Bien, remercier toi tout le monde pour adhésion moi.
Ce est a Découverte Sommet 2022 présentation,
courtoisie de mon coprésentateurs, Charles Chen et Maçon Chen.
Mon nom est Patrick Julien.
Le titre de ce parler est,
Diagramme en boîte A analyse : Mélange Scientifique et Artistique Enquête
à l'université DIVERS Réponse Caractérisation.
Voici le abstrait.
Toi peut trouver ce sur le JMP Utilisateur C communauté
dans le Découverte 2022 communauté page,
États-Unis D découverte 2022 communauté page.
Je suis putting il ici pour référence.
I volonté fournir a lien dans le diapositives
à le communauté page où le projet volonté en direct.
Qu'est-ce que le motivation pour ce projet?
Le Diagramme en boîte est un de le la plupart populaire graphique outils
à visualiser a univarié distribution de données.
Ce projet études comment à utiliser le Diagramme en boîte à analyser données efficacement.
La plupart personnes OMS utiliser le Diagramme en boîte ne le faites pas utiliser il nécessairement
à déterminer le forme de le distribution de le données.
Dans fait, beaucoup personnes utiliser il à tort à dessiner signifier ou signifier comparaison décisions,
et ils peut supposer normalité basé sur symétrie,
quand dans fait, le normalité hypothèse
serait en fait pas être raisonnable si ils étaient à prendre a plus près regarder
à le forme de le données sur a histogramme, pour exemple.
Le objectif de ce projet est à démontrer comment à utiliser JMP
spécifiquement 16, à interpréter information dans a Diagramme en boîte
et à améliorer compétence
dans a mondial communauté de scientifiques et ingénieurs
que sont vraiment sous a DMEIC ou APS,
ou Maigre taper Six Sigma méthodologie,
lequel est très populaire, évidemment, aujourd'hui et sur le dernier peu des décennies.
Le intéressant chose à propos ce projet est nous encadré il
dans le contexte de 17 questionnaire questions.
Ce est a question et répondre glisser pont.
Et Je suis pas en allant à aller dans aussi beaucoup détail
à propos chaque et chaque question,
lequel h I volonté montrer toi ici.
Mais quoi Identifiant comme à faire est montrer toi a petit peu à propos
comment toi peut utiliser JMP à explorer le répondre à ces questions,
parce que I pense c'est vraiment le la plupart intéressant et amusant partie.
Le première chose I recherché à faire est juste rapidement aller sur quoi a Diagramme en boîte est.
Donc quoi est le anatomie de a Diagramme en boîte ?
Juste comme a rappel pour quelques de toi, ou introduction pour quelques de toi,
le médian est indiqué par le ligne médiane,
et c'est réf à comme le deuxième quartile, Q2
ou le 50e percentile.
Alors Q1 est réf à comme le 25e percentile.
T3 est le 75e percentile, comme toi peut voir ici.
Le interquartile gamme, ou IQR,
est le différence entre T3 et Q1.
Le autre important éléments sont nous avoir qu'est-ce que appelé
a moustache sur le inférieur côté et sur le supérieur côté.
Juste à le fin de que moustache, parfois nous référer à il comme la clôture
et vous allez voir a verticale doubler
et JMP tirages a verticale doubler à indiquer que bord.
Qu'est-ce que important à propos ce est que ce emplacement est en fait
Q1 moins 1.5 fois le IQR,
lequel est représenté par le distance entre ce bord et ce bord.
Ce point et le supérieur clôture est
Q3 plus one et a moitié fois le IQR.
Donc que définit le supérieur bord.
Alors n'importe lequel points que sont au-delà ces bords ou clôtures
sont considéré potentiel valeurs aberrantes.
Et ils en fait montrer en haut par eux-mêmes comme points
alors que le repos de le données dans le milieu de le histogramme
est pas montré pour accent sur le points que sont au-delà le au-delà ces clôtures.
Je suis en allant à saut droite dans.
Comment a fait nous explorer et développer le réponses à ces questions,
et dans quelques cas, même affiner le questions eux-mêmes?
Bien, nous créé a simulé données tableau dans JMP 16,
où nous construit 100 rangées de données,
et nous construit données, premier de a normale distribution,
et alors appliqué quelques transformation à que données.
