758526_fr-FR

liliconcom

Modernisation de la plateforme de distribution (2020-US-30MP-536)

Tonya Mauldin, testeuse principale de logiciels d'analyse, SAS

La distribution est l'une des plateformes les plus utilisées dans JMP. Elle existe depuis la première version de JMP. Elle est utile pour de nombreuses tâches, notamment l'exploration de données, l'analyse de capabilité et, bien sûr, pour tester la distribution la plus adaptée à vos données. La version 15 introduit une plateforme de distribution modernisée. Cette présentation aborde les modifications apportées à la plateforme de distribution dans la version 15 de JMP.

Transcription générée automatiquement...

Conférencier	Transcription
tabac	La modernisation de la plateforme de distribution. Je m'appelle Tonya Mauldin et je suis testeuse pour la distribution.
	Pour cette présentation, j'utiliserai la version 15.2 de JMP.
	La distribution est l'une des plateformes les plus utilisées dans JMP. Elle permet non seulement de tester la distribution la plus adaptée à vos données, mais aussi d'explorer les données, d'analyser les capacités et bien plus encore. JMP 15 modernise cette plateforme fréquemment utilisée.
	Pourquoi avons-nous décidé de mettre à jour cette plateforme ? La distribution existe depuis la première version de JMP. Il était temps de moderniser cette plateforme. Nous y sommes parvenus en améliorant la fluidité et en lui offrant une interface plus épurée.
	rendre le produit plus cohérent et plus facile à entretenir.
	La distribution des ajusteurs utilise désormais le même code que la régression généralisée. L'analyse de capabilité utilise désormais le même code que la capabilité des processus.
	la distribution binomiale négative qui est équivalente à la loi gamma de Poisson,
	la distribution de Cauchy, la loi de Poisson gonflée à zéro et la loi binomiale négative ZI.
	Les ajustements Johnson sont désormais une commande unique qui sélectionne la meilleure distribution d'ajustement à partir du système de distribution Johnson.
	Il s’agit de la même méthode, la correspondance quantile, qui est utilisée dans la plateforme de capacité de processus.
	Cette méthode est plus stable et plus rapide que la vraisemblance maximale.
	Les utilisateurs ont désormais la possibilité de saisir le paramètre de bande passante spécifique pour chaque courbe d'ajustement lisse.
	Des erreurs standard ont été ajoutées pour la distribution SHASH.
	Utilisons JMP pour étudier certains d’entre eux.
	Les retards des compagnies aériennes font partie des exemples de données fournis avec JMP.
	Effectuons une analyse de distribution sur la colonne Arrival Delay et ajustons une distribution de Johnson.
	Notez qu'au lieu de voir les trois différents ajusteurs de Johnson, il existe une option appelée « ajuster Johnson ». Après avoir choisi cette option, nous constatons que la distribution SU de Johnson est la plus adaptée à ces données.
	Ajoutons également un ajustement de courbe lisse à ce rapport.
	Avant JMP 15, la seule façon de contrôler le paramètre de bande passante pour la densité non paramétrique était via un curseur.
	Il existe désormais une option permettant de spécifier une valeur spécifique pour le paramètre de bande passante dans l'interface utilisateur ainsi que via JSL.
	Outre la comparaison, JMP a également modifié la méthode de comparaison des ajustements. Chaque ajustement sélectionné est ajouté à un rapport de comparaison des distributions.
	Dans les versions précédentes de JMP, vous n'obteniez qu'un rapport de comparaison des distributions lorsque vous utilisiez l'option Tout sous les ajustements continus.
	Le poids AICc et le BIC ont été ajoutés à ce rapport pour le rendre plus cohérent avec d'autres plateformes dans JMP.
	La légende de l'histogramme a été supprimée du rapport. Ces informations sont désormais incluses dans le rapport de comparaison des distributions, qui apparaît toujours directement sous l'histogramme.
	Des tracés CDF superposés ont également été ajoutés au rapport.
	Regardons quelques-uns d’entre eux dans JMP.
	Ce tableau de données Rondelles est fourni dans les données d'exemple fournies avec JMP.
	Réalisons une analyse de distribution sur la colonne #défectueuse.
	Puisqu'il s'agit de données de comptage, ajustons le binôme négatif. Il s'agit d'un nouvel ajustement pour JMP 15. Il est équivalent à l'ajustement gamma de Poisson.
	Le rapport de comparaison des distributions a été ajouté automatiquement.
	Ajustons également la distribution binomiale négative ZI pour voir comment elle se compare.
	N'oubliez pas que le binôme négatif gonflé à zéro était également un nouvel ajusteur disponible dans JMP 15.
	Des informations sur cet ajustement ont également été ajoutées au rapport de comparaison des distributions.
	Vous remarquerez également quelques changements dans le rapport de distribution de comparaison lui-même.
	Le poids AICc corrigé et pondéré, le critère d'information d'Akaike et le critère d'information bayésien BIC ont été ajoutés à ce rapport.
	Ces statistiques étaient déjà disponibles dans d'autres parties de JMP, comme la comparaison de modèles. Elles ont été ajoutées à la plateforme de distribution pour améliorer la cohérence de JMP.
	Notez que le rapport de comparaison des distributions apparaît toujours directement sous l’histogramme.
