de graphiques
pour créer un Box Plot à encoche, lequel donne toi quelque chose
comme un confiance intervalle sur le médian,
le bords indiquer un confiance intervalle sur le médian.
Nous aussi avoir le capacité dans graphique constructeur pour appeler la zone de légende
ce qui est très utile fonctionnalité pour récapitulation de données
graphiquement sans avoir besoin à fournir un supplémentaire tabulaire données sortir.
Mais de cours, que information est complètement caché à le Boîte à moustaches lui-même.
Connecté à que est, peut nous faire n'importe lequel décision
avec n'importe quel niveau de statistique confiance si étaient juste regarder à le Boîte à moustaches ?
Le répondre est Non.
Dans ce particulier par exemple, nous l'avons réellement conçu
donc le médianes étaient légèrement différent sur moyenne.
Et donc étaient obtenir quelques séparation parmi le médianes entre le groupes.
Nous utilisé à ajuster Oui par X dans ce contexte.
Quoi ce montre est que le signifier [inaudible 00:29:27]
représente le signifier, les méchants diamants sont non- se chevauchant.
Il regards comme tous à travers tous quatre groupes comparés,
lequel indique que il y a quelques preuves
que il y a un différence dans le moyens entre le groupes.
Nous peut aussi voir le différence dans le médianes.
Nous peut faire un non- paramétrique test.
Dans ce cas, étaient en utilisant un non- test paramétrique de l'acier avec contrôle,
où le contrôle est juste le Z normale.
Étaient voyant quelques preuve de séparation,
statistique séparation parmi le médianes dans ce cas particulier.
C'est dur pour nous à détecter que et voyez cela dans la boîte à moustaches.
Dans fait, il vraiment n'est-ce pas que clair à tous.
Comment peut nous dire si nous avoir n'importe lequel préoccupation avec respect à Kurt ose ?
Qu'est-ce que c'est Aplatissement ?
L'aplatissement est essentiellement le idée que si c'était un positif Kurtose,
toi serait avoir données c'est concentré dans le milieu,
ton données c'est écrasé ensemble dans le milieu de le distribution.
C'est ce exemple dans le droite.
Si toi avait un idéalisé cas d'extrêmement négatif Kurtosis,
tu aurais avoir un uniforme distribution où le données est vraiment propagé dehors.
Quoi toi peut voir dans ces graphiques relatif à le normale distribution,
est que le 50 % dense zone, indiqué par ce rouge bar,
est essentiellement à propos comme long comme la distance entre T1 et T3 ici,
mais c'est sur un côté de le médian,
sur un côté de le médian et le uniforme cas.
C'est à propos comme long comme ce boîte largeur alors c'est aussi sur un côté de le médian.
C'est un unique caractéristique fonctionnalité de ce uniforme distribution forme.
Si nous regarder à le culminer situation,
nous voir que le boîte largeur c'est beaucoup plus comprimé
et la demi-largeur la plus courte est aussi à peu près la même chose que le largeur de la boîte,
la moitié la plus courte est la la plupart dense région plutôt comme centré à propos le médian.
C'est similaire à quoi toi serait voir pour le cas de distribution normale,
où le 50 % dense région volonté être à propos de centré
sur le signifier ou le médian et à propos le même largeur comme le boîte.
Clairement, le différenciateur ici est-ce le distances sont réduit assez un peu.
Vraiment le emporter ici, cependant,
est que ce taper de interprétation est vraiment difficile.
Et il serait être Plus facile pour nous se reposer sur le forme mise en évidence par l'histogramme
que à essayer à regarder à le Boîtes à moustaches séparément.
Question 16 est très semblable à 15.
Quoi à propos dans le contexte de données que a plus que un mode?
Quoi à propos un bimodal distribution?
Bien, je juste a pris le Boîtes à moustaches et tiré eux à gauche,
ils sont depuis le des photos sur le droite.
Nous ne peut pas vraiment voir un entier parcelle de différence parmi ces.
C'est difficile pour nous à interpréter ce.
Mais une fois nous mettre le histogrammes, nous pouvons voir clairement si nous ajuster un deux- distribution de pointe
que il y a deux Modes dans ce données, et il y a peut être un mode,
peut être un petit mode, mais vraiment essentiellement un mode dans le données sur le gauche.
Le Boîte à moustaches n'est-ce pas particulièrement bon
à détection que présence de plusieurs modes.
Le dernier question est, comment beaucoup "modes de défaillance de violation de la normalité"
peut nous détecter avec le Boîte à moustaches ?
Ce question apporte tous le autre ceux ensemble.
Bien, si nous avoir l'asymétrie,
nous avons montré que nous avoir un fort capacité à détecter que.
Si nous avoir potentiel les valeurs aberrantes,
nous certainement avoir un fort capacité à détecter que.