Nous voir que nous avoir a normalement distribué données
dessiné depuis a population le signifier de zéro et a écart type de un.
Ensuite, nous avoir uniformément distribué données.
Alors nous avoir données c'est pointu,
c'est a a positif Kurtose.
Alors nous avoir données c'est droite biaisé,
a deux modes,
a quelques valeurs aberrantes à propos 3 % sur moyenne
et alors entiers.
Dans tous le cas, avec le exception de le bimodal,
nous juste basé le simulé formule,
sur le original normale colonne.
Le chemin que nous mettre tous le données sur le même échelle
est nous utiliser le colonne standardisé fonction
donc que nous pourrait comparer tous le données
relatif à chaque autre dans le distribution plate-forme.
Ce est juste a aperçu de que.
Je vais saut sur à JMP et montrer toi que.
Mais encore, tous de ce données est centré à une moyenne de environ zéro
et a standard déviation, environ un.
Nous couvert le Première question.
Pourquoi je s a Diagramme en boîte, parfois réf à comme a cinq- indiquer parcelle?
Bien, là sont cinq principal points .
Il y a Q1, il y a Q2 dans le milieu, il y a T3,
et alors là sont le moustaches, le supérieur et inférieur .
Suivant question.
Quoi sont le deux façons que le Diagramme en boîte peut déterminer
quand là le distribution est biaisé ?
Bien, nous peut regarder à le largeur de le boîte elle-même.
Nous peut aussi regarder à le largeur de le moustaches.
Dans ce droite biaisé exemple,
toi peut voir que supérieur moustache est beaucoup plus long que le inférieur un.
Donc que serait impliquer que le données est droite biaisé.
Dans autre mots, que le queue dans le données,
si toi étaient à imaginer que distribution, est pointant à le droite.
Troisièmement, pourquoi fait le Le diagramme en boîte comprend le médian et pas le signifier?
Bien, a Diagramme en boîte utilise le médian à déterminer ou jauge asymétrie.
Donc si le distribution est normale, alors le signifier est égal à le médian.
Et dans fait, quoi toi serait voir ici est que ce médian doubler dans le milieu
serait doubler en haut exactement avec le bords de ce diamant,
le milieu de ce diamant.
Dans que cas, toi serait efficacement avoir a situation
où tu es pas vraiment perdant n'importe lequel information
parce que le La distribution est symétrique.
Le médian dans général, alors pourrait être considéré mieux,
indépendamment de de si le distribution est normale ou anormal.
Quatrième, pourquoi est le Boîte Parcelle le la plupart puissant visualisation outil,
ou un de le la plupart puissant outils à séparé asymétrie et valeur aberrante Des problèmes ?
Quand nous parlé à propos ce idée que parce que le Diagramme en boîte utilise
ce Q1 moins un et moitié fois IQR
et Q3 plus one et a moitié fois IQR méthodologie,
il vraiment permet nous à séparé potentiel valeurs aberrantes depuis le principal données.
Il aussi donne nous a cadre
par lequel à juge si le supérieur moustache
est plus grand ou plus petit que a inférieur moustache.
Donc ceux deux composants de le parcelle
vraiment aide nous, plutôt, voir si étaient qualifié asymétrie
et potentiel périphérique ce.
C'est a unique fonctionnalité de le Diagramme en boîte.
Le cinquième question est a petit plus intéressant.
Qu'est-ce que le relation entre le interquartile gamme,
que distance entre Q1 et T3,
et le standard déviation, lequel nous peut calculer pour n'importe lequel données ensemble,
indépendamment de de comment c'est distribué?
Si le données est normale,
quoi à propos si le données est biaisé ou non normal ou pointu
ou n'importe lequel autre forme?
Bien, nous savoir, basé sur théorie,
que le rapport de le IQR, à l'écart type
est 1,35 pour normale données.
Quoi serait que rapport regarder comme si le données n'était pas normale?
Bien, nous peut explorer que dans JMP,
et Je suis en allant à montrer toi que vraiment rapidement.
Voici le données ensemble.
Je suis aussi en allant à poste ce sur le communauté .
