你好
,
I
我
安妮
達德利
,
和 I 是 a 控制 圖表 開發者 為了 JMP .
I 是 這裡 今天 到 演講 和 你 關於 這 新的 在 JMP 版本 17
蘭尼 P ' 和 U ' 控制 圖表 .
讓 的 審查。
這 控制 圖表 是 故意的 到 展示 這 穩定 的 你的 過程 .
如果 你的 過程 是 不是 穩定的 , 然後 你 能 't 可靠 製作 這 相同的 尺寸
或者 這 相同的 部分 , 和 顧客 將要 得到 沮喪的
和 不是 想 到 購買 從 你 再次 .
在 這 案件 , 我們 '關於 說 具體來說 關於 屬性 圖表 ,
哪個 是 基於 任何一個 在 這 二項式 或者 這 泊松 分配 ,
和 他們 認為 a 持續的 方差，
a 持續的 變異數 因為 兩個都 這 二項式 和 這 泊松
是 a 一 範圍 分配 .
你 得到 一 範圍 為了 這 意思是 和 然後 操縱 在 那
為了 這 變異數 .
但 什麼 發生 如果 你的 變異數 是 不是 持續的 超過 時間 ?
什麼時候 你 有 a 非 -持續的 變異數 ,
在 其他 字 ,
如果 你 有 更多的 變異數 在 你的 模型 或者 在 一些 案例 , 較少的 ,
更多的 變異數 在 你的 模型 比 你 '關於 現在 描述 ,
那 的 指 到 作為 過度離散 .
一 範圍 模型 不能 模型 過度離散 .
大衛 蘭尼 建議的 那 我們 規範化 這 數據
和 我們 帳戶 為了 變化 亞組 尺寸 , 我們 計算 a 移動 範圍 ,
和 平均的 那 , 和 然後 我們 插入 那 進入 我們的 模型 ,
進入 我們的 限制 為了 這 控制 圖表 .
讓 的 拿 a 看 在 這 在 JMP .
讓 的 保持 在 頭腦 這 假設 是 那 為了 這 常規的 P 和 U 圖表 ,
我們 有 這 假設 的 這 可能性 的 不合格
是 這 相同的 為了 每個 樣本 .
在 其他 字 , 我們 有 假設 那 我們的 變異數 是 持續的 .
讓 的 看 簡要地 在 我們的 限制 公式 .
為了 這 P 圖表 , 它 的 這 平均的 加 或者 減 3
時代 我們的 標準 錯誤 和 這 相同的 和 這 U 圖表 .
再次 , 記住 , 我們 有 這 一 範圍 .
那裡 的 不是 很多 那 我們 能 做 如果 我們的 限制 是 不是 持續的 這裡
或者 如果 我們的 變異數 是 不是 持續的 .
什麼 做 我們 做 如果 我們 有 過度離散 ?
這 是 這 大的 問題 .
什麼 蘭尼 建議的 曾是 基本上 我們 標準化 我們的 數據 ,
我們 拿 這 移動 範圍 , 我們 計算 一個 平均的 移動 範圍 ,
和 然後 我們 調整 那 和 形式 a 西格瑪 子 Z .
這些 限制 那 蘭尼 是 提議 看 非常 相似的 到 這 其他 限制 .
我們 是 只是 插入 這 西格瑪 子 Z 進入 這 公式
正確的 前 這 標準 錯誤 為了 兩個都 這 P 圖表 和 這 U 圖表 .
讓 的 拿 a 看 在 一個 例子 .
I 我 去 到 開始 和 a 數據 放 從 這 JMP 樣本 數據 資料夾 .
我們 有 很多 尺寸 那 是 不是 可怕 大的 .
F 或者 我們的 第一的 例子 , 讓 的 看 在 這 一 .
I 我 去 到 去 透過 這 介面 為了 這 第一的 一 .
我們 '二 使用 對話 為了 未來 一個 .
我們 有 這 數位 的 有缺陷的 墊圈 那 我們 '關於 去 到 模型 .
I 我 去 到 改變 這 圖表 類型 到 屬性 .
前 我們 去 到 泊松 , I 有 我的 很多 作為 我的我 確認 為了 我們的 X -軸 ,
和 我們 '關於 只是 去 到 使用 這 持續的 很多 尺寸 的 400 .
降低 那 在 這 n 次試驗 降低 區 .
現在 , 蘭尼 的 圖表 是 僅有的 可用的 什麼時候 我們的 統計數據 是 比例勻稱 ,
所以 I 有 到 改變 那 後退 到 部分 .
什麼時候 這 統計數據 是 部分 , 然後 我們 有 四 選擇
為了 我們的 西格瑪 價值 .
I 我 去 到 選擇 蘭尼 P '。 但 第一的 , 讓 的 拿 a 看 這裡 .
我們 看 我們 有 二 積分 出去 的 控制 在 這 P 圖表，
哪個 是 表明 到 我們 那 這 是 不是 a 穩定的 過程 .
我們 能 當然 轉動 在 這 限制 , 和 那 只是 肯定 什麼 我們 斑 .
如果 我們 改變 這 蘭尼 P ' 圖表 , 那 西格瑪 子 Z
曾是 清楚地 更大的 比 1 , 因為 現在 我們的 限制
有 跳了起來 向上 相當 .
儘管 這 積分 存在 繪製 是 這 相同的 作為 他們 是 在 這 P 圖表 ,
這 上 限制 在 特別的
有 獲得 更大的 .
那裡 的 a 相當 簡單的 例子 .
讓 的 移動 在 到 其他 例子 .
這 是 再次 , 其他 數據 放 出去 的 這 JMP 樣本 數據 .
