Patrick Giuliano、シニア分析テクニカルサポートエンジニア、JMP（SAS）
スタンフォード大学OHS、黒帯学生、メイソン・チェン
チャールズ・チェン、マスターブラックベルト/継続的改善エキスパート、アプライドマテリアルズ
JMP 16の外れ値と分位数の箱ひげ図（分布）、および分位数の範囲の外れ値とロバストフィットの外れ値の検出（スクリーニング）を通じて、単変量応答が存在する場合に信号をノイズから強力に分離する包括的な戦略を示します。また、箱ひげ図を使用した実際の分析を通じて、ゲージR＆Rのノイズの影響を、上下のフェンスに最も隣接するポイントの位置に関連付けることができることを提案します。 モンテカルロサンプリング（random（）関数とインスタントcolumnfFormulas）を使用して、複数の分布タイプ（正規、均一、ピーク、バイモーダル）を生成し、箱ひげ図とヒストグラムへの影響を一緒に検証して、正規性違反の失敗モードを検出します。
箱ひげ図がデータ分布を判断するための強力な視覚化ツールであり、歪度を外れ値から分離するのに固有であることを示します。 グラフビルダー、一方向、GoF、およびノンパラメトリック仮説検定は、箱ひげ図が二峰性、尖度の検出、または仮説検定の決定の描画（サンプルサイズ効果の欠落）に非常に弱いため、視覚化するにはヒストグラムと箱ひげ図の両方が必要であることを示しています正常。記述統計とともに、異なる候補分布間の最も強力な識別が提示されます。最後に、17の示唆に富むクイズの質問と回答を作成して、データ駆動型の問題解決のための箱ひげ図の有用性を最大化することにより、学習経験を統合して実証します。