Le première chose Je suis en allant à faire est aller devant et montrer toi
comment I obtenir à a visuel État
où nous peut voir tous le Diagrammes en boîte ensemble,
sans le distributions.
Ce est intéressant,
mais Je suis en allant à aller devant et commencer depuis le début.
Je suis en allant à analyser distribution.
Je vais montrer toi comment I a obtenu là.
Je suis en fait en allant à cliquez tout,
et JMP est en allant à donner moi a histogramme et a Diagramme en boîte ensemble.
A t le fin de le présentation,
étaient en allant à résumer pourquoi c'est important.
Mais quoi Je suis en allant à faire ici est Je suis en allant à aller devant et tourner désactivé le histogramme,
I peut aller devant et personnaliser le largeur ici de le lignes.
I peut copie ce personnalisation sur,
lequel est vraiment bon.
Je suis en allant à prise vers le bas le contrôle clé parce que Je suis sur a PC.
Je suis en allant à droite cliquez
et alors Je suis en allant à frapper Modifier, Copie, P ce C personnalisations,
et c'est en allant à apporter eux tous sur.
Je suis en fait en allant à prise vers le bas le contrôle clé encore et redimensionner ce
afin que je peut redimensionner eux tous ensemble.
Maintenant Je suis en allant à minimiser le quantile section,
parce que Je suis en allant à obtenir le information que I besoin
depuis le résumé statistiques section.
I en fait avoir le IQR et a standard déviation montré ici.
A bien que I pourrait personnaliser ce, soit ici ou dans le propriétés,
lequel I peut accéder sous Déposer, Préférences et sous le distribution plate-forme groupe.
Quoi Je suis en allant à faire est Je suis en fait en allant à faire
ce information dans a données tableau
et Je suis en allant à droite- cliquez et sélectionner, Faire Combiné Données Tableau à faire que.
Maintenant I seulement besoin le IQR et le standard déviation.
Je suis vraiment seulement intéressé dans que.
Donc Je suis en fait en allant à sélectionner, un de le standard écarts,
un de le Écarts interquartiles.
Je suis en allant à se déplacer mon curseur sur ici
et sélectionner Correspondance sur tous de le rangées
que avoir ces valeurs dans eux.
Je suis en allant à aller devant et inverser le sélection,
supprimer le rangées que I ne le faites pas vouloir,
et Je suis gauche avec ce.
Maintenant Je suis juste en allant à aller devant et restructurer le données
donc que I peut calculer le rapport de le IQR à le standard déviation.
Donc Je suis juste en allant à utiliser Tableau Diviser pour que.
Je suis en allant à aller devant et diviser par colonne 1
mettre colonne 2 dans ici, mettre ces dans a groupe.
Je m'en vais à cliquez D'ACCORD.
I avoir le données comment I vouloir.
Ce spectacles moi depuis lequel distribution
ces statistiques est venu depuis,
Je suis en allant à aller devant et faire a Nouveau Formule C colonne, Combiner, Rapport.
Là toi aller.
Ce regard a petit peu dur à interpréter pour moi.
Je suis en allant à aller devant et changement il donc que I peut seulement voir deux décimales.
J'ai a obtenu Nombres lequel sont très similaire,
il devrait être, de toute façon, très similaire à quoi I avoir dans le glisser ici
détailler le rapport de le IQR à le standard déviation.
Bien sûr, ils sont en allant à être différent parce que il y a échantillonnage erreur.
Ce tableau est seulement un échantillonnage expérience.
Mais ce est comment I peut rapidement
et de manière interactive extrait ce information
et vraiment comprendre, quoi fait ce rapport regarder comme
si mon données est pas normale dans a particulier chemin?
Nous peut voir ici, que le valeurs que tendre à être inférieur
à le culminer distribution de le un avec valeurs aberrantes,
le valeurs que tendre à être plus haut que le typique
ou le attendu théorique 1, 3, 5 normale,
sont en allant à être le uniforme, le droite biaisé et bimodal.
Suivant question, qu'est-ce que le idéal valeur aberrante pour cent
si le distribution est parfaitement normale?
