出色地， 感謝 你 每個人 為了 加入 我。
這 是 a 發現 首腦 2022 推介會，
禮貌 的 我的 聯合主持人， 查爾斯 陳 和 石匠 陳。
我的 姓名 是 派崔克 朱利安。
這 標題 的 這 演講 是，
箱線圖 A 分析： 混合 科學 和 藝術 詢問
在大學 各種各樣的 回覆 表徵。
這裡是 這 抽象的。
你 能 尋找 這 在 這 JMP 使用者 C 社群
在 這 發現 2022 社群 頁，
美國 發現 2022 社群 頁。
我是 推桿 它 這裡 為了 參考。
I 將要 提供 a 關聯 在 這 幻燈片
到 這 社群 頁 在哪裡 這 專案 將要 居住。
是什麼 這 動機 為了 這 專案?
這 箱線圖 是 一 的 這 最多 受歡迎的 圖形 工具
到 視覺化 a 單變數 分配 的 數據。
這 專案 研究 如何 到 使用 這 箱線圖 到 分析 數據 有效地。
最多 人們 世界衛生組織 使用 這 箱線圖 不 使用 它 一定
到 決定 這 形狀 的 這 分配 的 這 數據。
在 事實， 許多 人們 使用 它 錯 到 畫 意思是 或者 意思是 比較 決定，
和 他們 可能 認為 常態 基於 在 對稱，
什麼時候 在 事實， 這 常態 假設
會 實際上 不是 是 合理的 如果 他們 是 到 拿 a 更近 看
在 這 形狀 的 這 數據 在 a 直方圖， 為了 例子。
這 客觀的 的 這 專案 是 到 證明 如何 到 使用 JMP
具體來說 16、 到 解釋 資訊 在 a 箱線圖
和 到 提升 熟練程度
在 a 全球的 社群 的 科學家 和 工程師
那 是 真的 在下面 a DMEIC 或者 APS，
或者 傾斜 類型 六 西格瑪 方法論，
哪個 是 非常 受歡迎的， 明顯地， 今天 和 超過 這 最後的 很少 幾十年。
這 有趣的 事物 關於 這 專案 是 我們 框 它
在 這 情境 的 17 測驗 問題。
這 是 a 問題 和 回答 滑動 甲板。
和 我是 不是 去 到 去 進入 也 很多 細節
關於 每個 和 每一個 問題，
哪個 h I 將要 展示 你 這裡。
但 什麼 ID 喜歡 到 做 是 展示 你 a 小的 位元 關於
如何 你 能 使用 JMP 到 探索 這 回答 到 這些 問題，
因為 I 思考 那就是 真的 這 最多 有趣的 和 樂趣 部分。
這 首先 I 通緝 到 做 是 只是 迅速地 去 超過 什麼 a 箱線圖 是。
所以 什麼 是 這 解剖學 的 a 箱線圖？
只是 作為 a 複習 為了 一些 的 你， 或者 介紹 為了 一些 的 你，
這 中位數 是 表明的 經過 這 中線，
和 它是 指 到 作為 這 第二 四分位數， Q2
或者 這 第50屆 百分位數。
然後 Q1 是 指 到 作為 這 25日 百分位數。
第三季 是 這 第75屆 百分位數 作為 你 能 看 這裡。
這 四分位距 範圍， 或者 四分位數間距 (IQR)
是 這 不同之處 之間 第三季 和 Q1.
