你好
每个人。
今天 我的 话题 是， 英雄 或者 零点： A 产品 分配 分析 使用 跳转。
第一的， a 小的 少量 背景。
一个 组织 和 一个 已确立的 过程
可能 决定 到 实施 过程 控制
和 过程 纪律 在 他们的 组织。
为了 例子， 如果 你 有 a 产品
移动 从 这 发展 阶段 到 这 大量的 生产 阶段，
在 这 连词， 一 的 这 问题 那 能 发生
在 那 我们 可能 有 过程 变化 问题。
这 变化 能 是 也 大的 或者 这 变化 没有 见面 这 期待。
这 变化 这里 能 是 这 变化 的 意思是，
这 变化 的 标准 偏差， ETC。
我们 将要 想 到 寻找 出去 什么 这 根 原因 是
为了 这样的 变化 问题 和 尝试 到 使固定 那。
但 前 那， 我们 将要 需要 到 数字 出去
什么 类型 的 变化 我们 是 面对
因为 这 类型 的 变化 将要 听写 什么 行动类型
和 调查 战略 我们 应该 拿。
这 示范 这里 今天
将要 调查 这些 通过 一个 解释性的 分析。
我们 使用 标准 偏差 作为 统计数据 的 兴趣 这里。
这 问题 是 我们 有 a 过程
那 有 a 高的 全面的 标准差，
但 我们 能 还 观察 一些 的 这 批次 那 有 降低 标准 偏差。
我们 称呼 这些 批次， 英雄 批次。
我们 将要 想 到 寻找 出去 什么 造成 这样的 高的 全面的 标准 偏差，
但 前 那， 我们 需要 到 数字 出去 什么 过程 变化 我们 是 面对，
什么 过程类型 变化 能 给 我们 什么 我们 观察到。
在 一般的， 那里 将要 是 二 类型 的 情况 这里。
一 是 那 我们 有 a 完全地 随机的 过程
和 这 变化 是 系统性， 作为 我们 能 看 这里。
虽然 这 过程 是 随机的，
但 取决于 如何 我们 批 它 和 如何 我们 样本 它。
一些 的 这 批次 可能 有 降低 样本 标准 偏差 比 这 其他的。
其他 情况 是 那 我们的 过程 是 不是 随机的。
作为 我们 能 看 这里， 这 过程 去 向上 和 向下。
它 有 一些 意思是 转移。
它是 不是 a 随机的 过程， 但 取决于 在 如何 我们 批 它。
一些 的 这 批次 那 居住 在 这 稳定的 时期
将要 有 相对地 降低 样本 标准 偏差
比较的 到 一些 的 这 批次 那 居住 在 这 不稳定 时期
那 可能 有 更大 标准 偏差。
我们 能 还 定义 a 临界点 这样的 作为 这里， 观点 一个， 标准 偏差。
我们 比较 这 临界点 到 这 批 标准 偏差。
它 将要 告诉 我们 如何 许多 的 这 批次 满足 这 标准。
和 这些 二 场景 在 头脑，
我们 能 制定 a 统计 假设 测试
到 测试 什么 过程 变化 我们 是 处理 和。
我们 能 认为 我们的 过程 是 随机的，
然后 如何 可能 我们 将要 观察 什么 我们 观察？
A 更多的 详细的 陈述 是 喜欢 这，
假设 批次 和 低的 标准 偏差
是 只是 到期的 到 采样 缺少
和 这 历史 数据 是 代表 的 这 人口，
然后 这 模拟 批次 生成 从 这 相同的 分配
应该 有 a 通过 速度 那 是 统计上 难以区分
比 这 实际的 通过 速度 的 这 历史 数据。
在 这 右手 边， 你 能 看 这 车轮。
这 是 这 程序 我们 去了 通过 到 制作 这 测试 发生。
第一的， 我们 将要 需要 到 定义 a 临界点。
通过 这 临界点， 我们 能 计算 这 通过 速度。
我们 比较 这 批次
在 这 历史 数据 通过 这 临界点
到 得到 这 百分比 的 这 历史 批次 那 是 好的 批次。
因为 我们 还 认为 那 我们的 过程 是 随机的，
我们 能 合身 这 历史 数据 到 一些 分配
和 然后选择 这 最好的 已安装 一。
使用 这 已安装 分配， 我们 能 产生 a 放 的 K 样品。
K 这里 是 这 相同的 作为 这 数字 的 样品
在 每个 批次 在 这 历史 数据。
我们 重复 这 程序 N 次。
N在这里 是 这 相同的 作为 这 数字 的 批次 在 这 历史 数据。
为了 每个 模拟 批次，
我们 能 然后 计算 他们的 样本 标准 偏差。
比较 这 样本 标准 偏差
到 这 临界点 我们 定义 前， 它 将要 给 我们 a 放 的 二项式 数据。
和 这 二项式 数据 和 这 通过 速度 我们 已经 有，
我们 能 履行 a 单样本 部分 测试 到 测试 我们的 假设。
使用 跳转， 我们 是 有能力的 到 整合 这 全部的 程序 进入 一个 应用。
这里， I 将要 做 a 快的 示范 到 展示 你 如何 这 应用 作品。
这 应用 能 进口 任何 的 这 数据 文件
和 a 价值 柱子 和 还 指数 柱子 那 表示 这 批 指数。
和 a 点击 的 按钮， 它 将要 自动地 合身 我们的 数据
到 一些 分配 和 挑选 这 最好的 一。
正确的 现在， 这 最好的 已安装 一 是 a 普通的 分配。
我们 能 然后 放 向上 这 数字 的 模拟 数据 套 我们 想
和 还 这 尺寸 的 这 放 和 还 这 临界点。
什么时候 我们 点击，
它 将要 履行 这 假设 测试 I 提及 前。
它 还 节目 这 百分比 的 历史 批次 那 是 好的
和 还 这 百分比 的 这 模拟 批次 那 是 好的。
在 这 最后的， 它 将要 展示 你 a 可视化 的 a 直方图
哪个 表示 这 部分 的 模拟 批次 那 是 好的。
现在， 我们 去 后退 到 这 测试， 这 假设 测试。
这 数据 我们 有 这里 节目 我们 拒绝 这 无效的 假设。
我们 查看 这 P 价值，
我们 拒绝 这 无效的 假设 和 95% 信心。
这 95% 信心 是 这 默认 环境 这里。
这 结论 建议 这 过程 是 不是 随机的
和 这 好的 批次 做 存在 在 这 稳定的 时期 的 这 过程。
这 结论 能 带领 到 一些 行动 项目。
为了 例子， 我们 能 调查
这 过程 多变的， 这 过程 范围
之间 这 稳定的 时期 和 这 不稳定 时期
和 看 什么 變更。
的 课程， 我们 能 还 得到 a 不同的 测试 结果
在哪里 我们 不能 拒绝 这 零假设。
这些 建议 我们的 过程 可能 是 随机的。
我们 可能 有 系统性 变化
和 这些 将要 带领 到 完全地 不同的 调查 和 行动 方法。
为了 例子， 这 最坏的情况 设想， 在 命令 到 减少 这 系统性 变化，
我们 可能 需要 到 完全地 改变 这 制造业 环境。
和 这， I 结论 我的 今天的 推介会。
I 还 想 到 感谢 约翰 达芬， WHO 是 a 同事 的 矿。
他 带来 向上 这 有趣的 问题 到 我的 注意力 期间 a 项目 会议。
I 还 想 到 感谢 你 今天 为了 听力 我的 推介会。
我是 非常 欣赏 的 它。