	Cela nous a donné la possibilité de supprimer la légende qui apparaissait auparavant sous les histogrammes.
	Ces informations sont désormais contenues dans les rapports de comparaison des distributions.
	Nous constatons que la ligne verte correspond à l'ajustement binomial négatif, la ligne bleue à l'ajustement binomial négatif ZI.
	Les courbes CDF ont également changé. À mesure que des ajustements sont ajoutés, les CDF des distributions ajustées se superposent aux CDF empiriques.
	Nous voyons que les lignes vertes et bleues suivent de près les CDF empiriques pour cet exemple.
	L'histogramme montre que les lignes vertes et bleues suivent de près les données. Dans un rapport de comparaison de distributions,
	La distribution binomiale négative apparaît en premier, car sa valeur AICc est plus faible, ce qui indique un meilleur ajustement. Si nous souhaitons utiliser l'Ic plutôt que l'AICc comme critère d'ajustement optimal, il suffit de cliquer sur l'en-tête de la colonne pour effectuer le tri.
	Un élément utile, mais peut-être moins évident, est la possibilité de supprimer complètement un ajustement de la fenêtre de rapport en double-cliquant sur son nom dans la section Comparer la distribution. Ici, j'ai double-cliqué sur la fonction binomiale négative ZI pour la supprimer du rapport.
	Diagrammes QQ et PP. Le diagramme quantile-quantile montre la relation entre les observations et les quantiles obtenus à partir des paramètres estimés.
	Le graphique percentile-percentile montre la relation entre la fonction de distribution cumulative empirique et les CDF ajustées obtenues à l'aide des paramètres estimés.
	Deux profileurs ont été ajoutés. Le profileur de distribution est le profileur de prédiction de la fonction de distribution cumulative.
	Le profileur quantile est le profileur de prédiction de la fonction quantile.
	enregistrer la formule de distribution et enregistrer la formule de simulation.
	Les tests d'ajustement ont été standardisés pour utiliser les tests du khi-deux d'Anderson-Darling et de Pearson. Le test du khi-deux de Pearson a amélioré les créations de ???. Depuis la version 15 de JMP, nous satisfaisons désormais à la règle empirique selon laquelle il y a au moins cinq observations attendues dans chaque ???.
	Examinons quelques-uns de ces graphiques dans JMP. Dans le rapport précédent sur les rondelles, sélectionnez les graphiques QQ et PP.
	Pour chacun de ces graphiques, nous cherchons à déterminer la proximité des points par rapport à la ligne de référence. Plus les points sont proches de la ligne de référence, meilleur est l'ajustement.
	Ajoutez les profileurs de distribution et de quantile au rapport.
	Si les données suivent la distribution binomiale négative, la probabilité d’avoir quatre défectueux ou moins est de 84 %.
	Comme avec d’autres profileurs dans JMP, vous pouvez modifier les paramètres d’entrée pour voir quel effet cela aura sur la probabilité.
	Le profileur de quantile fonctionne de manière similaire, ce qui montre la relation entre la probabilité et le quantile binomial négatif.
	Une autre nouvelle option est la formule de simulation de sauvegarde.
	Cette option enregistre une nouvelle colonne dans la table de données qui contient une formule qui génère des valeurs simulées à l'aide des paramètres estimés.
	Cette colonne peut être utilisée dans l'utilitaire de simulation ainsi que dans d'autres parties de JMP.
	Bien que nous traitions des données discrètes, ajoutons la distribution exponentielle au rapport afin de pouvoir visualiser le rapport d'ajustement.
	L'histogramme montre que la distribution exponentielle pourrait ne pas être adaptée à ces données. Pour tester cette hypothèse, sélectionnez « Qualité d'ajustement ».
	Le test d'Anderson-Darling est ??? pour une distribution continue. Ici, nous avons une valeur p simulée inférieure à 0,05, ce qui indique que nous devons rejeter l'hypothèse nulle selon laquelle ces données proviennent d'une distribution exponentielle.
	La capacité de processus a été introduite dans la version 12 de JMP. Des parties de cette nouvelle plate-forme ont été ajoutées au générateur de graphiques de contrôle en même temps.
	Avec JMP 15, des éléments de cette plateforme ont été ajoutés à la plateforme de distribution. Cela simplifie non seulement la maintenance des plateformes, mais améliore également leur cohérence.
	Il existe plusieurs différences qui se produisent lors du lancement d’un rapport de distribution.
	L'histogramme affiche uniquement les limites de spécification, si l'option Afficher comme lignes de référence graphique est cochée dans les propriétés de la colonne Limites de spécification.
	L'utilisateur a la possibilité de désactiver l'analyse des capacités, même s'il existe des propriétés de colonne de limite de spécifications.
	S'il existe une propriété de colonne de distribution de capacité de processus, cette distribution sera utilisée pour l'analyse de capacité.
	Le flux de travail pour l'option quantiles pour les distributions ajustées a été simplifié en un seul lancement, alors que les versions précédentes nécessitaient deux appels de plateforme.
	Les analyses de capacité normales et non normales utilisent désormais des dialogues similaires.