這 其他 重要的 元素 是 我們 有 是什麼 稱為
a 鬍鬚 在 這 降低 邊 和 在 這 上 邊。
就在 這 結尾 的 那 鬍鬚， 有時 我們 參考 到 它 作為 柵欄
和 你會 看 a 垂直的 線
和 JMP 平手 a 垂直的 線 到 表明 那 邊緣。
是什麼 重要的 關於 這 是 那 這 地點 是 實際上
Q1減 1.5 時代 這 四分位數間距 (IQR)
哪個 是 代表 經過 這 距離 之間 這 邊緣和這個邊緣。
這一點 和 這 上 柵欄 是
Q3 加一 和 a 一半 時代 這 四分位距。
所以 那 定義 這 上 邊緣。
然後 任何 積分 那 是 超過 這些 邊緣 或者 柵欄
是 經過考慮的 潛在的 異常值。
和 他們 實際上 展示 向上 經過 他們自己 作為 積分
然而 這 休息 的 這 數據 在 這 中間 的 這 直方圖
是 不是 所示 為了 強調 在 這 積分 那 是 超過 這 超過 這些 柵欄。
我是 去 到 跳 正確的 在。
如何 做過 我們 探索 和 發展 這 答案 到 這些 問題，
和 在 一些 案例， 甚至 精煉 這 問題 他們自己？
出色地， 我們 創建 a 模擬 數據 表格 JMP 16、
在哪裡 我們 建造 100 列 的 數據，
和 我們 建造 數據， 首先是 a 普通的 分配，
和 然後 應用 一些 轉型 到 那 數據。
我們 看 那 我們 有 a 通常情況下 分散式 數據
繪製 從 a 人口 這 意思是 的 零 和 a 標準差 的 一。
然後我們 有 均勻地 分散式 數據。
然後 我們 有 數據 那就是 達到頂峰，
那是 有 a 積極的 峰度。
然後 我們 有 數據 那就是 正確的 傾斜的，
有 二 模式，
有 一些 異常值 關於 3 % 在 平均的
和 然後 整數。
在 全部 這 案例， 和 這 例外 的 這 雙峰型，
我們 只是 基於 這 模擬 公式，
在 這 原來的 普通的 柱子。
這 方式 那 我們 放 全部 這 數據 在 這 相同的 規模
是 我們 使用 這 柱子 標準化 功能
所以 那 我們 可以 比較 全部 這 數據
相對的 到 每個 其他 在 這 分配 平台。
這 是 只是 a 預覽 的 那。
患病的 跳 超過 到 JMP 和 展示 你 那。
但 再次， 全部 的 這 數據 是 居中 平均而言 大約 零
和 a 標準 偏差， 大約 一。
我們 涵蓋 這 第一個問題。
為什麼我 s a 箱線圖 有時 指 到 作為 a 五- 觀點 陰謀？
出色地， 那裡 是 五 主要的 積分 .
有 Q1， 有 Q2 在 這 中間， 有 Q3，
和 然後 那裡 是 這 鬍鬚， 這 上 和 降低 .
下一個 問題。
什麼 是 這 二 方式 那 這 箱線圖 能 決定
何 那裡 分配 是 有偏差嗎？
出色地， 我們 能 看 在 這 寬度 的 這 盒子 本身。
我們 能 也 看 在 這 寬度 的 這 鬍鬚。
在 這 正確的 傾斜 例子，
你 能 看 那 上 鬍鬚 是 很多 更長 比 這 降低 一。
所以 那 會 意味著 那 這 數據 是 正確的 有偏差。
在 其他 字， 那 這 尾巴 在 這 數據，
如果 你 是 到 想像 那 分配， 是 指向 到 這 正確的。
第三，為什麼 做 這 箱線圖包括 這 中位數 和 不是 這 意思是？
出色地， a 箱線圖 用途 這 中位數 到 決定 或者 測量 偏度。
所以 如果 這 分配 是 普通的， 然後 這 意思是 是 平等的 到 這 中位數。
和 在 事實， 什麼 你 會 看 這裡 是 那 這 中位數 線 在 這 中間
會 線 向上 確切地 和 這 邊緣 的 這 鑽石，
這 中間 的 這 鑽石。
在 那 案件， 你 會 有效地 有 a 情況
在哪裡 你是 不是 真的 輸 任何 資訊
因為 這 分佈是對稱的。
這 中位數 在 一般的， 然後 可能 是 經過考慮的 更好的，
不管 的 無論 這 分配 是 普通的 或者 非正常。
第四， 為什麼 是 這 盒子 陰謀 這 最多 強大的 視覺化 工具，
或者 一 的 這 最多 強大的 工具 到 分離 偏度 和 異常值 有問題嗎？
什麼時候 我們 談話 關於 這 主意 那 因為 這 箱線圖 用途
這 Q1 減 一 和 一半 時代 四分位距
和 Q3 加一 和 a 一半 時代 四分位距 方法論，
它 真的 允許 我們 到 分離 潛在的 異常值 從 這 主要的 數據。
它 也 給予 我們 a 框架
經過 哪個 到 法官 無論 這 上 鬍鬚
是 更大的 或者 較小的 比 a 降低 鬍鬚。
所以 那些 二 成分 的 這 陰謀
真的 幫助 我們， 相當， 看 如果 是 受過訓練 偏度
和 潛在的 邊遠 這。
這是 a 獨特的 特徵 的 這 箱線圖。
這 第五個問題 是 a 小的 更多的 有趣的。
是什麼 這 關係 之間 這 四分位距 範圍，
那 距離 之間 Q1 和 Q3，
和 這 標準 偏差， 哪個 我們 能 計算 為了 任何 數據 放，
不管 的 如何 它是 分佈式？
如果 這 數據 是 普通的，
什麼 關於 如果 這 數據 是 傾斜 或者 非正常 或者 巔峰
或者 任何 其他 形狀？
出色地， 我們 知道， 基於 在 理論，
那 這 比率 的 這 四分位數間距 (IQR) 標準差
是 1.35 為了 普通的 數據。
什麼 會 那 比率 看 喜歡 如果 這 數據 不是 普通的？
出色地， 我們 能 探索 那 在 JMP，
和 我是 去 到 展示 你 那 真的 迅速地。
這裡是 這 數據 放。
我是 也 去 到 郵政 這 在 這 社群 .
