你好
每個人。
今天 我的 話題 是， 英雄 或者 零點： A 產品 分配 分析 使用 跳轉。
第一的， a 小的 位元 背景。
一個 組織 和 一個 已確立的 流程
可能 決定 到 實施 流程 控制
和 流程 紀律 在 他們的 組織。
為了 例子， 如果 你 有 a 產品
移動 從 這 發展 階段 到 這 大量的 生產 階段，
在 這 連接詞， 一 的 這 問題 那 能 發生
在 那 我們 可能 有 流程 變化 問題。
這 變化 能 是 也 大的 或者 這 變化 沒有 見面 這 期待。
這 變化 這裡 能 是 這 變化 的 意思是，
這 變化 的 標準 偏差， ETC。
我們 將要 想 到 尋找 出去 什麼 這 根 原因 是
為了 這樣的 變化 問題 和 嘗試 到 使固定 那。
但 前 那， 我們 將要 需要 到 數位 出去
什麼 類型 的 變化 我們 是 面對
因為 這 類型 的 變化 將要 聽寫 什麼 行動類型
和 調查 策略 我們 應該 拿。
這 示範 這裡 今天
將要 調查 這些 透過 一個 解釋性的 分析。
我們 使用 標準 偏差 作為 統計數據 的 興趣 這裡。
這 問題 是 我們 有 a 流程
那 有 a 高的 全面的 標準差，
但 我們 能 也 觀察 一些 的 這 批次 那 有 降低 標準 偏差。
我們 稱呼 這些 批次， 英雄 批次。
我們 將要 想 到 尋找 出去 什麼 造成 這樣的 高的 全面的 標準 偏差，
但 前 那， 我們 需要 到 數位 出去 什麼 流程 變化 我們 是 面對，
什麼 過程類型 變化 能 給 我們 什麼 我們 觀察到。
在 一般的， 那裡 將要 是 二 類型 的 情況 這裡。
一 是 那 我們 有 a 完全地 隨機的 流程
和 這 變化 是 系統性， 作為 我們 能 看 這裡。
雖然 這 流程 是 隨機的，
但 取決於 如何 我們 批次 它 和 如何 我們 樣本 它。
一些 的 這 批次 可能 有 降低 樣本 標準 偏差 比 這 其他的。
其他 情況 是 那 我們的 流程 是 不是 隨機的。
作為 我們 能 看 這裡， 這 流程 去 向上 和 向下。
它 有 一些 意思是 轉移。
它是 不是 a 隨機的 過程， 但 取決於 在 如何 我們 批次 它。
一些 的 這 批次 那 居住 在 這 穩定的 時期
將要 有 相對地 降低 樣本 標準 偏差
比較的 到 一些 的 這 批次 那 居住 在 這 不穩定 時期
那 可能 有 更大 標準 偏差。
我們 能 也 定義 a 臨界點 這樣的 作為 這裡， 觀點 一個， 標準 偏差。
我們 比較 這 臨界點 到 這 批次 標準 偏差。
它 將要 告訴 我們 如何 許多 的 這 批次 滿足 這 標準。
和 這些 二 場景 在 頭腦，
我們 能 制定 a 統計 假設 測試
到 測試 什麼 流程 變化 我們 是 處理 和。
我們 能 認為 我們的 流程 是 隨機的，
然後 如何 可能 我們 將要 觀察 什麼 我們 觀察？
A 更多的 詳細的 陳述 是 喜歡 這，
假設 批次 和 低的 標準 偏差
是 只是 到期的 到 取樣 缺少
和 這 歷史 數據 是 代表 的 這 人口，
然後 這 模擬 批次 產生 從 這 相同的 分配
應該 有 a 透過 速度 那 是 統計上 難以區分
比 這 實際的 透過 速度 的 這 歷史 數據。
在 這 右手 邊， 你 能 看 這 車輪。
這 是 這 程式 我們 去了 透過 到 製作 這 測試 發生。