	Prenons l'exemple de JMP. Le script que j'exécute ouvre la table d'échantillons de mesures de processus et modifie certaines propriétés des colonnes.
	Pour le processus 1, il existe une propriété de colonne de limites de spécifications, affichée sous forme de lignes de référence de graphique, qui n'est pas cochée.
	Pour le processus 2, la propriété de colonne « limite de spécification » (affichée comme lignes de référence graphique) est cochée. Pour le processus 3, la propriété de colonne « distribution des capacités du processus » (Weibull) est définie, et la propriété de colonne « limites de spécification » (affichée comme lignes de référence graphique) est décochée.
	Dans le dialogue de distribution, j'attribuerai ces trois processus comme Y.
	Notez la nouvelle case à cocher « Créer une capacité de processus » dans le coin inférieur gauche. Cette case n'apparaît que si au moins une colonne Y possède une propriété « Colonnes de limite de spécification ».
	Décochez cette case et cliquez sur OK.
	Dans les versions précédentes de JMP, vous obteniez une analyse de capabilité pour chacun de ces trois processus. De plus, des limites de spécifications étaient tracées dans chacun des trois histogrammes.
	Dans ce rapport, aucune analyse de capacité n'est fournie, car nous avons décoché cette case. Les limites de spécification ne sont affichées que pour le processus 2, car c'était le seul processus Y dont la propriété de la colonne « Limiter comme lignes de référence du graphique » était cochée.
	Revenons à la boîte de dialogue de distribution et cochons la case, créer une capacité de processus, pour comparer.
	L'analyse de capacité est désormais fournie pour les trois variables du processus.
	Dans l'histogramme principal en haut, les limites de spécifications ne sont affichées que pour le processus 2.
	L’analyse de capacité du processus 3 est basée sur la distribution de Weibull.
	Le rapport de capacité est identique. Il offre les mêmes options que les rapports détaillés individuels d'une plateforme de capacité de processus introduite dans JMP 12.
	Notez que l’étiquetage Ppk est désormais la valeur par défaut pour le sigma global.
	Le rapport montre les indices sigma intra et globaux lorsqu'une distribution normale est supposée.
	Examinons le cas où la table de données ne possède pas de propriétés de colonne de limite de spécification. Thickness.JMP est l'exemple de table de données sans propriétés de colonne.
	Dans la boîte de dialogue de distribution, vous remarquerez qu'il n'y a pas de case à cocher pour la fonctionnalité du processus créatif. Ceci est dû à l'absence de propriétés de colonne de limite de spécification.
	Examinons le rapport de distribution pour l’épaisseur 3 et l’épaisseur 4.
	Nous pouvons ajouter un rapport de capacité de processus pour l'épaisseur 3 en sélectionnant cette option dans le menu du triangle rouge.
	Ces options fonctionnent de la même manière que les options que vous trouverez dans notre plateforme de capacité de processus introduite dans JMP 12.
	Réalisons une analyse de capacité simple et définissons le LSL à 0,03, la cible à 0,045 et l'USL à 0,05. Activons également l'affichage des limites.
	Une analyse de capabilité basée sur la distribution normale est fournie pour les limites de spécification. Ces limites sont indiquées dans le graphique car nous avons coché cette option dans la boîte de dialogue.
	Vous disposez de statistiques sur les capacités Sigma internes et globales.
	Pour l'épaisseur 4, ajustons une distribution bêta.
	La capacité du processus pour une distribution adaptée génère les options de dialogue suivantes.
	La section des options de calcul des limites de spécification des quantiles de cette boîte de dialogue contient l'option quantiles et les options de définition de k pour k sigma qui étaient disponibles dans les anciens ajusteurs.
	Pour cet exemple, spécifiez la probabilité LSL comme 0,05, la probabilité cible comme 0,5,
	Et le USL est probablement à 0,95.
	Lorsque nous cliquons sur le bouton Calculer la limite de spécification, les limites de spécification sont calculées pour les probabilités données à l'aide de la distribution bêta ajustée.
	Dans les versions précédentes de JMP, il fallait ajuster une distribution, obtenir les quantiles et les renvoyer à la plateforme, ce qui nécessitait deux appels de distribution. Désormais, vous pouvez effectuer cette opération en un seul appel.
	L'analyse des capacités présentée est basée sur la distribution bêta. Les statistiques globales des capacités Sigma sont fournies. Les limites de spécification ne sont pas affichées dans l'histogramme supérieur, car l'option « Afficher les limites » n'a pas été cochée dans la boîte de dialogue.
	En conclusion, la plateforme de distribution de la version 15 a été modernisée pour améliorer le flux, offrir une apparence plus propre, assurer la cohérence et nécessiter moins de maintenance.
	Merci d'avoir assisté à ma présentation sur la modernisation de la plateforme de distribution.

Modélisation statistique avancéeAnalyse et modélisation des données de baseÉtudes de marché et de consommationFusion et nettoyage des donnéesExploration et visualisation des donnéesModélisation prédictive et apprentissage automatiqueIngénierie de la qualité et des procédés