652817_de-DE

liliconcom

Helden oder Versager: Eine Produktverteilungsanalyse mit JMP - (2023-US-PO-1478)

Mingyuan Wang, Statistikingenieur, Corning Incorporated

Qualität ist für die meisten Hersteller ein Hauptanliegen. Im Rahmen eines etablierten Stichprobenverfahrens ist es wichtig, sagen zu können, wie wahrscheinlich es ist, dass eine Reihe guter Proben (Hero) tatsächlich dafür steht, dass die gesamte Charge/Kiste gut ist. In dieser Präsentation stellen wir eine Verteilungsanalysestrategie vor, die bei der Beantwortung dieser Frage mithilfe von Methoden wie Modellierung, Simulation, Wahrscheinlichkeitsanalyse und Datenvisualisierung hilft. Wir zeigen auch, wie diese Analyse durchgeführt und eine End-to-End-Anwendung mithilfe des JMP-Skripts und der Benutzeroberfläche entwickelt wird. Die Strategie wird anhand eines realen Datensatzes von Produktproben evaluiert. Sie bietet eine wertvolle Strategie und ein wertvolles Tool zur Bewertung der aktuellen Produktqualität und Entscheidungsfindung, sodass der Prozess verbessert werden kann.

Hallo alle.

Heute Mein Thema Ist, Helden oder Nullen: A Produkt Verteilung Analyse Verwenden von : JMP.

Erste, a wenig bisschen Hintergrund.

Ein Organisation mit ein gegründet Verfahren

Mai entscheiden Zu implementieren Verfahren Kontrolle

Und Verfahren Disziplin In ihre Organisation.

Für Beispiel, Wenn Du haben a Produkt

ziehen um aus Die Entwicklung Bühne Zu Die Masse Produktion Bühne,

bei Das Verbindung, eins von Die Probleme Das dürfen passieren

In Das Wir Mai haben Verfahren Variation Ausgabe.

Der Variation dürfen Sei zu groß oder Die Variation nicht treffen Die Erwartung.

Der Variation Hier dürfen Sei Die Variation von bedeuten,

Die Variation von Standard Abweichung, usw.

Wir Wille wollen Zu finden aus Was Die Wurzel Ursache Ist

für solch Variation Problem Und versuchen Zu Fix Das.

Aber Vor Das, Wir Wille brauchen Zu Figur aus

Was Typ von Variation Wir Sind gegenüber

Weil Die Typ von Variation Wille diktieren Was Art der Aktion

Und Untersuchung Strategie Wir sollen nehmen.

Der Demonstration Hier Heute

Wille untersuchen diese durch ein erläuternd Analyse.

Wir verwenden Standard Abweichung als Statistiken von Interesse Hier.

Der Ausgabe Ist Wir haben a Verfahren

Das hat a hoch gesamt Standardabweichung,

Aber Wir dürfen Auch beobachten manche von Die Chargen Das hat untere Standard Abweichung.

Wir Anruf diese Chargen, Held Chargen.

Wir Wille wollen Zu finden aus Was verursacht solch hoch gesamt Standard Abweichung,

Aber Vor Das, Wir brauchen Zu Figur aus Was Verfahren Variation Wir Sind gegenüber,

Was Art des Prozesses Variation dürfen geben uns Was Wir beobachtet.

In allgemein, Dort Wille Sei zwei Typen von Situation Hier.

Eins Ist Das Wir haben a vollständig zufällig Verfahren

Und Die Variation Ist systemisch, als Wir dürfen sehen Hier.

Obwohl Die Verfahren Ist zufällig,

Aber kommt darauf an Wie Wir Charge Es Und Wie Wir Probe Es.

Manche von Die Chargen Mai haben untere Probe Standard Abweichung als Die Andere.

Ein anderer Situation Ist Das unser Verfahren Ist nicht zufällig.

Als Wir dürfen sehen Hier, Das Verfahren geht hoch Und runter.

Es hat manche bedeuten Schicht.

Es ist nicht a zufällig Verfahren, Aber kommt darauf an An Wie Wir Charge Es.

Manche von Die Chargen Das wohnen In Die stabil Zeitraum

Wille haben verhältnismäßig untere Probe Standard Abweichung

verglichen Zu manche von Die Chargen Das wohnen In Die instabil Zeitraum

Das könnte haben größer Standard Abweichung.

Wir dürfen Auch definieren a Schwelle solch als Hier, Punkt A, Standard Abweichung.

Wir vergleichen Das Schwelle Zu Die Charge Standard Abweichung.

Es Wille erzählen uns Wie viele von Die Chargen erfüllen Die Kriterien.

Mit diese zwei Szenarien In Geist,

Wir dürfen formulieren a Statistik Hypothese prüfen

Zu prüfen Was Verfahren Variation Wir Sind Umgang mit.

Wir dürfen annehmen unser Verfahren Ist zufällig,

Dann Wie wahrscheinlich Wir Wille beobachten Was Wir beobachtet?

