652817_zh-TW

liliconcom

英雄還是零：使用 JMP 進行產品分佈分析 - (2023-US-PO-1478)

Mingyuan Wang，統計工程師，康寧公司

品質是大多數製造商最關心的問題。在已建立的採樣機制的空間內，至關重要的是能夠判斷一組好樣本（英雄）實際上代表整個批次/板條箱是好的樣本的可能性。在本次演講中，我們提供了一種分佈分析策略，透過建模、模擬、機率分析和資料視覺化等方法來幫助回答這個問題。我們也示範如何完成此分析並使用 JMP 腳本和使用者介面開發端對端應用程式。該策略是在真實世界的產品樣本資料集上進行評估的。它為評估當前產品品質和決策提供了有價值的策略和工具，以便改善流程。

你好 每個人。

今天 我的 話題 是， 英雄 或者 零點： A 產品 分配 分析 使用 JMP。

第一的， a 小的 位元 背景。

一個 組織 和 一個 已確立的 流程

可能 決定 到 實施 流程 控制

和 流程 紀律 在 他們的 組織。

為了 例子， 如果 你 有 a 產品

移動 從 這 發展 階段 到 這 大量的 生產 階段，

在 這 連接詞， 一 的 這 問題 那 能 發生

在 那 我們 可能 有 流程 變化 問題。

這 變化 能 是 也 大的 或者 這 變化 不 見面 這 期待。

這 變化 這裡 能 是 這 變化 的 意思是，

這 變化 的 標準 偏差， ETC。

我們 將要 想 到 尋找 出去 什麼 這 根 原因 是

為了 這樣的 變化 問題 和 嘗試 到 使固定 那。

但 前 那， 我們 將要 需要 到 數位 出去

什麼 類型 的 變化 我們 是 面對

因為 這 類型 的 變化 將要 聽寫 什麼 行動的種類

和 調查 策略 我們 應該 拿。

這 示範 這裡 今天

將要 調查 這些 透過 一個 解釋性的 分析。

我們 使用 標準 偏差 作為 統計數據 的 興趣 這裡。

這 問題 是 我們 有 a 流程

那 有 a 高的 全面的 標準差，

但 我們 能 也 觀察 一些 的 這 批次 那 有 降低 標準 偏差。

我們 稱呼 這些 批次， 英雄 批次。

我們 將要 想 到 尋找 出去 什麼 造成的 這樣的 高的 全面的 標準 偏差，

但 前 那， 我們 需要 到 數位 出去 什麼 流程 變化 我們 是 面對,

什麼 一種過程 變化 能 給 我們 什麼 我們 觀察到的。

在 一般的， 那裡 將要 是 二 類型 的 情況 這裡。

一 是 那 我們 有 a 完全地 隨機的 流程

和 這 變化 是 系統性的, 作為 我們 能 看 這裡。

雖然 這 流程 是 隨機的，

但 依靠 如何 我們 批次 它 和 如何 我們 樣本 它。

一些 的 這 批次 可能 有 降低 樣本 標準 偏差 比 這 其他的。

其他 情況 是 那 我們的 流程 是 不是 隨機的。

作為 我們 能 看 這裡， 這 流程 去 向上 和 向下。

它 有 一些 意思是 轉移。

它是 不是 a 隨機的 過程， 但 依靠 在 如何 我們 批次 它。

一些 的 這 批次 那 居住 在 這 穩定的 時期

將要 有 相對地 降低 樣本 標準 偏差

比較的 到 一些 的 這 批次 那 居住 在 這 不穩定 時期

那 可能 有 更大 標準 偏差。

我們 能 也 定義 a 臨界點 這樣的 作為 這裡， 觀點 A， 標準 偏差。

我們 比較 這 臨界點 到 這 批次 標準 偏差。

它 將要 告訴 我們 如何 許多 的 這 批次 滿足 這 標準。

和 這些 二 場景 在 頭腦，

我們 能 制定 a 統計 假設 測試

到 測試 什麼 流程 變化 我們 是 交易 和。

我們 能 認為 我們的 流程 是 隨機的，

然後 如何 可能 我們 將要 觀察 什麼 我們 觀察到的？

A 更多的 詳細的 陳述 是 喜歡 這，

假設 批次 和 低的 標準 偏差

是 只是 到期的 到 取樣 缺少

和 這 歷史的 數據 是 代表 的 這 人口，