這 首先 我是 去 到 做 是 去 前方 和 展示 你
如何 I 得到 到 a 視覺的 狀態
在哪裡 我們 能 看 全部 這 箱線圖 一起，
沒有 這 分佈。
這 是 有趣的，
但 我是 去 到 去 前方 和 開始 從 這 開始。
我是 去 到 分析 分配。
我要 展示 你 如何 I 得到 那裡。
我是 實際上 去 到 點選 一切，
和 JMP 是 去 到 給 我 a 直方圖 和 a 箱線圖 一起。
A t 這 結尾 的 這 推介會，
是 去 到 總結 為什麼 那就是 重要的。
但 什麼 我是 去 到 做 這裡 是 我是 去 到 去 前方 和 轉動 離開 這 直方圖，
I 能 去 前方 和 客製化 這 寬度 這裡 的 這 線條。
I 能 複製 這 客製化 超過，
哪個 是 真的 好的。
我是 去 到 抓住 向下 這 控制 鑰匙 因為 我是 在 a 個人電腦。
我是 去 到 正確的 點選
和 然後 我是 去 到 打 編輯， 副本，P 這 C 客製化，
和 那就是 去 到 帶來 他們 全部 超過。
我是 實際上 去 到 抓住 向下 這 控制 鑰匙 再次 和 調整大小 這
所以我 能 調整大小 他們 全部 一起。
現在 我是 去 到 最小化 這 分位數 部分，
因為 我是 去 到 得到 這 資訊 那 I 需要
從 這 概括 統計數據 部分。
I 實際上 有 這 四分位距 和 a 標準 偏差 所示 這裡。
A 雖然 I 可以 客製化 這， 任何一個 這裡 或者 在 這 特性，
哪個 I 能 使用權 在下面 文件， 偏好 和 在下面 這 分配 平台 團體。
什麼 我是 去 到 做 是 我是 實際上 去 到 製作
這 資訊 進入 a 數據 桌子
和 我是 去 到 正確的- 點選 和 選擇， 製作 合併 數據 桌子 到 做 那。
現在 I 僅有的 需要 這 四分位距 以及 標準 偏差。
我是 真的 僅有的 有興趣的 在 那。
所以 我是 實際上 去 到 選擇， 一 的 這 標準 偏差，
一 的 這 四分位距。
我是 去 到 移動 我的 游標 超過 這裡
和 選擇 匹配 在 全部 的 這 列
那 有 這些 值 在 他們。
我是 去 到 去 前方 和 倒置 這 選擇，
刪除 這 列 那 I 不 想，
和 我是 左邊 和 這。
現在 我是 只是 去 到 去 前方 和 重組 這 數據
所以 那 I 能 計算 這 比率 的 這 四分位距 到 這 標準 偏差。
所以 我是 只是 去 到 使用 桌子 分裂 為了 那。
我是 去 到 去 前方 和 分裂 經過 第一列
放 柱子 2 在 這裡， 放 這些 在 a 團體。
我要去 到 點選 好的。
I 有 這 數據 如何 I 想。
這 演出 我 從 哪個 分配
這些統計數據 來了 從，
我是 去 到 去 前方 和 做 a 新的 方程式C 列， 結合， 比率。
那裡 你 去。
這 看起來 a 小的 位元 難的 到 解釋 為了 我。
我是 去 到 去 前方 和 改變 它 所以 那 I 能 僅有的 看 二 小數。
我已經 得到 數位 哪個 是 非常 相似的，
它 應該 是， 反正， 非常 相似的 到 什麼 I 有 在 這 滑到這裡
詳細說明 這 比率 的 這 四分位距 到 這 標準 偏差。
當然， 它們是 去 到 是 不同的 因為 有 取樣 錯誤。
這 桌子 是 僅有的 一 取樣 實驗。
但 這 是 如何 I 能 迅速地
和 互動式 提煉 這 資訊
和 真的 理解， 什麼 做 這 比率 看 喜歡
如果 我的 數據 是 不是 普通的 在 a 特別的 方式？
我們 能 看 這裡， 那 這 值 那 趨向 到 是 降低
在 這 頂峰 分配 的 這 一 和 異常值，
這 值 那 趨向 到 是 更高 比 這 典型的