Bien, il tours dehors que si nous regarder dans le manuels scolaires ou réduire simulation,
sur moyenne, nous devrait voir à propos 0,7% de le points au-delà le clôtures,
dans a normale distribution,
ou à moins peut-être pas au-delà le clôtures, mais si nous étaient à faire a contrôle graphique,
nous serait certainement voir à propos de,
lequel est sous le hypothèse de normalité.
Pour exemple,
si nous étaient à faire un individuel mobile gamme graphique, nous serait voir autour 0,7%
de le points sur moyenne être dehors le limites.
Bien que pour pratique objectifs,
nous pourrait probablement dire,
si nous scie à propos 3 % ou moins de le distribution au-delà le limites,
nous serait considérer il environ normale.
Pourquoi est que question important?
Bien, nous peut utiliser le proportion de le points au-delà le clôtures
dans a Diagramme en boîte quand le échantillon taille est petit
à déterminer si ou pas nous avoir quelques preuve de normalité
sur le base de valeurs aberrantes.
Bien que si notre échantillon taille est aussi grand,
alors étaient en allant à voir beaucoup et beaucoup de points au-delà ceux clôtures.
Donc c'est vraiment important que nous considérer a " raisonnable échantillon taille."
Et c'est partie de le raison pourquoi nous seulement considéré 100 rangées dans notre projet.
Suivant question, qu'est-ce que le différence entre
a quartile gamme et a quantile gamme Diagramme en boîte ?
Bien, dans a pratique contexte, de toute façon, nous peut parler à propos
le Explorez Outlier utilitaire dans JMP 16,
lequel a laisse nous à ajuster le Q,
lequel est le multiplicateur sur le IQR
et le queue quantile,
lequel est essentiellement comment le données est divisé en haut.
Nous peut personnaliser que gamme.
Je suis juste en allant à montrer toi quoi que regard comme réel rapidement.
Je suis en allant à aller dans Analyser,
Je suis en allant à aller à Dépistage,
Explorer Valeurs aberrantes.
Je suis en allant à faire ce sur mon brut données.
Je suis en fait en allant à fermer ce.
Je suis en allant à aller dos à le brut données tableau.
Je vais juste prendre a couple de ces.
Je vais en fait prendre le ceux que I avoir dans mon diapositives à culminer dans le valeurs aberrantes.
Je suis en allant à aller devant et utiliser le quantile gamme valeurs aberrantes.
Je suis en allant à ajuster ce à quoi le Le diagramme en boîte utilise : 0,25 et 1.5.
Je suis en allant à cliquez Analyser à nouveau
et JMP va identifier potentiel valeurs aberrantes ici.
Comment fait ce connecter à le distribution plate-forme?
Bien, si nous aller sur ici,
nous regarder à ce,
quoi étaient en allant à voir,
est là sont a nombre de valeurs aberrantes ici.
Je suis en fait en allant à sélectionner le rangées,
Je suis en allant à aller sur ici.
Bien, il et voir, c'est ces valeurs.
Donc toi a obtenu 1, 2, 3, 4, 5, 6, 7.
Il y a Sept valeurs aberrantes.
1, 2, 3, 4, 5, 6, 7.
Que carrés en haut.
C'est exactement quoi nous serait attendre.
De la même manière, nous avons a obtenu 1, 2, 3, 4,
et si nous rouleau sur ici, et sous le valeurs aberrantes,
voir si nous sommes terminés ici sont à quatre.
Super.
En allant dos à le diapositives ici, nous peut personnaliser ce .
Et c'est en fait quoi nous obtenir dans dans ultérieur Question 10.
Comment faire nous déterminer si valeurs aberrantes sont marginal ou extrême?
Bien, et pourquoi est il important?
Bien, nous peut ajuster le sensibilité
de le valeur aberrante détection basé sur le multiplicateur sur le IQR
alors que garde le queue quantile le même.
Toi pourrait intuitivement attendre
que si toi étaient à prendre Q₃ plus un plus grand nombre fois le IQR,
c'est en allant à étendre le moustache longueur et de même, sur le inférieur côté.
C'est en allant à signifier que plus points sont en allant à automne à l'intérieur.
Donc moins valeur aberrante serait être détecté.
Nous devrait être capable à voir que et test que dans JMP.
