Salut
,
I
'm
Annie
Dudley
,
et I suis a Contrôle Graphique Promoteur pour JMP .
I suis ici aujourd'hui à parler avec toi à propos le nouveau dans JMP version 17
Laney P ' et U ' contrôle graphiques .
Laisser 's revoir.
Le contrôle graphiques sont destiné à montrer le stabilité de ton processus .
Si ton processus est pas écurie , alors toi peut 't de manière fiable faire le même taille
ou le même parties , et clients volonté obtenir bouleversé
et pas vouloir à achat depuis toi encore .
Dans ce cas , nous 'concernant parler spécifiquement à propos attribut graphiques ,
lequel sont basé soit sur le Binôme ou le Poisson distribution ,
et ils supposer a constante variance,
a constante variance parce que les deux le Binôme et le Poisson
sont a un paramètre distribution .
Toi a obtenu un paramètre pour le signifier et alors manipulations sur que
pour le variance .
Mais quoi se produit si ton variance est pas constante sur temps ?
Quand toi avoir a non -constante variance ,
dans autre mots ,
si toi avoir plus variance dans ton modèle ou dans quelques cas , moins ,
plus variance dans ton modèle que toi 'concernant actuellement décrire ,
que 's réf à comme surdispersion .
Un paramètre modèle ne peut pas modèle surdispersion .
David Laney proposé que nous normaliser le données
et nous compte pour variable sous-groupe tailles , nous calculer a mobile gamme ,
et moyenne que , et alors nous insérer que dans notre modèle ,
dans notre limites pour le contrôle graphiques .
Laisser 's prendre a regarder à ce dans JMP .
Laisser 's garder dans esprit ce hypothèse est que pour le régulier P et U graphiques ,
nous avoir ce hypothèse de le probabilité de non-conformité
est le même pour chaque échantillon .
Dans autre mots , nous avoir hypothèse que notre variance est constante .
Laisser 's regarder brièvement à notre limites formules .
Pour le P graphique , il 's le moyenne plus ou moins 3
fois notre standard erreur et le même avec le U graphique .
Encore , souviens-toi , nous avoir ce un paramètre .
Là 's pas beaucoup que nous peut faire si notre limites sont pas constante ici
ou si notre variance est pas constante .
Quoi faire nous faire si nous avoir surdispersion ?
Ce est le grand question .
Quoi Laney proposé était essentiellement nous standardiser notre données ,
nous prendre le mobile gamme , nous calculer un moyenne mobile gamme ,
et alors nous ajuster que et formulaire a sigma sous Z .
Ces limites que Laney est proposition regarder très similaire à le autre limites .
Nous étaient juste insérer le sigma sous Z dans le formule
droite avant le standard erreur pour les deux le P graphiques et le U graphiques .
Laisser 's prendre a regarder à un exemple .
I 'm en allant à commencer avec a données ensemble depuis le JMP échantillon données dossier .
Nous avoir parcelle tailles que sont pas terriblement grand .
F ou notre d'abord exemple , laisser 's regarder à ce un .
I 'm en allant à aller à travers le interface pour ce d'abord un .
Nous 'll utiliser dialogues pour avenir ceux .
Nous avoir le nombre de défectueux rondelles que nous 'concernant en allant à modèle .
I 'm en allant à changement le graphique taper à attribut .
Avant nous aller à Poisson , I avoir mon parcelle comme mon je dentifier pour notre X -axe ,
et nous 'concernant juste en allant à utiliser le constante parcelle taille de 400 .
Baisse que dans le n procès baisse zone .
Maintenant , Laney 's graphiques sont seulement disponible quand notre statistique est proportionné ,
donc I avoir à changement que dos à proportion .
Quand le statistique est proportion , alors nous avoir quatre choix
pour notre sigma valeur .
I 'm en allant à choisir Laney P '. Mais d'abord , laisser 's prendre a regarder ici .
Nous voir nous avoir deux points dehors de contrôle sur ce P graphique,
lequel est indiquant à nous que ce est pas a écurie processus .
Nous peut certainement tourner sur le limites , et que juste affirme quoi nous repéré .
Si nous changement le Laney P ' graphique , que sigma sous Z
était clairement plus grand que 1 , parce que maintenant notre limites
avoir a sauté en haut considérablement .
Alors que le points être tracé sont le même comme ils étaient sur le P graphique ,
le supérieur limite dans particulier
a obtenu plus grand .
Là 's a assez simple exemple .
Laisser 's se déplacer sur à un autre exemple .