在 這 案件 , 我們 '關於 尋找 在 數位 的 缺陷 出去 的 …
我們 有 一些 單位 那 是 存在 測試 ,
一些 牙套 那 是 存在 測試 在 每個 單元 .
每個 單元 是 't 這 相同的 尺寸 .
這 是 其他 設想 在哪裡
這 問題 和 這 非 -持續的 變異數 流行音樂 向上。
我們 能 數數 這 數位 的 缺陷 .
我們 '關於 不是 計數 這 數位 的 有缺陷的。
我們 '關於 計數 這 數位 的 缺陷 每 單元 .
在 這 案件 , 我們的 單元 尺寸 是 變化 .
讓 的 選擇 a U 圖表 在下面 這 控制 圖表 菜單。
我們 有 我們的 數位 的 缺陷 , 和 我們 有 我們的 日期
作為 我們的 亞組 識別符 , 和 我們 有 我們的 單元 尺寸
作為 我們的 n 次試驗 .
我們 談話 關於 擁有 那 非 -持續的 單元 尺寸 ,
所以 我們 有 變化 限制。
我們 做 看 一些 的 這 積分 是 出去 的 控制 這裡 .
再次 , 這 出現 到 是 a 非 -穩定的 過程，
哪個 是 原因 為了 恐慌 或者 擁有 到 重新調整 一切 .
現在 , 如果 我們 展示 這 控制 控制板 , 自從 我們 有 部分 作為 a 統計數據 ,
我們 能 改變 這 從 a 泊松 或者 加州大學 到 a 蘭尼 .
再次 , 這 限制 有 現在 增加 .
我們 現在 意識到 我們 有 a 穩定的 流程 . 我們 大學教師 't 有 任何 積分 出去 的 控制 .
這 是 更好的 特徵 我們的 設想 , 我們的 數據 這裡 .
現在 , 讓 我 展示 你 a 第三 例子 , 哪個 是 a 小的 位元 更多的 複雜的 .
這 圖片 在 我的 背景 這裡 是 實際上 a 圖片 I 採取
從 阿卡迪亞 國家的 公園 .
A 夫妻 的 夏天 前 , I 曾是 在職的 在 這 斯庫迪克 觀點
和 志工服務 到 學習 微塑膠 在 這 水 向上 那裡 .
我們 是 採取 樣品 的 一 公升 的 水 每 星期 在 不同的 地點 .
我們 會 拿 那 水 , 和 我們 會 為了 它 透過 a 篩選 ,
和 然後 我們 拿 這 篩選 和 看 在下面 a 顯微鏡
和 身體 數數 這 數位 的 微 珠 和 超細纖維
那 是 出現 在 這 篩選 那 我們 傾倒 這 水 透過 .
讓 的 分析 這 作為 a 控制 圖表 .
這 主要的 研究者 為了 這 特別的 學習
是 嘗試 到 形式 a 好的 , 複雜的 模型 超過 時間
到 尋找 出去 無論 或者 不是 這 水 塑膠 是 增加 .
但 在 命令 到 做 那 , 你 真的 想 到 知道
那 你 '關於 造型 你的 數據 正確
和 無論 或者 不是 我們 有 實際的 穩定的 數據 .
這 是 一個 例子 我們 可以 跑步 a P 圖表 ,
所以 讓 的 嘗試 那 .
存在 這 控制 圖表 開發者 , I 我 總是 尋找 為了 更多的 機會
到 模型 控制 圖表 .
我們 想 到 看 在 這 全部的 塑膠.
為了 我們的 亞組 , 我們 有 星期 ,
和 為了 我們的 n 次試驗 , 我們 有 全部的 體積 ,
和 然後 我們 有 不同的 地點 ID 作為 a 階段 .
這裡 我們 看 我們 有 三 不同的 積分 那 我們 是 採取 這 測量 從 .
一些 是 更好的 比 其他的 ,
但 他們 全部 似乎 到 是 真的 出去 的 控制 .
他 的 去 後退 到 這 繪畫 木板 和 喜歡 , 「什麼 應該 I 做 ?
應該 I 拿 更多的 數據 ? 如何 做 I ……
I 想法 , 「唔 , 讓 的 看 如果 這 真的 是 特徵 這 情況 ,
這 流程 這裡 非常 出色地。 "
讓 的 跑步 這 再次 透過 a 對話 ,
和 你 看 那裡 是 二 新的 條目 在 這 選單 ,
一 為了 蘭尼 P ' 和 一 為了 蘭尼 U 控制 圖表 .
再次 , 讓 的 看 在 我們的 全部的 塑膠 作為 這 Y ,
和 這 全部的 體積 是 我們的 n 次試驗 .
我們的 星期 是 我們的 亞組 , 和 這 地點 ID 是 這 階段 .
我們 已經 得到 這 相同的 積分 再次 , 但 突然， 我們的 限制 是 很多 更廣泛 .
我們 能 結束 從 這 那 , 出色地 , 我們 實際上 有 a 漂亮的 穩定的 流程 .
這 是 好的 數據 .
他 能 去 前方 和 開始 到 形式 他的 更大的 模型 在 這 數據 .
儘管 它 的 a 平靜 事物 , 也, 它 製作 a 很多 更多的 感覺 .
在 結束 , I 會 喜歡 到 推薦 那 每個人 使用 這 蘭尼 P ' 和 U '
控制 圖表 什麼時候 監測 你的 部分
的 非 符合 或者 缺陷 ,
尤其 什麼時候 你 看 a 不同之處 之間 這 P 和 這 P ' 圖表 .
感謝 你 非常 很多 .