Donc si I étaient à augmenter ce à deux et cliquez Réanalyser,
nous voir a peu valeurs aberrantes devenir partie de le Diagramme en boîte,
ou nous peut imaginer a situation où c'est le cas.
Je vais augmenter ce à trois,
Je vais frapper Concernant balayage
nous voir encore moins valeurs aberrantes être identifié toujours.
A s I aller en haut à Q égal à cinq,
maintenant I seulement avoir un valeur aberrante détecté dans le culminer colonne de données.
Donc le idée ici est que nous peut développer critères pour Q, pour exemple,
nous pourrait situer il avec trois, une situation où données pourrait être considéré
a typographique erreur, où il pourrait être un extrême ou valeur aberrante plus extrême.
Nous pourrait ensemble Q égal 1,5 si, par exemple,
nous pensons que la valeur aberrante potentielle pourrait être associé avec variabilité
en raison de le mesures système ou spécial processus variation.
Nous peut faire quelques simulation basé sur notre application
et décider de ce que valeur de Q devrait être dans ces particulier scénarios.
En lien avec que, dans Question 10,
nous touché a petit peu sur GRR ou mesures système variabilité.
Question 8 pourparlers a petit un peu à propos,
ça va a petit peu Plus profond dans ce et apporte ensemble quelques des idées.
Le idée ici est que nous pourrait en fait envisager
le distance entre le supérieur clôture et le premier résultat aberrant
ou le premier potentiel valeur aberrante série de valeurs aberrantes.
Nous peut étendre que supérieur clôture par a distance de deux fois le Sigma
exigible à le mesures système variabilité.
Dans ce En fait, nous envisageons sérieusement de
le variabilité en raison de le mesures système.
Et étaient demander nous-mêmes, est ce potentiel valeur
dans le bruit de le mesures système ou pas?
Étaient créer a graphique d'une certaine manière, un moyen graphique mixte
de déterminer si le valeur est raisonnable
sous le attente Oui t il y a une mesure système variabilité.
I avoir ici le distance entre le marginal valeur aberrante et moustache
devrait être comparé à le GRR bruit standard déviation.
Si c'est dans deux standard écarts, nous ne le faites pas avoir 95 % confiance
Pour conclure ceci marginal valeur aberrante est différent depuis le moustache.
Ce est juste a graphique version de a un- échantillon T- test dans effet.
Nous pourrait en fait construction a un- échantillon T- test
en utilisant cette ligne rouge comme notre cible et le observé valeur,
ou plutôt supposé série de valeurs, ce point noir,
comme notre distribution relatif à que cible.
Le suivant question, comment beaucoup points n'est-ce pas ? besoin vraiment à produire a Diagramme en boîte
si étaient échantillon taille limité?
Bien, nous pourrait besoin à moins Sept points,
et notre simulation dans ce particulier échantillonnage expérience spectacles que.
Qu'est-ce que événement ici?
Bien, chaque de ces trois données ensembles avoir le même médian.
Toi peut voir dans ce données ensemble, là sont six observations.
Dans ce un là sont Sept, et alors ce un là sont huit.
Allons-y commencer sur le gauche, en fait,
et nous avoir huit observations, un dehors ici autour 15.
Quoi si nous réduire le nombre d'observations à sept
et nous en fait compris le Même constat ici,
mais nous réduire un de le autres?
Quoi si nous réduire il plus loin alors que maintenance le même médian?
Alors quoi nous voir est que ce 15, valeur aberrante
lequel est toujours dans le données ensemble, Non plus long devient un valeur aberrante.
Dans essence, il devient absorbé dans la moustache elle-même.
Le autre chose c'est intéressant à propos de cette simple expérience,
est que le IQR devient gonflé lorsque nous passons de sept à six.
Nous peut voir que visuellement comme cela
la largeur de cette boîte de Q1 à Q3 devient beaucoup plus large.
Nous peut aussi voir que numériquement ici.
I en fait vouloir à montrer toi comment nous pourrait explorer que dans JMP.
Voici quelques données.
C'est pas le même données, mais voici quelques données.
I juste créé a colonne que rangs le données.
A gagner, I juste utiliser un instantané colonne formule.
