Patrick Giuliano, ingeniero sénior de soporte técnico analítico, JMP (SAS)
Mason Chen, estudiante cinturón negro, OHS de la Universidad de Stanford
Charles Chen, Master Black Belt / Experto en mejora continua, Materiales aplicados
A través de diagramas de caja de cuantiles y valores atípicos de JMP 16 (distribución), junto con valores atípicos de rango de cuantiles y detección de valores atípicos de ajuste robusto (detección), presentamos estrategias integrales para separar poderosamente la señal del ruido en presencia de respuestas univariadas.También proponemos que a través del análisis práctico con el diagrama de caja, podemos conectar el impacto de ruido de Gauge R&R con la ubicación de los puntos más adyacentes a las vallas superior e inferior. Usamos el muestreo de Monte Carlo (función aleatoria() y fórmulas de columna instantánea) para producir múltiples tipos de distribución (normal, uniforme, con pico, bimodal) para validar el impacto en el gráfico de caja y el histograma juntos para detectar modos de falla de violación de la normalidad.
Demostramos que el diagrama de caja es una poderosa herramienta de visualización para juzgar la distribución de datos, única para separar la asimetría de los valores atípicos. Las pruebas de hipótesis no paramétricas, unidireccionales, GoF y de Graph Builder muestran que, dado que el diagrama de caja es muy débil para detectar bimodalidad, curtosis o tomar decisiones de prueba de hipótesis (efecto del tamaño de la muestra faltante), tanto el histograma como el diagrama de caja son necesarios para visualizar normalidad.Junto con las estadísticas descriptivas, se presenta la discriminación más poderosa entre diferentes distribuciones candidatas.Finalmente, sintetizamos y demostramos nuestra experiencia de aprendizaje al formular 17 preguntas y respuestas de cuestionarios que invitan a la reflexión para maximizar la utilidad del diagrama de caja para la resolución de problemas basados en datos.