第一的， 我們 將要 需要 到 定義 a 臨界點。
透過 這 臨界點， 我們 能 計算 這 透過 速度。
我們 比較 這 批次
在 這 歷史 數據 透過 這 臨界點
到 得到 這 百分比 的 這 歷史 批次 那 是 好的 批次。
因為 我們 也 認為 那 我們的 流程 是 隨機的，
我們 能 合身 這 歷史 數據 到 一些 分配
和 然後選擇 這 最好的 已安裝 一。
使用 這 已安裝 分配， 我們 能 產生 a 放 的 K 樣品。
K 這裡 是 這 相同的 作為 這 數位 的 樣品
在 每個 批次 在 這 歷史 數據。
我們 重複 這 程式 N 次。
N在這裡 是 這 相同的 作為 這 數位 的 批次 在 這 歷史 數據。
為了 每個 模擬 批次，
我們 能 然後 計算 他們的 樣本 標準 偏差。
比較 這 樣本 標準 偏差
到 這 臨界點 我們 定義 前， 它 將要 給 我們 a 放 的 二項式 數據。
和 這 二項式 數據 和 這 透過 速度 我們 已經 有，
我們 能 執行 a 單樣本 部分 測試 到 測試 我們的 假設。
使用 跳轉， 我們 是 有能力的 到 整合 這 全部的 程式 進入 一個 應用。
這裡， I 將要 做 a 快的 示範 到 展示 你 如何 這 應用 作品。
這 應用 能 進口 任何 的 這 數據 文件
和 a 價值 柱子 和 也 指數 柱子 那 表示 這 批次 指數。
和 a 點選 的 按鈕， 它 將要 自動地 合身 我們的 數據
到 一些 分配 和 挑選 這 最好的 一。
正確的 現在， 這 最好的 已安裝 一 是 a 普通的 分配。
我們 能 然後 放 向上 這 數位 的 模擬 數據 套 我們 想
和 也 這 尺寸 的 這 放 和 也 這 臨界點。
什麼時候 我們 點擊，
它 將要 執行 這 假設 測試 I 提及 前。
它 也 節目 這 百分比 的 歷史 批次 那 是 好的
和 也 這 百分比 的 這 模擬 批次 那 是 好的。
在 這 最後的， 它 將要 展示 你 a 視覺化 的 a 直方圖
哪個 表示 這 部分 的 模擬 批次 那 是 好的。
現在， 我們 去 後退 到 這 測試， 這 假設 測試。
這 數據 我們 有 這裡 節目 我們 拒絕 這 無效的 假設。
我們 查看 這 P 價值，
我們 拒絕 這 無效的 假設 和 95% 信心。
這 95% 信心 是 這 預設 環境 這裡。
這 結論 建議 這 流程 是 不是 隨機的
和 這 好的 批次 做 存在 在 這 穩定的 時期 的 這 過程。
這 結論 能 帶領 到 一些 行動 專案.
為了 例子， 我們 能 調查
這 流程 多變的， 這 流程 範圍
之間 這 穩定的 時期 和 這 不穩定 時期
和 看 什麼 變更。
的 課程， 我們 能 也 得到 a 不同的 測試 結果
在哪裡 我們 不能 拒絕 這 零假設。
這些 建議 我們的 流程 可能 是 隨機的。
我們 可能 有 系統性 變化
和 這些 將要 帶領 到 完全地 不同的 調查 和 行動 方法。
為了 例子， 這 最壞的情況 設想， 在 命令 到 減少 這 系統性 變化，
我們 可能 需要 到 完全地 改變 這 製造業 環境。
和 這， I 結論 我的 今天的 推介會。
I 也 想 到 感謝 約翰 芫， 世界衛生組織 是 a 同事 的 礦。
他 帶來 向上 這 有趣的 問題 到 我的 注意力 期間 a 專案 會議。
I 也 想 到 感謝 你 今天 為了 聽力 我的 推介會。
我是 非常 欣賞 的 它。