或者 這 預期的 理論 1、3、5 普通的，
是 去 到 是 這 制服， 這 正確的 傾斜 並且是雙峰的。
下一個 問題， 是什麼 這 理想的 異常值 百分比
如果 這 分配 是 完美 普通的？
出色地， 它 轉彎 出去 那 如果 我們 看 在 這 教科書 或者 減少 模擬，
在 平均的， 我們 應該 看 關於 0.7% 的 這 積分 超過 這 柵欄，
在 a 普通的 分配，
或者 在 至少 也許 不是 超過 這 柵欄， 但 如果 我們 是 到 做 a 控制 圖表，
我們 會 當然 看 關於，
哪個 是 在下面 這 假設 的 常態。
為了 例子，
如果 我們 是 到 做 一個 個人 移動 範圍 圖表， 我們 會 看 大約 0.7%
的 這 積分 在 平均的 存在 外部 這 限制。
雖然 為了 實際的 目的
我們 可以 大概 說，
如果 我們 鋸 關於 3 % 或者 較少的 的 這 分配 超過 這 限制，
我們 會 考慮 它 大約 普通的。
為什麼 是 那 問題 重要的？
出色地， 我們 能 使用 這 部分 的 這 積分 超過 這 柵欄
在 a 箱線圖 什麼時候 這 樣本 尺寸 是 小的
到 決定 無論 或者 不是 我們 有 一些 證據 的 常態
在 這 基礎 的 異常值。
雖然 如果 我們的 樣本 尺寸 是 也 大的，
然後 是 去 到 看 很多 和 很多 的 積分 超過 那些 柵欄。
所以 它是 真的 重要的 那 我們 考慮 a " 合理的 樣本 尺寸。 」
和 那就是 部分 的 這 原因 為什麼 我們 僅有的 經過考慮的 100 列 在 我們的 專案.
下一個 問題， 是什麼 這 不同之處 之間
a 四分位數 範圍 和 a 分位數 範圍 箱線圖？
出色地， 在 a 實際的 情境, 反正， 我們 能 演講 關於
這 探索異常值 公用事業 在 JMP 16、
哪個 a 允許 我們 到 調整 這 問，
哪個 是 這 乘數 在 這 四分位距
和 這 尾巴 分位數，
哪個 是 本質上 如何 這 數據 是 分割 向上。
我們 能 客製化 那 範圍。
我是 只是 去 到 展示 你 什麼 那 看起來 喜歡 真實的 迅速地。
我是 去 到 去 進入 分析，
我是 去 到 去 到 篩檢，
探索 異常值。
我是 去 到 做 這 在 我的 生的 數據。
我是 實際上 去 到 關閉 這。
我是 去 到 去 後退 到 這 生的 數據 桌子。
患病的 只是 挑選 a 夫妻 的 這些。
患病的 實際上 挑選 這 一個 那 I 有 在 我的 幻燈片 到 頂峰 在 這 異常值。
我是 去 到 去 前方 和 使用 這 分位數 範圍 異常值。
我是 去 到 調整 這 到 什麼 這 箱線圖使用量：0.25 和 1.5.
我是 去 到 點選 重新掃描
和 JMP即將 確認 潛在的 異常值 這裡。
如何 做 這 連接 到 這 分配 平台？
出色地， 如果 我們 去 超過 這裡，
我們 看 在 這，
什麼 是 去 到 看，
是 那裡 是 a 數位 的 異常值 這裡。
我是 實際上 去 到 選擇 這 行，
我是 去 到 去 超過 這裡。
出色地， 它 和 瞧， 它是 這些 價值觀。
所以 你 得到 1、2、3、4、5、6、7。
有 七 異常值。
1、2、3、4、5、6、7。
那 方塊 向上。
那是 確切地 什麼 我們 會 預計。
相似地， 我們已經 得到 1、2、3、4、
和 如果 我們 捲動 超過 這裡， 和 在下面 這 異常值，
看 如果我們已經結束了 這裡 是 到 四、
偉大的。
去 後退 到 這 幻燈片 這裡， 我們 能 客製化 這 .
和 那就是 實際上 什麼 我們 得到 進入 在 隨後的 問題 10.