I peut faire que par sélectionner l'une de ces options,
donc I croire c'est sous distributionnel.
Maintenant, quoi Je suis en allant à faire Est-ce que je vais à aller devant et juste horloge ce données.
Je suis en allant à tourner le histogramme sur c'est côté.
Je suis en fait en allant à invoquer le Filtre de données locales.
Je suis en allant à apporter dans que rang colonne que Je suis en allant à Commencez par le rendre ordinal,
donc que I peut sélectionner données individuellement
plutôt que sous le hypothèse de le continu distribution.
Je suis en allant à sélectionner tout.
Maintenant, allons-y voir, si I aller dos à le données tableau,
I savoir que 8 représente le le plus haut, le le plus grand valeur.
Je vais garder 8 dans là,
et Je vais juste commencer réduire quelques de les valeurs inférieures
par holding vers le bas mon contrôle clé et cliquer que,
lequel volonté efficacement retirer que indiquer dynamiquement depuis ce analyse.
I a obtenu le contrôle clé vers le bas et cliqué encore, Cliquez à nouveau.
Toi scie il là, cette valeur aberrante du côté bas,
de toute façon, dans ce cas, juste disparu.
Il y a a relation parmi le distance entre les clôtures et le points,
lequel est calculé sur le base de le données
où la médiane et les quartiles sont calculé
basé sur le données c'est dans le analyse.
Ce donne toi a mieux moyens de apprécier comment le Diagramme en boîte
est en train de changer a fonction de données c'est soit dans ou dehors de le analyse.
Ce est a vraiment super cool fonctionnalité
que je vraiment comme à utiliser a parcelle dans beaucoup contextes.
Qu'est-ce que le avantage d'une valeur aberrante d'ajustement robuste algorithme,
lequel est a JMP 16 algorithme?
Il donne nous un autre moyens de détection isolement .
Nous avoir le capacité à utiliser a Cauchy méthode
lequel souvent évite le impact de l'asymétrie,
lequel peut être utile pour pratique situations.
Nous peut aussi utiliser a 3-s amour ou un multiplicateur K-sigma
dans commande à aide détecter isolement .
Tous de ces méthodes vraiment aide nous
séparer les valeurs aberrantes potentielles des valeurs aberrantes réelles
et aide nous créer a raisonnable détection du signal et méthodologie
de la même manière que nous pourrions faire si nous étaient à utiliser contrôle cartographie
et construire une carte de contrôle avec limites
pour notre particulier expérimental ou fabrication application.
13. Peut nous inclure le échantillon taille information dans le Boîte Parcelle?
Eh bien, ceci est où le Boîte Parcelle débuts à présent a clair limitation.
Là n'est-ce pas n'importe lequel échantillon taille information explicitement dans le Diagramme en boîte.
A cependant, nous faire avoir le capacité de création de graphes
pour créer un diagramme en boîte à encoches, lequel donne toi quelque chose
comme un confiance intervalle sur le médian,
le bords indiquer a confiance intervalle sur le médian.
Nous aussi avoir le capacité dans graphique constructeur pour invoquer la boîte de légende
ce qui est très utile fonctionnalité pour récapitulation de données
graphiquement sans besoin à fournir un supplémentaire tabulaire données sortir.
Mais de cours, que information est complètement caché à le Diagramme en boîte elle-même.
Connecté à que est, peut nous faire n'importe lequel décision
avec n'importe quel niveau de statistique confiance si étaient juste regarder à le Diagramme en boîte ?
Le répondre est Non.
Dans ce particulier Par exemple, nous l'avons réellement conçu.
donc le médianes étaient légèrement différent sur moyenne.
Et donc étaient obtenir quelques séparation parmi le médianes entre le groupes.
Nous utilisé à ajuster Y par X dans ce contexte.
Quoi ce spectacles est que le signifier [inaudible 00:29:27]
représente le signifier, les diamants moyens sont non- chevauchement.
Il regard comme tous à travers tous quatre groupes sont comparés,
lequel indique que il y a quelques preuves
que il y a a différence dans le moyens entre le groupes.
Nous peut aussi voir le différence dans le médianes.
Nous peut faire a non- paramétrique test.