Ce est encore , un autre données ensemble dehors de ce JMP échantillon données .
Dans ce cas , nous 'concernant regarder à nombre de défauts dehors de ...
Nous avoir plusieurs unités que sont être testé ,
plusieurs croisillons que sont être testé dans chaque unité .
Chaque unité n'est-ce pas 't le même taille .
Ce est un autre scénario où
ce problème avec le non -constante variance pops en haut.
Nous peut compter le nombre de défauts .
Nous 'concernant pas compte le nombre de défectueux.
Nous 'concernant compte le nombre de défauts par unité .
Dans ce cas , notre unité taille est variable .
Laisser 's choisir a U graphique sous le Contrôle Graphique menu.
Nous avoir notre nombre de défauts , et nous avoir notre date
comme notre sous-groupe identifiant , et nous avoir notre unité taille
comme notre n procès .
Nous parlé à propos ayant que non -constante unité taille ,
donc nous avoir variable limites.
Nous faire voir quelques de le points sont dehors de contrôle ici .
Encore , ce semble à être a non -écurie processus,
lequel est cause pour panique ou ayant à réadapter tout .
Maintenant , si nous montrer le contrôle panneau , depuis nous avoir proportion comme a statistique ,
nous peut changement ce depuis a Poisson ou CNU à a Laney .
Encore , le limites avoir maintenant augmenté .
Nous maintenant réaliser nous avoir a écurie processus . Nous enfiler 't avoir n'importe lequel points dehors de contrôle .
Ce est mieux caractérisation notre scénario , notre données ici .
Maintenant , laisser moi montrer toi a troisième exemple , lequel est a petit peu plus complexe .
Le image dans mon arrière-plan ici est en fait a image I a pris
depuis Acadie National Parc .
A couple de étés il y a , I était fonctionnement à le Schoodique Indiquer
et volontariat à étude microplastiques dans le eau en haut là .
Nous étaient prise échantillons de un litre de eau par semaine à différent lieux .
Nous serait prendre que eau , et nous serait pour il à travers a filtre ,
et alors nous prendre le filtre et regarder sous a microscope
et physiquement compter le nombre de micro perles et microfibre
que étaient apparaissant sur le filtre que nous versé le eau à travers .
Laisser 's analyser ce comme a contrôle graphique .
Le principal enquêteur pour ce particulier étude
est en essayant à formulaire a bon , complexe modèle sur temps
à trouver dehors si ou pas le eau plastiques étaient croissant .
Mais dans commande à faire que , toi vraiment vouloir à savoir
que toi 'concernant modélisation ton données correctement
et si ou pas nous avoir réel écurie données .
Ce est un exemple où nous pourrait courir a P graphique ,
donc laisser 's essayer que .
Être le contrôle graphique promoteur , I 'm toujours regarder pour plus opportunités
à modèle contrôle graphiques .
Nous vouloir à regarder à le total plastiques.
Pour notre sous-groupe , nous avoir semaine ,
et pour notre n procès , nous avoir total volume ,
et alors nous avoir différent site Identifiants comme a phase .
Ici nous voir nous avoir trois différent points que nous étaient prise le mesures depuis .
Quelques étaient mieux que autres ,
mais ils tous semblait à être vraiment dehors de contrôle .
Il 's en allant dos à le dessin conseil et comme , "Quoi devrait I faire ?
Devrait I prendre plus données ? Comment faire I ...
I pensée , "Hmm , laisser 's voir si ce vraiment est caractérisation le situation ,
le processus ici très Bien. "
Laisser 's courir ce encore à travers a dialogue ,
et toi voir là sont deux nouveau entrées sur le menu ,
un pour Laney P ' et un pour Laney U contrôle graphique .
Encore , laisser 's regarder à notre total plastique comme le Y ,
et le total volume est notre n procès .
Notre semaine est notre sous-groupe , et le site IDENTIFIANT est le phase .
Nous 've a obtenu le même points encore , mais soudainement, notre limites sont beaucoup plus large .
Nous peut conclure depuis ce que , Bien , nous en fait avoir a joli écurie processus .
Ce est bien données .
Il peut aller devant et commencer à formulaire son plus grand modèle sur ce données .
Alors que il 's a calmant chose , aussi, il fait a parcelle plus sens .
Dans clôture , I serait comme à recommander que tout le monde utiliser le Laney P ' et U '
contrôle graphiques quand surveillance ton proportion
de non -conforme ou défauts ,
en particulier quand toi voir a différence entre le P et le P ' graphique .
Remercier toi très beaucoup .
