Ingrese una vez,
Continúe su análisis.

ProcessStat es un taller de estadística web donde los profesionales y estudiantes de pequeñas empresas pueden comenzar con el análisis de datos de rutina y la planificación de experimentos. Seleccione un objetivo e ingrese un número, y los resultados y el gráfico se mostrarán juntos. Amplíe los métodos y configuraciones detallados cuando sea necesario. Aún puedes usar las Mellow Tools existentes y ProcessLab.

Mi pregunta es ¿qué función debo utilizar?

Empezando

1. Seleccione la pregunta que desea saber. Eche un vistazo a la pantalla con ejemplos de peso del embalaje, método de trabajo y tiempo de aprendizaje, o Tabla de datos en blancoEmpiece aquí. Todos los ejemplos son datos ficticios para fines prácticos y reemplazarán la tabla actual cuando se seleccionen. revertirPuedes recuperarlo con .
2. Asigne un nombre a la columna e ingrese un número. Pegar tablaacepta una tabla separada por tabulaciones, CSV y espacios. Puedes usarlo sin cargar un archivo. Para CSV, utilice un punto decimal.
3. Especifique las columnas que se utilizarán y condiciones como especificaciones y subgrupos. Método de prueba y nivel de confianza. Más configuracionesPuedes cambiarlo desde . Los valores aplicados actualmente se muestran incluso cuando están contraídos.
4. Ver resultados O presione Ctrl/⌘+Entrar. Si la entrada cambia, los resultados anteriores no se pueden guardar hasta que se vuelvan a analizar.
5. Guardar proyectoalmacena datos y configuraciones como JSON. Guardar informeguarda los resultados, gráficos y configuraciones como HTML independientes. Los informes e impresiones también incluyen estadísticas detalladas. Puede guardarlo como PDF desde el menú Imprimir.

Una columna es un grupo o variable. Las mismas filas representan pares de mediciones correspondientes o el mismo punto temporal de observación. Hasta 5,000 filas, 20 columnas, hasta 8 variables explicativas de regresión. La tabla muestra 30 filas a la vez, pero se utiliza la fila completa para el análisis. Se pueden introducir números hasta el valor absoluto 10¹².

Términos encontrados frecuentemente

• Desviación estándar: El grado en que los números están dispersos alrededor de la media. Por ejemplo, si todos los pesos se agrupan alrededor de 100g, es pequeño y si son significativamente diferentes entre sí, es grande.
• Intervalo de confianza: Expresa incertidumbre en la media de la población estimada o la diferencia media. Un intervalo de confianza del 95% para la media no es un rango que contiene 95% de pesos de productos individuales.
• valor p: Es la probabilidad de que un resultado sea tan extremo o más extremo que el observado, suponiendo que no haya diferencias. No es la probabilidad de que la diferencia sea real o de que el resultado sea correcto.
• Comparación pareada: Se utiliza al medir el mismo objeto antes y después. Coloque los valores antes y después para la misma persona/producto en la misma fila. No debes emparejar dos grupos diferentes sólo por el número de fila.
• Interacción: Este es un fenómeno en el que el efecto de una condición varía dependiendo de otra condición. Por ejemplo, el efecto de la temperatura puede variar según el tiempo de calentamiento.
• Especificaciones y límites de control: El estándar es el rango permitido determinado por el cliente/diseño, y el límite de control es el estándar para la variación del proceso calculado a partir de los datos.

Criterios de análisis y cálculo.

Base de cálculo del análisis adicional

Tamaño de muestra · potencia

La potencia se calcula con la distribución t no central exacta para t de 1 muestra, pareada y de 2 muestras; con la F no central para el ANOVA de un factor (serie beta incompleta ponderada por Poisson, λ = k·n·f²); con la aproximación normal sin corrección de continuidad para proporciones (varianza combinada en 2 muestras); y con la F central para la razón de varianzas. Elija bilateral o unilateral y resuelva uno de n, potencia o diferencia detectable. El n requerido es el menor entero que alcanza la potencia objetivo; en 2 muestras es n por grupo (n₂ = r·n₁). Para 1 proporción con n ≤ 2000 se muestra también la potencia binomial exacta. El efecto del ANOVA se introduce como la desviación estándar de las medias de grupo (Cohen f = σ_m/σ) o como la mayor diferencia entre medias (con las demás en el centro). Tome la desviación estándar de forma conservadora a partir de datos previos. Referencias: R power.t.test y power.prop.test, paquete pwr, Cohen (1988).