Dans ce cas, étaient en utilisant a non- essai paramétrique sur acier avec contrôle,
où le contrôle est juste le Z normale.
Étaient vision quelques preuve de séparation,
statistique séparation parmi le les médianes dans ce cas précis.
C'est dur pour nous à détecter que et Vous pouvez le constater sur le diagramme en boîte.
Dans fait, il vraiment n'est-ce pas que clair à tous.
Comment peut nous dire si nous avoir n'importe lequel préoccupation avec respect à Kurt conseil étudiant ?
Qu'est-ce que Kurtosis ?
Le kurtosis est essentiellement le idée que si c'était un positif Kurtosis,
toi serait avoir données c'est concentré dans le milieu,
ton données c'est écrasé ensemble dans le milieu de le distribution.
C'est ce exemple dans le droite.
Si toi avait un idéalisé cas d'extrême négatif Kurtosis,
tu avoir a uniforme distribution où le données est vraiment propagé dehors.
Quoi toi peut voir dans ces graphiques relatif à le normale distribution,
est que le 50 % dense zone, indiqué par ce rouge bar,
est essentiellement à propos comme long comme la distance entre Q1 et T3 ici,
mais c'est sur un côté de le médian,
sur un côté de le médian et le uniforme cas.
C'est à propos comme long comme ce boîte largeur alors c'est aussi sur un côté de le médian.
C'est a unique caractéristiques fonctionnalité de ce uniforme distribution forme.
Si nous regarder à le culminer situation,
nous voir que le boîte largeur est beaucoup plus comprimé
et la plus courte demi-largeur est aussi à peu près la même chose que le largeur de la boîte,
la moitié la plus courte est la la plupart dense région plutôt comme centré à propos le médian.
C'est similaire à quoi toi serait voir pour le cas de la distribution normale,
où le 50 % dense région volonté être à propos du centre
sur le signifier ou le médian et à propos le même largeur comme le boîte.
Clairement, le différenciateur ici c'est ça le distances sont réduit assez a peu.
Vraiment le emporter ici, cependant,
est que ce taper de interprétation est vraiment difficile.
Et il serait être Plus facile pour nous compter sur le forme mise en évidence par l'histogramme
que à essayer à regarder à le Diagrammes en boîte séparément.
Question 16 est très semblable à 15.
Quoi à propos dans le contexte de données que a plus que un mode?
Quoi à propos a bimodal distribution?
Bien, I juste a pris le Diagrammes en boîte et tiré eux à gauche,
ils sont depuis le photos sur le droite.
Nous ne peut pas vraiment voir a entier parcelle de différence parmi ces.
C'est difficile pour nous à interpréter ce.
Mais une fois nous mettre le histogrammes, nous pouvons voir clairement si nous ajuster a deux- distribution maximale
que il y a deux modes dans ce données, et il y a peut être un mode,
peut être a petit mode, mais vraiment essentiellement un mode dans le données sur le gauche.
Le Diagramme en boîte n'est-ce pas particulièrement bon
à détection que présence de multiple modes.
Le dernier question est, comment beaucoup « Modes de défaillance liés à la violation de la normalité »
peut nous détecter avec le Diagramme en boîte ?
Ce question apporte tous le autre ceux ensemble.
Bien, si nous avoir asymétrie,
nous avons montré que nous avoir a fort capacité à détecter que.
Si nous avoir potentiel valeurs aberrantes,
nous certainement avoir a fort capacité à détecter que.
Si nous avoir Kurtosis,
lequel est vraiment en rapport à le forme tel quel si là sont multiple modes,
alors nous vraiment ne le faites pas avoir a fort capacité à détecter que.
Si étaient considérant hypothèse essai,
nous n'en avons certainement pas capacité pour détecter cela soit avec le Diagramme en boîte.
Qu'est-ce que le Points clés à retenir ?
Bien, le Diagramme en boîte est Un outil de visualisation assurément puissant.
C'est a super introductif outil,
et ça a a merveilleux capacité à asymétrie séparée
depuis potentiel périphérique ness.
Mais il a c'est limites.
Dans cas où étaient regarder à Kurtotique forme ou a bimodalité
ou multimodalité, le histogramme est certainement a mieux choix.
