756119_zh-TW

liliconcom

在分送平台中引入偵測極限 (2022-US-EPO-1164)

在進行測量時，有時我們無法可靠地測量高於或低於特定閾值的結果。例如，我們可能使用已知只能測量低至 10 克的秤來稱量物品。這種閾值被稱為“檢測極限”，對於納入我們的數據分析非常重要。這張海報將重點介紹 JMP 17 分佈平台中的新功能，這些功能使分析具有檢測極限的資料變得更加容易。我們將強調在分析製程能力時識別檢測極限的重要性，並展示忽略檢測極限如何導致品質分析師對其製程品質做出錯誤的結論。

你好， 我的 姓名 是 黏土 巴克, 和 我是 a 統計 開發商 在 這 聯合管理計劃 團體。

我是 去 到 是 說 關於 一些 新的 特徵 在 這 分配 平台

齒輪傳動 向 分析 限制 的 偵測 數據。

它是 某物 I 工作過 在 和 我的 同事， 勞拉 蘭卡斯特,

誰是 也 a 統計數據 開發商 在 JMP。

到 踢 事物 離開， 什麼 是 a 有限的 偵測 問題？

什麼 是 我們 試 到 解決？

它 是 基本的 等級，

a 限制 的 偵測 問題 是 什麼時候 我們 有 一些 測量 裝置

和 它是 不是 有能力的 到 提供 好的 測量 外部 的 一些 臨界點。

那是 什麼 我們 稱呼 a 限制 的 偵測 問題。

F 或者 例子， 讓我們 說 我們 有， 是 採取 重量 測量

和 是 使用 a 規模 那是 不是 有能力的 到 製作 測量 以下 1克 .

在 這 實例， 星期三 說 那 我們 有 較低的 偵測 限制 的 1

因為 我們 不能 措施 以下 那。

但 在 我們的 數據 放， 是 仍然 記錄 那些 價值觀 作為 1.

因為 的 那些 限制，

我們 看， 我們 可能 有 a 數據 放 那 看起來 喜歡 這。

在 部分， 我們 有 一些 價值觀 的 1 和 一些 非1 價值觀 那 是 很多 大。

我們 不 真的 相信 那 那些 價值觀 是 1秒。

我們 只是 知道 那 那些 是 在 最多 1.

這 數據 發生 全部 這 時間 在 實踐。

如果 你 思考 關於 有時 是 不是 有能力的 到 措施 以下 a 降低 臨界點。

有時 是 不是 有能力的 到 措施 多於 一個 上 臨界點。

那些 是 兩個都 有限的 偵測 問題。

什麼 應該 我們 做 關於 那？

讓我們 看 在 a 真的 簡單的 例子。

I 模擬的 一些 數據 那 是 通常情況下 分散式

和 意思是 10 和 方差1 ,

和 是 雄偉的 a 降低 偵測 限制 的 9.

如果 我們 看 在 我們的 數據 放 這裡，

我們 有 一些 價值觀 多於 9、 和 我們 有 一些 9秒。

什麼時候 我們 看 在 這 直方圖，

這 確實 不 看 通常情況下 分散式

因為 我們 有 a 所有的 束 的 額外的 9秒

和 我們 不 有 任何事物 以下 9.

什麼 發生 如果 我們 只是 模型 那 數據 作為 是？

出色地， 它 輪流 出去 這 結果 不是 那 偉大的。

我們 得到 a 體面的 估計 的 我們的 地點 範圍， 我們的 在，

它是 真的 關閉 到 10、 哪個 是 這 真相。

但 我們已經 真的 被低估 那 規模 或者 分散 範圍。

我們已經 估計的 它 到 是 0.8,

什麼時候 這 真相 是 那 我們 產生的 它 和 規模 平等的 到 1.

你會 注意 那 我們的 信心 間隔 為了 那 規模 範圍

不 甚至 覆蓋 1.

它 不 包含 這 真相 和 那是 一般來說 不是 a 偉大的 情況 到 是 在。

什麼是 更多的， 如果 我們 看 在 這… 我們 合身 a 少數 的 分佈，

我們 合身 這 紀錄 普通的， 這 伽瑪， 和 這 普通的，

好吧 普通的 分配， 哪個 是 什麼 我們 使用 到 產生 我們的 數據，

它 不是 甚至 競爭的 基於 在 這 AIC。

基於 在 那些 航空工業協會 價值觀，

我們 會 確實 選擇 a 紀錄 普通的 分配 到 模型 我們的 回覆.

