Patrick Giuliano, Senior Analytical Technical Support Engineer, JMP (SAS)
Mason Chen, studente cintura nera, Università di Stanford OHS
Charles Chen, maestro cintura nera / esperto di miglioramento continuo, materiali applicati
Attraverso JMP 16 outlier e box plot quantile (distribuzione), insieme al rilevamento outlier dell'intervallo quantile e robusto fit outlier (screening), presentiamo strategie complete per separare in modo potente il segnale dal rumore in presenza di risposte univariate.Proponiamo inoltre che attraverso l'analisi pratica con il box plot, si possa collegare l'impatto acustico Gauge R&R con la localizzazione dei punti più adiacenti alle recinzioni superiore e inferiore. Utilizziamo il campionamento Monte Carlo (funzione casuale() e columnfFormulas istantaneo) per produrre più tipi di distribuzione (normale, uniforme, con picco, bimodale) per convalidare l'impatto sul box plot e sull'istogramma insieme per rilevare le modalità di errore della violazione della normalità.
Dimostriamo che il box plot è un potente strumento di visualizzazione per giudicare la distribuzione dei dati, unico per separare l'asimmetria dai valori anomali. Graph Builder, test di ipotesi unidirezionale, GoF e non parametrici mostrano che, poiché il box plot è molto debole per rilevare bimodalità, curtosi o disegnare decisioni di test di ipotesi (effetto dimensione del campione mancante) – sia l'istogramma che il box plot sono necessari per visualizzare normalità.Insieme alle statistiche descrittive, viene presentata la discriminazione più potente tra le diverse distribuzioni di candidati.Infine, sintetizziamo e dimostriamo la nostra esperienza di apprendimento formulando 17 stimolanti domande e risposte a quiz per massimizzare l'utilità del box plot per la risoluzione dei problemi basata sui dati.