C'est vraiment probablement pourquoi JMP utilise à la fois l'histogramme et le diagramme en boîte.
dans le distribution plateforme permettant de visualiser le comportement des données,
si toi volonté.
De cours, ajouter descriptif statistiques
Cela nous aide vraiment rond en haut le image où nous avoir a graphique première approche.
Ce est juste, encore, a récapitulation de quoi nous avons discuté.
Mais le dernier couple de minutes,
I juste vouloir à montrer toi a couple plus des choses à propos le données ensemble elle-même.
Parce que I pense ce est peut-être le la plupart utile aspect de le projet.
Comment pourrait nous ensemble en haut a données ensemble comme ce?
Tous nous vraiment avoir à faire à simuler données dans JMP
est juste créer quelques rangées puis créer a fonction,
un hasard normale fonction.
Le processus que nous l'a fait, d'une certaine manière toi pourrait faire ce est toi on pourrait dire,
d'accord, toi peut aller dans a colonne formule…
Laissez-moi juste montrer toi ce.
Toi peut juste double- cliquez dans il, et toi peut cliquez Formule,
toi peut modifier le formule.
Toi peut aller sur ici à ces fonctions aléatoires,
toi peut cliquez il dans, et alors toi peut spécifier a population moyenne dans Sigma.
Zéro et un par défaut, cliquez D'ACCORD, et alors I peut ajouter a bouquet de rangées.
Je vais aller devant et ajouter 100 rangées.
Quoi à propos ces autre distributions ?
Un uniforme la distribution est, nous peut utiliser le aléatoire uniforme fonction.
Et alors nous peut spécifier a Min et Max valeur.
Dans ce cas,
I juste spécifié le minimum de ce colonne,
ce normalement distribué données colonne, et le Max est le maximum.
Et alors enfin, comme I mentionné,
I standardisé le colonne donc que c'était sur le même numérique échelle.
Ce standardiser ce colonne,
standardisé fonctionnalité est commun à tous de ces colonnes.
Maintenant, le dernier chose I vouloir à On peut dire que c'est très rapide.
est, Bien, quoi à propos culminer?
Quoi à propos droite biaisé, et même avec un capital?
Bien, un de le des choses nous peut je le fais, ce que je trouve vraiment génial,
est nous peut utiliser le distribution calculatrice dans JMP
à aide nous comprendre ce que certains distribution types regarder comme.
Je suis juste en allant à aller dans il ici. Je suis en allant à juste conduire vers le bas dans ici.
Je vais partager avec toi le emplacement ici de ce scénario.
C'est en allant à être sous Calculatrice ? Non.
C'est en allant à être Sous distribution.
Générateur.
Distribution calculatrice, sur les calculatrices, Oui.
Comment pourrait I créer a distribution c'est droite biaisé ?
Lequel aléatoire fonction serait I utiliser?
Bien, I avoir le capacité à regarder à certains ces distributions et voir
pour exemple,
si I spécifier a aléatoire F et I spécifiez ces paramètres,
alors Je suis obtenir a distribution avec ce une sorte d'asymétrie.
Et alors I peut dire, Bien,
quoi se produit si I changement ces paramètres a petit peu?
Comment est que en allant à changement le distribution?
I peut utiliser ce aperçu à spécifier les paramètres
pour le distributions aléatoires que I spécifier dans mon données ensemble.
Dans fait, c'est quoi I a fait ici.
Quoi a fait I faire pour le pointu un?
Bien, si I regarder à le T distribution, et I réduire le diplômes de liberté,
Je suis en allant à obtenir a distribution c'est relativement culminer.
Je suis en allant à voir un positif Kurtosis dans que.
C'est un chemin I peut comprendre la forme de ces distributions
donc que I peut les utiliser à mon avantage
à faire différent quoi si analyse dans JMP.
Je suis juste en allant à rapidement aller dos à mon diapositives.
Remercier toi très beaucoup pour écoute.
Si toi avoir n'importe lequel questions,
I regarder avant à recevoir eux sur le utilisateur communauté.
Comme je mentionné, ce projet volonté être publié là,
et le résumé abstrait est publié à ce lien ici.
Remercier Encore toi.
