Bonjour
tout le monde.
Aujourd'hui mon sujet est, Héros ou Zéros : A Produit Distribution Analyse En utilisant JMP.
D'abord, a petit peu arrière-plan.
Un organisation avec un établi processus
peut décider à mettre en œuvre processus contrôle
et processus discipline dans leur organisation.
Pour exemple, si toi avoir a produit
mobile depuis le développement scène à le masse production scène,
à ce conjonction, un de le problèmes que peut arriver
dans que nous peut avoir processus variation problème.
Le variation peut être aussi grand ou le variation n'a pas rencontrer le attente.
Le variation ici peut être le variation de signifier,
le variation de standard déviation, etc.
Nous volonté vouloir à trouver dehors quoi le racine cause est
pour tel variation problème et essayer à réparer que.
Mais avant que, nous volonté besoin à chiffre dehors
quoi taper de variation nous sont parement
parce que le taper de variation volonté dicter quoi type d'action
et enquête stratégie nous devrait prendre.
Le démonstration ici aujourd'hui
volonté enquêter ces à travers un explicatif analyse.
Nous utiliser standard déviation comme statistiques de intérêt ici.
Le problème est nous avoir a processus
que a a haut dans l'ensemble écart type,
mais nous peut aussi observer quelques de le lots que a inférieur standard déviation.
Nous appel ces lots, héros lots.
Nous volonté vouloir à trouver dehors quoi causé tel haut dans l'ensemble standard déviation,
mais avant que, nous besoin à chiffre dehors quoi processus variation nous sont parement,
quoi type de processus variation peut donner nous quoi nous observé.
Dans général, là volonté être deux types de situation ici.
Un est que nous avoir a complètement aléatoire processus
et le variation est systémique, comme nous peut voir ici.
Bien que le processus est aléatoire,
mais dépend comment nous lot il et comment nous échantillon il.
Quelques de le lots peut avoir inférieur échantillon standard déviation que le autres.
Un autre situation est que notre processus est pas aléatoire.
Comme nous peut voir ici, ce processus va en haut et vers le bas.
Il a quelques signifier changement.
C'est pas a aléatoire processus, mais dépend sur comment nous lot il.
Quelques de le lots que résider dans le écurie période
volonté avoir relativement inférieur échantillon standard déviation
comparé à quelques de le lots que résider dans le instable période
que pourrait avoir plus grand standard déviation.
Nous peut aussi définir a seuil tel comme ici, indiquer UN, standard déviation.
Nous comparer ce seuil à le lot standard déviation.
Il volonté dire nous comment beaucoup de le lots satisfaire le critères.
Avec ces deux scénarios dans esprit,
nous peut formuler a statistique hypothèse test
à test quoi processus variation nous sont transaction avec.
Nous peut supposer notre processus est aléatoire,
alors comment probable nous volonté observer quoi nous observé?
A plus détaillé déclaration est comme ce,
supposant lots avec faible standard déviation
sont juste exigible à échantillonnage manque
et le historique données est représentant de le population,
alors le simulé lots généré depuis le même distribution
devrait avoir a passage taux que est statistiquement indiscernable
que le réel passage taux de le historique données.
Sur le main droite côté, toi peut voir ce roue.
Ce est le procédure nous est allé à travers à faire ce essai arriver.
D'abord, nous volonté besoin à définir a seuil.
À travers ce seuil, nous peut calculer le passage taux.
Nous comparer le lots
dans le historique données à travers ce seuil
à obtenir le pourcentage de le historique lots que sont bien lots.
Parce que nous aussi supposer que notre processus est aléatoire,
nous peut ajuster le historique données à plusieurs distribution
et puis choisissez le meilleur équipé un.
En utilisant ce équipé distribution, nous peut générer a ensemble de K échantillons.
K ici est le même comme le nombre de échantillons
dans chaque lots dans le historique données.
Nous répéter ce procédure N fois.
N ici est le même comme le nombre de lots dans le historique données.
Pour chaque simulé lots,
nous peut alors calculer leur échantillon standard déviation.
Comparer ce échantillon standard déviation
à le seuil nous défini avant, il volonté donner nous a ensemble de binôme données.
Avec ce binôme données et le passage taux nous déjà avoir,
nous peut effectuer a un échantillon proportion test à test notre hypothèse.
En utilisant JMP, nous sont capable à intégrer ce entier procédure dans un application.
Ici, I volonté faire a rapide démonstration à montrer toi comment ce application travaux.
Ce application peut importer n'importe lequel de le données déposer
avec a valeur colonne et aussi indice colonne que indique le lot indice.
Avec a cliquez de bouton, il volonté automatiquement ajuster notre données
à plusieurs distribution et prendre le meilleur un.
Droite maintenant, le meilleur équipé un est a normale distribution.
Nous peut alors ensemble en haut le nombre de simulé données ensembles nous vouloir
et aussi le taille de le ensemble et aussi le seuil.
Quand nous cliquez,
il volonté effectuer le hypothèse essai I mentionné avant.
Il aussi spectacles le pourcentage de historique lots que sont bien
et aussi le pourcentage de le simulé lots que sont bien.
À le dernier, il volonté montrer toi a visualisation de a histogramme
lequel indique le proportion de la simulé lots que sont bien.
Maintenant, nous aller dos à le essai, le hypothèse essai.
Le données nous avoir ici spectacles nous rejeter le nul hypothèse.
Nous vérifier le P valeur,
nous rejeter le nul hypothèse avec 95% confiance.
Le 95% confiance est le défaut paramètre ici.
Ce conclusion suggère le processus est pas aléatoire
et le bien lots faire exister dans le écurie période de le processus.
Ce conclusion peut plomb à plusieurs action articles.
Pour exemple, nous peut enquêter
le processus variable, le processus paramètre
entre le écurie période et le instable période
et voir quoi modifié.
De cours, nous peut aussi obtenir a différent essai résultat
où nous ne peut pas rejeter le hypothèse nulle.
Ces suggérer notre processus pourrait être aléatoire.
Nous pourrait avoir systémique variation
et ces volonté plomb à complètement différent enquête et action méthode.
Pour exemple, le pire des cas scénario, dans commande à réduire le systémique variation,
nous pourrait besoin à complètement changement le fabrication environnement.
Avec ce, I conclure mon d'aujourd'hui présentation.
I aussi vouloir à remercier John Daphné, OMS est a collègue de le mien.
Il apporté en haut ce intéressant question à mon attention pendant a projet réunion.
I aussi vouloir à remercier toi aujourd'hui pour audience mon présentation.
Je suis très reconnaissant de il.