我們 沒有 完畢 a 好的 工作 估計 我們的 參數。

是 不是 甚至 選擇 到 使用 這 分配

那 我們 產生的 這 數據 和。

W e 只是 丟了 全部 那些 9秒 進入 我們的 數據 放。

我們 被忽略 這 事實 那 那是 不完整的 資訊

然後 沒有 工作 出去 出色地。

什麼 如果， 反而 的 忽略 那 限制 的 檢測、

什麼 如果 我們 只是 丟 出去 全部 那些 次？

出色地， 現在 我們已經 得到 a 較小 數據 放 和 它是 有偏見。

我們已經 拋出 出去 a 大的 區塊 的 我們的 數據 在 它。

我們 有 a 有偏見的 樣本 現在。

現在 如果 我們 合身 我們的 普通的 分配，

現在 是 高估 這 地點 範圍，

和 是 仍然 欠下 伊瑪汀 這 規模 範圍。

是 實際上 在 相當 a 壞的 位置 仍然，

因為 我們 沒有 完畢 a 好的 工作 和 任何一個 的 那些 參數。

是 仍然 不太可能 到 挑選 正常的 分配。

基於 在 這 工商局, 這 紀錄 普通的 和 這 伽瑪 分配

兩個都 合身 相當 a 位元 更好的 比 這 普通的 分配。

是 仍然 在 a 壞的 地方。

我們 嘗試過 投擲 出去 這 9 s, 和 那 沒有 轉動 出去 出色地。

我們 嘗試過 只是 包括 他們 作為 9 s。

那 沒有 轉動 出去 出色地 任何一個。

什麼 應該 我們 做 反而？

這 回答 是 那 我們 應該 對待

那些 觀察 在 這 限制 的 檢測。

我們 應該 對待 那些 作為 審查的 觀察。

審查 是 a 情況 在哪裡

我們 僅有的 有 部分的 資訊 關於 我們的 回覆 多變的。

那是 確切地 這 情況 是 在 這裡。

如果 我們 有 一個 觀察 在 這 降低 偵測 限制， 和 這裡 我有 表示 它

D子L，

我們 說 那 觀察 是 較少的 審查。

我們 不 說 那 Y 是 平等的 到 那 限制 的 檢測。

我們 說 那 Y 是 較少的 比 或者 平等的 到 那 DL 價值。

在 這 翻動 邊，

如果 我們 有 a 上 限制 的 檢測、 表示 的 這裡，

那些 觀察 是 正確的 審查。

因為 是 不是 說 那 Y 是 平等的 到 那 價值。

是 只是 說 它是 在 至少 那 價值。

如果 你是 看著 為了 更多的 資訊 關於 如何 到 處理 審查的 數據，

一 的 這 參考 那 我們 建議 全部 這 時間 是

米克爾和 埃斯科瓦爾的 書 統計 方法 為了 可靠性 數據。

那是 a 真的 好的 概述 為了 如何 你 應該 對待 審查的 數據。

如果 你已經 用過的 一些 的 這...

如果 你 使用 一些 的 這 特徵 和 這 生存 和 可靠性 選單 在 JMP 中，

然後 你是 熟悉的 和 事物 喜歡 生活 分配 和 合身 生活 經過 X。

這些 是 全部 平台 那 容納 審查 在 JMP。

什麼 是 興奮的 關於 在 聯合管理計劃 17 號 是 現在

我們 有 添加 一些 特徵 到 分配 所以 那 我們 能 處理

這 限制 的 偵測 問題 和分佈 作為 出色地。

全部 你 有 到 做 是 你 添加

a 偵測 限制 柱子 財產 到 你的 回覆 多變的，

和 你 指定 什麼 這 上 和 或者 降低 偵測 限制 是，

和 你是 好的 到 去， 有 沒有什麼 別的 你 有 到 做。

在 我的 模擬的 例子， I 有 a 降低 偵測 限制 的 9.

I 會 放 9 在 這 降低 偵測 限制 場地 這裡。

那是 真的 全部 你 有 到 做。

經過 指定 那 偵測 限制，

現在 分配 是 去 到 說， 好的， I 知道 那 價值觀 的 9

是 實際上 左邊 審查，

和 我是 去 到 做 估計 會計 為了 那。

現在 和 那 相同的 模擬的 例子， 和 這 降低 偵測 限制 指定的，

現在 你會 注意 我們 得到 a 很多 更多的 合理的 合身 這 普通的 分配。

現在 我們的 信心 間隔 為了 兩個都 這 地點 和 規模 範圍

蓋子 這 真相，

因為 我們 知道， 再次， 這 地點 曾是 10 和 這 規模 曾是 1.