Muestreo de aceptación

Trata planes de muestreo simple por atributos (n, c). La probabilidad de aceptación se calcula con la distribución binomial, con la hipergeométrica cuando se indica el tamaño de lote N y N < 10n, o con la de Poisson si se selecciona; se muestran la curva OC, AOQ/AOQL, ATI, el riesgo del productor en el AQL y el riesgo del consumidor en el LTPD. El diseño del plan busca, para cada c = 0–50, el menor n (≤ 5000) con Pa ≤ β en el LTPD y luego elige el menor de esos n que también cumple Pa ≥ 1 − α en el AQL. AOQ y ATI suponen que los lotes rechazados se inspeccionan al 100% y los defectuosos se sustituyen por unidades buenas; sin N solo se calcula la aproximación AOQ = p·Pa. La distribución hipergeométrica toma el número de defectuosos del lote como N·p redondeado, por lo que la curva OC tiene forma de escalera. Referencia: Montgomery, Introduction to Statistical Quality Control, capítulo 15.

Análisis de concordancia de atributos

Evalúa un sistema de medición que califica los elementos por categorías, como pasa/no pasa o grados. Los datos constan de columnas de número de muestra, número de operador, número de ensayo y calificación (código numérico), más una columna opcional de calificación de referencia, en un diseño balanceado en el que cada operador califica cada muestra el mismo número de veces. La tasa de concordancia es la proporción de muestras en las que todas las calificaciones correspondientes son idénticas (o todas iguales a la referencia), y su intervalo de confianza es el intervalo binomial exacto de Clopper–Pearson. Se calculan cuatro tipos: dentro del operador (calificaciones repetidas), cada operador vs. referencia, entre operadores y todos vs. referencia. κ de Fleiss = (P̄ − Pₑ)/(1 − Pₑ), donde P̄ es la proporción observada de pares de calificaciones concordantes por muestra y Pₑ = Σpⱼ² es la concordancia por azar esperada según las proporciones de las categorías. La prueba z de κ usa el error estándar de Fleiss (1971) bajo H₀: κ = 0, y la κ frente a la referencia se calcula con (calificación, referencia) como dos evaluadores para cada muestra × ensayo. Cuando existe una referencia, también se informa la κ de Cohen (tabla cruzada calificación × referencia, error estándar de Fleiss, Cohen, Everitt 1969). Para grados ordinales con 3 o más categorías se añaden el coeficiente de concordancia W de Kendall corregido por empates (χ² = m(n−1)W, gl = n−1) y la τ-b de Kendall frente a la referencia. Los criterios siguen AIAG MSA 4.ª ed.: κ ≥ 0,75 bueno, 0,40–0,75 condicional, < 0,40 inaceptable; tasa de concordancia ≥ 90 % buena, 80–90 % condicional. La tabla de discrepancias muestra, para cada operador, el número de casos mixtos en que las calificaciones repetidas difieren y los recuentos por dirección referencia→calificación. Referencias: AIAG MSA Reference Manual 4th ed. ch. III-C; Fleiss, J. L. (1971) Psychological Bulletin 76, 378–382; Cohen, J. (1960).