如何 做 我們 決定 無論 異常值 是 邊緣 或者 極端？
出色地， 和 為什麼 是 它 重要的？
出色地， 我們 能 調整 這 敏感度
的 這 異常值 偵測 基於 在 這 乘數 在 這 四分位距
儘管 保持 這 尾巴 分位數 這 相同的。
你 可能 直覺上 預計
那 如果 你 是 到 拿 Q₃ 加一個 更大的 數位 時代 這 四分位數間距 (IQR)
它是 去 到 延長 這 鬍鬚 長度 同樣地， 在 這 降低 邊。
那是 去 到 意思是 那 更多的 積分 是 去 到 落下 裡面。
所以 較少的 異常值 會 是 已檢測到。
我們 應該 是 有能力的 到 看 那 和 測試 那 在 JMP 中。
所以 如果 I 是 到 增加 這 到 二 和 點選 重新掃描，
我們 看 a 很少 異常值 變得 部分 的 這 箱線圖
或者 我們 能 想像 a 情況 在哪裡 那就是 這 案件。
患病的 增加 這 到 三，
患病的 打 關於 掃描
我們 看 更少 異常值 存在 已識別 仍然。
A s I 去 向上 到 Q 等於 五，
現在 I 僅有的 有 一 異常值 檢測到 在 這 頂峰 柱子 的 數據。
所以 這 主意 這裡 是 那 我們 能 發展 標準 為了 問， 為了 例子，
我們 可能 位於 它 和 三， 情況 在哪裡 數據 可能 是 經過考慮的
a 印刷 錯誤， 在哪裡 它 可能 是 一個 極端 或者 更極端的異常值。
我們 可能 放 Q 平等的 例如，1.5 如果
我們認為潛在的異常值 可能 是 聯繫 和 變異性
由於 這 測量 系統 或特殊 過程 變化。
我們 能 做 一些 模擬 基於 我們的 應用
並決定什麼 價值 的 Q 應該在 這些 特別的 場景。
連接 和 那， 在 問題 10、
我們 感動 a 小的 位元 在 GRR 或者 測量 系統 變異性。
問題 8 會談 a 小的 簡單介紹一下，
它走了 a 小的 位元 更深 進入 這 和 帶來 一起 一些 想法。
這 主意 這裡 是 那 我們 或許真的會考慮
這 距離 之間 這 上 柵欄 和 這 第一個異常值
或者 這 第一潛力 異常值 系列 的 異常值。
我們 可能 延長 那 上 柵欄 經過 a 距離 的 西格瑪的兩倍
到期的 到 這 測量 系統 變異性。
在 這 某種程度上，我們正在考慮
這 變異性 由於 這 測量 系統。
和 是 問 我們自己， 是 這 潛在的 價值
之內 這 噪音 的 這 測量 系統 或者 不是？
是 創建 a 圖形 方式，一種混合圖形手段
的 確定 無論 這 價值 是 合理的
在 期待 是的 t 有測量 系統 變異性。
I 有 這裡 這 距離 之間 這 邊緣 離群值和須線
應該 是 比較的 到 這 GRR 噪音 標準 偏差。
如果 它是 之內 二 標準 偏差， 我們 不 有 95 % 信心
綜上所述 邊緣 異常值 不同 從 這 鬍鬚。
這 是 只是 a 圖形 版本 的 a 一- 樣本 T- 測試 在 影響。
我們 可以 實際上 構造 a 一- 樣本 T- 測試
以這條紅線為我們的 目標 和 這 觀察到 價值，
或者 相當 假定 系列 的 數值，這個黑點，
作為 我們的 分配 相對的 到 那 目標。
這 下一個 問題， 如何 許多 積分 我們 需要 真的 到 生產 a 箱線圖
如果 是 樣本 尺寸 有限的？
出色地， 我們 可能 需要 在 至少 七 積分，
以及我們的模擬 在 這 特別的 取樣 實驗 演出 那。
是什麼 發生 這裡？
出色地， 每個 的 這些 三 數據 套 有 這 相同的 中位數。
你 能 看 在 這 數據 放， 那裡 是 六 觀察結果。
在 這 一 那裡 是 七， 和 然後 這 一 那裡 是 八。
我們開始吧 開始 在 這 左邊， 實際上，
和 我們 有 八 觀察結果， 一 出去 這裡 大約 15.