現在 我們的 信心 間隔 覆蓋 這 真相

那就是 a 很多 更好的 情況。

如果 你 看 在 這 CDF 陰謀 這裡，

這 是 a 真的 好的 方式 到 比較 我們的 已安裝 分配 到 我們的 數據。

什麼 它是 正在做 是 那 紅色的 線 是 這 經驗 中密度纖維板，

和 這 綠色的 線 是 這 已安裝 普通的 CDF。

作為 你 能 告訴， 他們是 真的 關閉 向上 直到 9.

然後 使 感覺， 因為 那是 在哪裡 我們 有 審查。

是 正在做 a 很多 更好的 工作 配件 這些 數據

因為 是 適當地 處理 那 偵測 限制。

I 只是 通緝 到 觀點 出去 那 什麼時候 你已經 指定的 這 偵測 限制，

這 報告 使 它 真的 清除 那 我們已經 用過的 它。

作為 你 能 看 這裡，

它 說 這 已安裝 普通的 分配 和 偵測 限制，

和 它 讓我們 你 知道 確切地 哪個 偵測 限制 它 用過的。

現在 不是 僅有的 是，

因為 是 正在做 a 更好的 工作 估計 我們的 參數，

事物 喜歡 推理 關於 那些 參數 是 更多的 值得信賴。

如果 我們 做 某物 喜歡 我們 看 在 這 分配 分析器

現在 我們 能 相信 這些

推理 基於 在 我們的 已安裝 分配，

我們 感覺 很多 更好的 關於 信任 事物 喜歡 這 分配 分析器。

和 這 模擬的 例子， 如果 我們 使用 我們的 已安裝 普通的 分配，

因為 我們 適當地 處理過 審查，

我們 知道 那 關於 16 % 的 這 觀察

是 墜落 以下 那 降低 偵測 限制。

I 也 通緝 到 觀點 出去 那

什麼時候 你 有 偵測 限制 在 分配，

現在 是 僅有的 有能力的 到 合身 a 子集 的 這 分佈

那 你 會 通常情況下 看 在 這 分配 平台。

我們 能 合身 這 普通的， 指數， 伽瑪 紀錄, 普通的， 威斯康辛 和 測試版。

全部 的 那些 分佈 支援 審查

或者 有限的 偵測 在 分配。

但 如果 你 是 使用 某物 喜歡 這 混合物 的 法線,

出色地， 那 那 不 延長 出色地 到 感應器 數據。

你是 不是 去 到 是 有能力的 到 合身 那 什麼時候 你 有 a 限制 的 檢測。

I 也 通緝 到 觀點 出去 如果 你 有 聯合管理計劃 親

和 你是 用過的 到 使用 這 廣義的 回歸 平台，

廣義的 回歸 認識到 那 精確的 相同的 柱子 財產。

這 偵測 限制 柱子 財產

是 認可的 經過 兩個都 分配 和 廣義的 .

一 的 這 真的 好的 事物 關於

這 新的 特徵 是 那 它 得到 攜帶的 在 到 這 能力 平台。

如果 你 做 你的 合身 和 分配， 和 你 發射 能力，

現在 是 去 到 得到 更多的 值得信賴的 能力 結果。

讓我們 說 那 是 製造業 a 新的 藥物,

和 我們 想 到 措施 這 數量 的 和 不純 在 這 藥物.

我們的 數據 可能 看 喜歡 什麼 我們 有 這裡。

我們 有 a 束 的 小的 價值觀， 和 我們 有 a 降低 偵測 限制 的 1 毫克。

這些 價值觀 的 1 那 是 突出顯示 這裡，

我們 不 真的 思考 那些 是 1.

我們 實際上 思考 它是 某物... 我們 知道 那 它是 某物 較少的 比 1 .

我們 有 一個 上 規格 限制 的 2.5 毫克。

這 是 a 情況 在哪裡 我們 有 兩個都 規格 限制 和 偵測 限制。

它是 真的 簡單的 到 指定 那些 在 這 柱子 特性。

這裡 我們已經 定義的 我們的 上 規格 限制 作為 2.5

和 我們的 降低 偵測 限制 的 1.