然後 這 模擬的 批次 產生的 從 這 相同的 分配

應該 有 a 透過 速度 那 是 統計上 無法區分的

比 這 實際的 透過 速度 的 這 歷史的 數據。

在 這 右手 邊， 你 能 看 這 車輪。

這 是 這 程式 我們 去 透過 到 製作 這 測試 發生。

第一的， 我們 將要 需要 到 定義 a 臨界點。

透過 這 臨界點， 我們 能 計算 這 透過 速度。

我們 比較 這 批次

在 這 歷史的 數據 透過 這 臨界點

到 得到 這 百分比 的 這 歷史的 批次 那 是 好的 批次。

因為 我們 也 認為 那 我們的 流程 是 隨機的，

我們 能 合身 這 歷史的 數據 到 一些 分配

和 然後選擇 這 最好的 已安裝 一。

使用 這 已安裝 分配， 我們 能 產生 a 放 的 K 樣品。

K 這裡 是 這 相同的 作為 這 數位 的 樣品

在 每個 批次 在 這 歷史的 數據。

我們 重複 這 程式 N 次。

這裡有N 是 這 相同的 作為 這 數位 的 批次 在 這 歷史的 數據。

為了 每個 模擬的 批次，

我們 能 然後 計算 他們的 樣本 標準 偏差。

比較 這 樣本 標準 偏差

到 這 臨界點 我們 定義的 前， 它 將要 給 我們 a 放 的 二項式 數據。

和 這 二項式 數據 和 這 透過 速度 我們 已經 有，

我們 能 執行 a 單一樣本 部分 測試 到 測試 我們的 假設。

使用 傑普, 我們 是 有能力的 到 整合 這 全部的 程式 進入 一個 應用。

這裡， I 將要 做 a 快的 示範 到 展示 你 如何 這 應用 作品。

這 應用 能 進口 任何 的 這 數據 文件

和 a 價值 柱子 和 也 指數 柱子 那 表示 這 批次 指數。

和 a 點選 的 按鈕， 它 將要 自動地 合身 我們的 數據

到 一些 分配 和 挑選 這 最好的 一。

正確的 現在， 這 最好的 已安裝 一 是 a 普通的 分配。

我們 能 然後 放 向上 這 數位 的 模擬的 數據 套 我們 想

和 也 這 尺寸 的 這 放 和 也 這 臨界點。

什麼時候 我們 點擊，

它 將要 執行 這 假設 測試 I 提及 前。

它 也 節目 這 百分比 的 歷史的 批次 那 是 好的

和 也 這 百分比 的 這 模擬的 批次 那 是 好的。

在 這 最後的， 它 將要 展示 你 a 視覺化 的 a 直方圖

哪個 表示 這 部分 的 模擬的 批次 那 是 好的。

現在， 我們 去 後退 到 這 測試， 這 假設 測試。

這 數據 我們 有 這裡 節目 我們 拒絕 這 無效的 假設。

我們 查看 這 P 價值，

我們 拒絕 這 無效的 假設 和 95% 信心。

這 95% 信心 是 這 預設 環境 這裡。

這 結論 建議 這 流程 是 不是 隨機的

和 這 好的 批次 做 存在 在 這 穩定的 時期 的 這 過程。

這 結論 能 帶領 到 一些 行動 專案.

為了 例子， 我們 能 調查

這 流程 多變的， 這 流程 範圍

之間 這 穩定的 時期 和 這 不穩定 時期

和 看 什麼 改變了。

的 課程， 我們 能 也 得到 a 不同的 測試 結果

在哪裡 我們 不能 拒絕 這 零假設。

這些 建議 我們的 流程 可能 是 隨機的。

我們 可能 有 系統性的 變化

和 這些 將要 帶領 到 完全地 不同的 調查 和 行動 方法。

為了 例子， 這 最壞的情況下 設想， 在 命令 到 減少 這 系統性的 變化，

我們 可能 需要 到 完全地 改變 這 製造業 環境。

和 這， I 得出結論 我的 今天的 推介會。

I 也 想 到 感謝 約翰 達芬, 世界衛生組織 是 a 同事 的 礦。

他 帶來 向上 這 有趣的 問題 到 我的 注意力 期間 a 專案 會議。

I 也 想 到 感謝 你 今天 為了 聽力 我的 推介會。

我是 非常 欣賞的 的 它。

數據探索和視覺化品質和工藝工程