什麼 如果 我們 減少 這 觀測次數最多為七次
和 我們 實際上 包括 這 我也觀察到了同樣的情況。
但 我們 減少 一 的 這 其他的？
什麼 如果 我們 減少 它 更遠 儘管 保持 這 相同的 中位數？
然後 什麼 我們 看 是 那 這個異常值 15，
哪個 是 仍然 在 這 數據 放， 不 更長 變成 一個 異常值。
在 本質， 它 變成 吸收 進入鬍鬚 本身。
這 其他 事物 那就是 有趣的 關於這個簡單的實驗，
是 那 這 四分位距 變成 當我們從七個減少到六個時，就會出現膨脹。
我們 能 看 那 視覺上 那
從 Q1 到 Q3 的這個盒子的寬度 變成 很多 更寬。
我們 能 也 看 那 數值上 這裡。
I 實際上 想 到 展示 你 如何 我們 可能 探索 那 在 JMP。
這裡是 一些 數據。
它是 不是 這 相同的 數據， 但 這裡是 一些 數據。
I 只是 創建 a 柱子 那 排名 這 數據。
A 獲得， I 只是 使用 一個 立即的 柱子 公式。
I 能 做 那 經過 選擇 這些選項之一，
所以 I 相信 它是 在下面 分佈。
現在， 什麼 我是 去 到 做 我要走了 到 去 前方 和 只是 鐘 這 數據。
我是 去 到 轉動 這 直方圖 在 它是 邊。
我是 實際上 去 到 呼叫 這 本地資料過濾器。
我是 去 到 帶來 在 那 秩 柱子 那 我是 去 到 先改為序數形式，
所以 那 I 能 選擇 數據 單獨
相當 比 在下面 這 假設 的 這 連續的 分配。
我是 去 到 選擇 一切。
現在， 我們來吧 看， 如果 I 去 後退 到 這 數據 桌子，
I 知道 那 8 代表 這 最高， 這 最大 價值。
患病的 保持 8 在 那裡，
和 患病的 只是 開始 減少 一些 的 較低的值
經過 保持 向下 我的 控制 鑰匙 和 點選 那，
哪個 將要 有效地 消除 那 觀點 動態 從 這 分析。
I 得到 這 控制 鑰匙 向下 和 點選 再次， 點擊再點擊一次。
你 鋸 它 那裡， 低端那個異常值，
反正， 在 這 案件， 只是 消失了。
有 a 關係 之中 這 距離 在 柵欄 和 這 積分，
哪個 是 計算 在 這 基礎 的 這 數據
其中中位數和四分位數 是 計算
基於 在 這 數據 那就是 在 這 分析。
這 給予 你 a 更好的 方法 的 欣賞 如何 這 箱線圖
正在發生變化 a 功能 的 數據 那要么 在 或者 出去 的 這 分析。
這 是 a 真的 極佳的 涼爽的 特徵
我真的 喜歡 到 使用 a 很多 在 許多 背景。
是什麼 這 優勢 穩健擬合異常值 演算法,
哪個 是 a JMP 16 演算法?
它 給予 我們 其他 方法 的 偵測 偏遠地區 .
我們 有 這 能力 到 使用 a 柯西 方法
哪個 常 避免 這 偏度的影響
哪個 能 是 有用 為了 實際的 情況。
我們 能 也 使用 a 3秒 愛 或 K-sigma 乘數
在 命令 到 幫助 探測 偏遠地區 .
全部 的 這些 方法 真的 幫助 我們
區分潛在異常值和真實異常值
和 幫助 我們 創造 a 合理的 信號檢測和 方法論
類似地，我們可能 做 如果 我們 是 到 使用 控制 圖表
並建構控製圖 限制
為了 我們的 特別的 實驗 或者 製造業 應用。
13. 能 我們 包括 這 樣本 尺寸 資訊 在 這 盒子 陰謀？
嗯，這個 是 在哪裡 這 盒子 陰謀 開始 到 展示 a 清除 局限性。
那裡 不是 任何 樣本 尺寸 資訊 明確地 在 這 箱線圖。
A 雖然， 我們 做 有 這 圖表建構能力
創建缺口箱線圖， 哪個 給予 你 某物
就像 信心 間隔 在 這 中位數，
這 邊緣 表明 a 信心 間隔 在 中位數。
我們 也 有 這 能力 在 圖形 建構器呼叫標題框
這是一個非常有用的 特徵 為了 總結 的 數據
圖形化 沒有 需要 到 提供 一個 額外的 表格 數據 輸出。
但 的 課程， 那 資訊 是 完全地 隱 到 這 箱線圖 本身。
已連接 到 那 是， 能 我們 製作 任何 決定
任何級別的 統計 信心 如果 是 只是 尋找 在 這 箱線圖？
這 回答 是 不。
在 這 特別的 例如，我們實際上設計了它
所以 這 中位數 是 輕微地 不同的 在 平均的。
和 所以 是 獲得 一些 分離 之中 這 中位數 之間 這 團體。
我們 用過的 到 合身 Y X 在 這 情境.