現在 全部 你 有 到 做 是 只是

給 分配 這 柱子 那 你 想 到 分析。

它 知道 確切地 如何 到 處理 那 回覆 多變的。

讓我們 看 在 這 能力 結果。

現在， 因為 我們已經 適當地 處理過 那 限制 的 檢測、

我們 相信 那 我們的 紀錄 普通的 合身 是 好的。

我們 看 那 我們的 峰, 價值 這裡 是 0.546 .

那是 不是 非常 好的。

通常 你 會 想 a 峰峰值 多於 1.

這 是 講述 我們 那 我們的 系統 是 不是 非常 有能力的。

我們已經 得到 一些 問題 那 我們 可能 需要 到 種類 出去。

一次 再次， 什麼 會 有 發生了 如果 我們 有 被忽略 那 限制 的 偵測

和 我們 有 只是 治療過的 全部 那些 1秒 作為 如果 他們 確實 是 1秒。

出色地， 讓我們 拿 a 看。

我們 做 我們的 合身， 忽略 這 限制 的 檢測、 和 我們 得到 a 峰峰值 的 多於 1.

基於 這 合身，

我們 會 說 那 我們 實際上 有 a 體面地 有能力的 系統，

因為 a 峰峰值 的 1 是 不是 也 壞的。

它 可能 是 一個 可以接受 價值。

經過 忽略 那 限制 的 檢測、

我們已經 被欺騙 我們自己 進入 思維 我們的 系統 是 更多的 有能力的 比 它 真的 是。

I 思考 這 是 a 涼爽的 例子，

因為 我們 有 a 降低 偵測 限制， 哪個 可能 帶領 你 到 相信，

出色地， I 可能 是 或許 忽略 這 限制 的 偵測 會 是 保守的，

因為 我是 高估 這 地點 範圍。

那是 真的， 什麼時候 我們 忽略 這 限制 的 檢測、

是 高估 那 地點 範圍。

但 這 問題 是 是 嚴重地 低估 這 規模 範圍。

那是 什麼 使 我們 製作 壞的 決定 出去 在 這 尾巴

的 那 分配。

經過 忽略 那 限制 的 檢測、

我們已經 真的 得到 我們自己 進入 a 壞的 情況。

只是 到 總結，

它是 真的 重要的 到 認出 什麼時候 我們的 數據 特徵 a 限制 的 檢測。

I 思考 它是 簡單的 到 思考 的，

有時 我們 思考 關於 數據 套 在哪裡

或許 我們已經 分析過的 這 回覆 作為 是 在 這 過去的，

什麼時候 真的嗎， 或許 我們 應該 有 調整過的 為了 a 限制 的 檢測。

因為 喜歡 我們 只是 鋸， 什麼時候 我們 忽略 那些 限制， 我們 得到 誤導性的 適合。

然後 我們 可能 製作 壞的 決定 基於 在 那些 誤導性的 適合。

喜歡 我們 鋸 在 我們的 例子，

我們 得到 壞的 估計 或者 這 地點 和 規模 參數，

和 我們的 峰峰值 估計 曾是 幾乎 雙倍的 什麼 它 應該 有 到過。

但 什麼 是 興奮的 關於 在 聯合管理計劃 17 號

是 那 這 分配 平台 使 它 真的 簡單的 到 避免 這些 陷阱

和 到 分析 這 資料類型 適當地。

全部 你 有 到 做 是 指定 那 偵測 限制 柱子 財產，

和 分配 知道 確切地 什麼 到 做 和 那。

今天 我們 僅有的 看起來 在 降低 偵測 限制，

但 你 能 只是 作為 出色地 有 上 偵測 限制 作為 出色地。

在 事實， 你 能 有 兩個都。

喜歡 I 說， 有 僅有的 六 分佈 那 現在 支援

審查 裡面 的 這 分配 平台。

但 那些 是 也 這 六 最多 重要的 分佈 為了 這些 種類 的 數據。

它 真的 是一個 好的 選擇 的 分佈。

那是 它。

我只是想 到 感謝 你 為了 你的 時間

和 鼓勵 你 到 查看 出去 這些 增強功能 到 這 分配 平台。

謝謝。

進階統計建模基礎資料分析與建模消費者與市場研究數據探索和視覺化預測建模和機器學習品質和工藝工程