A mehr ausführlich Stellungnahme Ist wie Das,

unter der Annahme Chargen mit niedrig Standard Abweichung

Sind Nur fällig Zu Probenahme Mangel

Und Die historisch Daten Ist Vertreter von Die Bevölkerung,

Dann Die simuliert Chargen generiert aus Die Dasselbe Verteilung

sollen haben a Vorbeigehen Rate Das Ist statistisch nicht zu unterscheiden

als Die tatsächlich Vorbeigehen Rate von Die historisch Daten.

An Die rechte Hand Seite, Du dürfen sehen Das Rad.

Das Ist Die Verfahren Wir ging durch Zu machen Das testen passieren.

Erste, Wir Wille brauchen Zu definieren a Schwelle.

Durch Das Schwelle, Wir dürfen Berechnung Die Vorbeigehen Rate.

Wir vergleichen Die Chargen

In Die historisch Daten durch Das Schwelle

Zu erhalten Die Prozentsatz von Die historisch Chargen Das Sind Gut Chargen.

Weil Wir Auch annehmen Das unser Verfahren Ist zufällig,

Wir dürfen fit Die historisch Daten Zu mehrere Verteilung

Und dann wählen Sie Die am besten tailliert eins.

Verwenden von Das tailliert Verteilung, Wir dürfen generieren a Satz von K Proben.

K Hier Ist Die Dasselbe als Die Nummer von Proben

In jede Chargen In Die historisch Daten.

Wir wiederholen Das Verfahren N mal.

N hier Ist Die Dasselbe als Die Nummer von Chargen In Die historisch Daten.

Für jede simuliert Chargen,

Wir dürfen Dann Berechnung ihre Probe Standard Abweichung.

Vergleichen Das Probe Standard Abweichung

Zu Die Schwelle Wir definiert Vor, Es Wille geben uns a Satz von Binomial- Daten.

Mit Das Binomial- Daten Und Die Vorbeigehen Rate Wir bereits haben,

Wir dürfen ausführen a eine Probe Anteil prüfen Zu prüfen unser Hypothese.

Verwenden von JMP, Wir Sind fähig Zu integrieren Das gesamte Verfahren hinein ein Anwendung.

Hier, I Wille Tun a schnell Demonstration Zu zeigen Du Wie Das Anwendung funktioniert.

Das Anwendung dürfen importieren beliebig von Die Daten Datei

mit a Wert Spalte Und Auch Index Spalte Das zeigt an Die Charge Index.

Mit a klicken von Taste, Es Wille automatisch fit unser Daten

Zu mehrere Verteilung Und wählen Die am besten eins.

Rechts Jetzt, Die am besten tailliert eins Ist a normal Verteilung.

Wir dürfen Dann Satz hoch Die Nummer von simuliert Daten Sätze Wir wollen

Und Auch Die Größe von Die Satz Und Auch Die Schwelle.

Wann Wir klicken,

Es Wille ausführen Die Hypothese testen I erwähnt Vor.

Es Auch zeigt an Die Prozentsatz von historisch Chargen Das Sind Gut

Und Auch Die Prozentsatz von Die simuliert Chargen Das Sind Gut.

Bei Die zuletzt, Es Wille zeigen Du a Visualisierung von a Histogramm

welche zeigt an Die Anteil des simuliert Chargen Das Sind Gut.

Jetzt, Wir gehen zurück Zu Die testen, Die Hypothese testen.

Der Daten Wir haben Hier zeigt an Wir ablehnen Die Null Hypothese.

Wir überprüfen Die P Wert,

Wir ablehnen Die Null Hypothese mit 95 % Vertrauen.

Der 95 % Vertrauen Ist Die Standard Einstellung Hier.

Das Abschluss schlägt vor Die Verfahren Ist nicht zufällig

Und Die Gut Chargen Tun existieren In Die stabil Zeitraum von Die Verfahren.

Das Abschluss dürfen führen Zu mehrere Aktion Artikel.

Für Beispiel, Wir dürfen untersuchen

Die Verfahren Variable, Die Verfahren Parameter

zwischen Die stabil Zeitraum Und Die instabil Zeitraum

Und sehen Was geändert.

Von Kurs, Wir dürfen Auch erhalten a anders testen Ergebnis

Wo Wir kann nicht ablehnen Die Nullhypothese.

Diese vorschlagen unser Verfahren könnte Sei zufällig.

Wir könnte haben systemisch Variation

Und diese Wille führen Zu vollständig anders Untersuchung Und Aktion Methode.

Für Beispiel, Die schlimmsten Fall Szenario, In Befehl Zu reduzieren Die systemisch Variation,

Wir könnte brauchen Zu vollständig ändern Die Herstellung Umfeld.

Mit Das, I daraus schließen Mein heutige Präsentation.

I Auch wollen Zu Dank John Daffin, WHO Ist a Kollege von meins.

Er gebracht hoch Das interessant Frage Zu Mein Aufmerksamkeit während a Projekt treffen.

I Auch wollen Zu Dank Du Heute für Hören Mein Präsentation.

Ich bin sehr dankbar von Es.

Datenexploration und -visualisierungQualitäts- und Prozesstechnik