什麼 這 演出 是 那 這 意思是 [聽不清楚 00:29:27]
代表 意思是， 平均鑽石 是 非 重疊。
它 看起來 喜歡 全部 穿過 全部 比較四組數據，
哪個 表示 那 有 一些證據
那 有 a 不同之處 在 這 方法 之間 這 團體。
我們 能 也 看 這 不同之處 在 這 中位數。
我們 能 做 a 非 參數 測試。
在 這 案件， 是 使用 a 非 帶控制的參數化鋼材試驗
在哪裡 這 控制 是 只是 這 Z 普通的。
是 看到 一些 分居的證據
統計 分離 之中 這 在本例中，中位數。
它是 難的 為了 我們 到 探測 那 和 在箱線圖中可以看到這一點。
在 事實， 它 真的 不是 那 清除 在 全部。
如何 能 我們 告訴 如果 我們 有 任何 憂慮 和 尊重 到 庫爾特 學生會 ?
是什麼 峰度？
峰度是 基本上 這 主意 那 如果它是一個 積極的 峰度，
你 會 有 數據 那就是 集中 在 這 中間，
你的 數據 那就是 被壓扁了 一起 進入 這 中間 的 這 分配。
那是 這 例子 在 這 正確的。
如果 你 有 一個 理想化的 案件 極度負面 峰度，
你會 有 a 制服 分配 在哪裡 這 數據 是 真的 傳播 出去。
什麼 你 能 看 在 這些 圖表 相對的 到 這 普通的 分配，
是 那 這 50 % 稠密 區， 表明的 經過 這 紅色的 酒吧，
是 基本上 關於 作為 長的 作為 之間的距離 Q1 和 第三季 這裡，
但 它是 在 一 邊 的 這 中位數，
在 一 邊 的 這 中位數 和 這 制服 案件。
它是 關於 作為 長的 作為 這 盒子 寬度 然後 它是 也 在 一 邊 的 這 中位數。
那是 a 獨特的 特徵 特徵 的 這 制服 分配 形狀。
如果 我們 看 在 這 頂峰 情況，
我們 看 那 這 盒子 寬度 很多 更多的 壓縮
以及最短的半寬度 也 差不多 這 盒子寬度
最短的一半是 最多 稠密 地區 相當 作為 居中 關於 這 中位數。
那是 相似的 到 什麼 你 會 以常態分佈的情況為例，
在哪裡 這 50 % 稠密 地區 將要 是 以中心為準
在 這 意思是 或者 這 中位數 和 關於 這 相同的 寬度 作為 這 盒子。
清楚地， 這 差異化因素 這裡 就是 這 距離 是 減少 相當 a 位元.
真的 這 外賣 這裡， 儘管，
是 那 這 類型 的 解釋 是 真的 難的。
和 它 會 是 更輕鬆 為了 我們 依靠 這 直方圖所顯示的形狀
比 到 嘗試 到 看 在 這 箱線圖 分別地。
問題 16 是 非常 與 15 類似。
什麼 關於 在 這 情境 的 數據 那 有 更多的 比 一 模式？
什麼 關於 a 雙峰 分配？
出色地， I 只是 採取 這 箱線圖 和 拉 他們 向左看，
它們是 從 這 圖片 在 這 正確的。
我們 不能 真的 看 a 所有的 很多 的 不同之處 之中 這些。
它是 難的 為了 我們 到 解釋 這。
但 一次 我們 放 這 從直方圖中我們可以看到 清楚地 如果 我們 合身 a 二- 峰值分佈
那 有 二 模式 在 這 數據， 和 有 或許 一 模式，
或許 a 小的 模式， 但 真的 本質上 一 模式 在 這 數據 在 這 左邊。
這 箱線圖 不是 特別好
在 偵測 那 在場 的 多種的 模式。
這 最後的 問題 是， 如何 許多 “正常性違背失效模式”
能 我們 探測 和 這 箱線圖？
這 問題 帶來 全部 這 其他 一個 一起。
出色地， 如果 我們 有 偏度
我們已經 所示 那 我們 有 a 強的 能力 到 探測 那。
如果 我們 有 潛在的 異常值，
我們 確實 有 a 強的 能力 到 探測 那。
如果 我們 有 峰度，
哪個 是 真的 有關的 到 這 形狀 照這樣 如果 那裡 是 多種的 模式，
然後 我們 真的 不 有 a 強的 能力 到 探測 那。
如果 是 考慮 假設 測試，
我們絕對沒有 能力 偵測 任何一個 和 這 箱線圖。
是什麼 這 重點是什麼？
出色地， 這 箱線圖 是 絕對是一款強大的視覺化工具。
它是 a 偉大的 引言 工具，
而且它 有 a 精彩的 能力 到 分離偏度
從 潛在的 邊遠 性。
但 它 有 它是 局限性。
在 案例 在哪裡 是 尋找 在 峰度 形狀 或者 a 雙峰性
或多模態， 這 直方圖 是 確實 a 更好的 選擇。
那是 真的 大概 為什麼 JMP 同時使用直方圖和箱型圖。
在 這 分配 用於視覺化資料行為方式的平台，
如果 你 將要。
的 課程， 添加 描述性的 統計數據
真的對我們有幫助 圓形的 向上 這 圖片 我們 有 a 圖形 第一種方法。
這 是 只是， 再次， a 總結 的 什麼 我們已經 已討論。
但是 最後的 夫妻 的 分鐘，
I 只是 想 到 展示 你 a 夫妻 更多的 事物 關於 這 數據 放 本身。
因為 I 思考 這 是 也許 這 最多 有用 方面 的 這 專案.