Si nous avoir Kurtose,
lequel est vraiment en rapport à le forme comme si si là sont plusieurs modes,
alors nous vraiment ne le faites pas avoir un fort capacité à détecter que.
Si étaient considérant hypothèse essai,
nous n'avons certainement pas de capacité pour détecter que soit avec le Boîte à moustaches.
Qu'est-ce que c'est le des plats à emporter ?
Bien, le Boîte à moustaches est certainement un outil de visualisation puissant.
C'est un super introduction outil,
et cela a un merveilleux capacité à asymétrie séparée
depuis potentiel périphérique ness.
Mais il a c'est limites.
Dans cas où étaient regarder à Kurtotique forme ou un bimodalité
ou multimodalité, le histogramme est certainement un mieux choix.
C'est vraiment probablement pourquoi JMP utilise à la fois l'histogramme et le box Plot
dans le distribution plateforme pour visualiser le comportement des données,
si toi volonté.
De cours, ajouter descriptif statistiques
nous aide vraiment rond en haut le image où nous avoir un graphique première approche.
Ce est juste, encore, un récapitulation de quoi nous avons discuté.
Mais le dernier couple de minutes,
je juste vouloir à montrer toi un couple plus des choses à propos le données ensemble lui-même.
Parce que je pense ce est peut-être le la plupart utile aspect de le projet.
Comment pourrait nous ensemble en haut un données ensemble comme ce?
Tous nous vraiment avoir à faire à simuler données dans JMP
est juste créer quelques Lignes puis créer un fonction,
un hasard normale fonction.
Le processus que nous je l'ai fait, dans un sens toi pourrait faire ce est toi pourrait dire,
d'accord, toi peut aller dans un colonne formule…
Laissez-moi juste montrer toi ce.
Toi peut juste double- Cliquez sur dans il, et toi peut Cliquez sur Formule,
toi peut modifier le formule.
Toi peut aller sur ici à ces fonctions aléatoires,
toi peut Cliquez sur il dans, et alors toi peut spécifier un population signifie dans Sigma.
Zéro et un par défaut, Cliquez sur D'ACCORD, et alors je peut ajouter un bouquet de Lignes.
Je vais aller devant et ajouter 100 Lignes.
Quoi à propos ces autre distributions ?
Un uniforme la distribution est, nous peut utiliser le aléatoire uniforme fonction.
Et alors nous peut spécifier un Min. et Max. valeur.
Dans ce cas,
je juste spécifié le le minimum de cela colonne,
ce normalement distribué données colonne, et le Max est le maximum.
Et alors enfin, comme je mentionné,
je standardisé le colonne donc que c'était sur le même numérique échelle.
Ce standardiser ce colonne,
standardisé fonctionnalité est commun à tous de ces Colonnes.
Maintenant, le dernier chose je vouloir à parle très vite
est, Bien, quoi à propos culminer?
Quoi à propos droite biaisé, et même bi modal?
Bien, un de le des choses nous peut fais, ce que je trouve vraiment cool,
est nous peut utiliser le distribution calculatrice dans JMP
à aide nous comprendre quelle certitude distribution les types regarder comme.
Je suis juste en allant à aller dans il ici. Je suis en allant à juste conduire vers le bas dans ici.
Je vais partager avec toi le emplacement ici de ce scénario.
C'est en allant à être sous Calculatrice. Ce n'est pas.
C'est en allant à être sous Distribution.
Générateur.
Distribution calculatrice, sur les calculatrices, Oui.
Comment pourrait je créer un distribution c'est droite biaisé ?
Lequel aléatoire fonction serait je utiliser?
Bien, je avoir le capacité à regarder à certains de ces distributions et voir
pour exemple,
si je spécifier un aléatoire F et je préciser ces paramètres,
alors Je suis obtenir un distribution avec ce une sorte d'asymétrie.
Et alors je peut dire, Bien,
quoi arrive si je changement ces paramètres un petit peu?
Comment est que en allant à changement le distribution?
je peut utiliser ce aperçu à préciser les paramètres
pour le distributions aléatoires que je spécifier dans mon données ensemble.
Dans fait, c'est quoi je a fait ici.
Quoi a fait je faire pour le pointu un?
Bien, si je regarder à le T distribution, et je réduire le degrés de liberté,
Je suis en allant à obtenir un distribution c'est relativement culminer.
Je suis en allant à voir un positif Aplatissement dans que.
C'est un chemin je peut comprendre la forme de ces distributions
donc que je peut utilise-les à mon avantage
à faire différent quoi si analyse dans JMP.
Je suis juste en allant à rapidement aller dos à mon diapositives.
Remercier toi très beaucoup pour écoute.
Si toi avoir n'importe lequel des questions,
je regarder avant à recevoir eux sur le utilisateur communauté.
Comme je mentionné, ce projet volonté être posté là,
et le résumé abstrait est posté à ce lien ici.
Remercier toi encore.