如何 可能 我們 放 向上 a 數據 放 喜歡 這？
全部 我們 真的 有 到 做 到 模擬 JMP 中的數據
是 只是 創造 一些 列 然後創建 a 功能，
隨機 普通的 功能。
這 過程 那 我們 確實，以一種方式 你 可以 做 這 是 你 可以說，
好的， 你 能 去 進入 a 柱子 公式…
讓我 只是 展示 你 這。
你 能 只是 雙倍的- 點選 進入 它， 和 你 能 點選 公式，
你 能 編輯 這 公式。
你 能 去 超過 這裡 到 這些 隨機函數，
你 能 點選 它 在， 和 然後 你 能 指定 a 人口 以 Sigma 為單位的平均值。
零 和 一 經過 預設, 點選 好的， 和 然後 I 能 添加 a 束 的 行。
患病的 去 前方 和 添加 100 行。
什麼 關於 這些 其他 分佈情況？
制服 分佈情況是， 我們 能 使用 這 隨機的 制服 功能。
和 然後 我們 能 指定 a 敏感 和 最大限度 價值。
在 這 案件，
I 只是 指定的 這 最低限度 這 柱子，
這 通常情況下 分散式 數據 柱子， 和 這 馬克斯是 這 最大限度。
和 然後 最後， 作為 I 提及，
I 標準化 這 柱子 所以 那 那是 在 這 相同的 數位 規模。
這 標準化 這 柱子，
標準化 特徵 是 常見的 到 全部 的 這些 列。
現在， 這 最後的 事物 I 想 到 談快節奏
是， 出色地， 什麼 關於 頂峰？
什麼 關於 正確的 傾斜的， 和 甚至 與一個 首都？
出色地， 一 的 這 事物 我們 能 這樣做，我覺得真的很酷。
是 我們 能 使用 這 分配 JMP 中的計算器
到 幫助 我們 理解 某些 分配 類型 看 喜歡。
我是 只是 去 到 去 進入 它 這裡。 我是 去 到 只是 駕駛 向下 在 這裡。
患病的 分享 和 你 這 地點 這裡 的 這 腳本。
它是 去 到 是 在下面 計算機.不是。
它是 去 到 是 分銷類別。
發電機。
分配 計算機, 在計算機上， 是的。
如何 可能 I 創造 a 分配 那就是 正確的 有偏差嗎？
哪個 隨機的 功能 會 I 使用？
出色地， I 有 這 能力 到 看 在某些 這些 分佈情況及詳情
為了 例子，
如果 I 指定 a 隨機的 F 和 I 請指定這些參數。
然後 我是 獲得 a 分配 和 這 某種程度的偏差。
和 然後 I 能 說， 出色地，
什麼 發生 如果 I 改變 這些 參數 a 小的 位元?
如何 是 那 去 到 改變 這 分配？
I 能 使用 這 洞察力 到 指定參數
為了 這 隨機分佈 那 I 指定 在 我的 數據 放。
在 事實， 那就是 什麼 I 做過 這裡。
什麼 做過 I 做 為了 這 巔峰 一？
出色地， 如果 I 看 在 這 T 分配， 和 I 減少 這 學位 的 自由，
我是 去 到 得到 a 分配 那就是 相對地 頂峰。
我是 去 到 看到 積極的 峰度 在 那。
那是 一 方式 I 能 理解 這些分佈的形狀
所以 那 I 能 利用它們來為自己謀利
到 做 不同的 什麼 如果 分析 在 JMP 中。
我是 只是 去 到 迅速地 去 後退 到 我的 幻燈片。
感謝 你 非常 很多 為了 正在聽。
如果 你 有 任何 問題，
I 看 向前 到 接收 他們 在 這 使用者 社區。
因為我 提及， 這 專案 將要 是 發布 那裡，
和 這 概括 抽象的 已發布 在 這 關聯 這裡。
感謝 又是你。