Prueba de equivalencia · TOST

Prueba que demuestra que la diferencia entre dos medias (o entre una media y un objetivo) está dentro de límites de equivalencia predefinidos. Un valor p grande de una prueba t clásica no es evidencia de «ausencia de diferencia», así que use esta prueba para afirmar la igualdad. El límite de equivalencia Δ (o límites inferior/superior asimétricos) se fija antes del análisis a partir de los requisitos del proceso o del cliente, no de los datos. Las dos pruebas unilaterales (TOST) de Schuirmann (1987) rechazan H₀₁: diferencia ≤ límite inferior y H₀₂: diferencia ≥ límite superior con pruebas t unilaterales separadas al nivel de significancia α, donde t₁ = (d − inferior)/SE y t₂ = (d − superior)/SE, y el valor p de TOST es el mayor de los dos valores p. Rechazar ambas pruebas equivale a que el intervalo de confianza (1 − 2α) de la diferencia (90 % cuando α = 0,05) esté completamente dentro de los límites. El caso de 2 muestras usa los errores estándar y grados de libertad de Welch (predeterminado) o de Student con varianza combinada, el caso pareado usa una prueba de 1 muestra sobre las diferencias de los pares, y el caso de 1 muestra usa la diferencia respecto al objetivo. También puede calcularse solo con valores resumidos (n, media, desviación estándar). No poder demostrar la equivalencia no significa que la diferencia sea grande; a menudo la muestra es pequeña y el intervalo es amplio. Como referencia, se informa el tamaño de muestra por grupo necesario para demostrar la equivalencia con una potencia del 80 % cuando la diferencia real es 0, mediante la aproximación normal n ≈ 2(z₁₋α + z₁₋β/₂)²σ²/Δ² (sin el factor 2 para 1 muestra y pareado). Referencias: Schuirmann, D. J. (1987) J. Pharmacokinetics and Biopharmaceutics 15, 657–680; Westlake (1976).

Proporciones · tablas de contingencia

Para una proporción, el valor p se obtiene con la prueba binomial exacta. El valor p bilateral usa el método de mínima verosimilitud (R binom.test), que suma todos los resultados con probabilidad menor o igual que la del valor observado; también se muestra el doble de la suma unilateral. El intervalo de confianza es por defecto el intervalo de puntuación de Wilson, acompañado del intervalo exacto de Clopper–Pearson; la z de aproximación normal es solo de referencia. Para dos proporciones se calculan la prueba z de proporción combinada (sin corrección de continuidad) y la prueba exacta de Fisher; el intervalo de la diferencia de proporciones usa el método de puntuación de Newcombe (método 10) y los intervalos del riesgo relativo y de la razón de momios usan el método de Wald en escala logarítmica. Si alguna celda es 0, se suma 0,5 a todas las celdas para el riesgo relativo y la razón de momios. Las tablas de contingencia usan la prueba chi-cuadrado de independencia de Pearson para obtener χ², grados de libertad, valor p, V de Cramér, frecuencias esperadas y residuos estandarizados; en tablas 2×2 se añaden los valores p con corrección de Yates y de la prueba exacta de Fisher. Se avisa si alguna celda tiene frecuencia esperada menor que 5; en ese caso se recomienda la prueba exacta de Fisher o combinar categorías. La prueba de bondad de ajuste es una prueba chi-cuadrado que compara las frecuencias observadas con las esperadas derivadas de las proporciones esperadas (o uniformes). Referencias: Newcombe (1998) Stat Med 17:857–872; Agresti, Categorical Data Analysis; R binom.test / prop.test / fisher.test / chisq.test.

Comparación no paramétrica

Compara los valores por rangos sin suponer una distribución normal. Mann–Whitney (suma de rangos de Wilcoxon) calcula U y W para dos grupos independientes y muestra un valor p exacto enumerando toda la distribución de U cuando no hay empates y cada grupo tiene como máximo 20 valores; en caso contrario muestra un valor p de aproximación normal con corrección por empates y continuidad. El desplazamiento de posición es la estimación de Hodges–Lehmann, la mediana de todas las diferencias por pares; su intervalo se obtiene de los estadísticos de orden en el caso exacto (se muestra el nivel de confianza alcanzado) o del índice de muestras grandes de Hollander–Wolfe en el caso aproximado. Los rangos con signo de Wilcoxon usan la suma de rangos positivos V de las diferencias antes/después de cada fila, excluyendo los ceros; el valor p es exacto cuando no hay empates ni ceros y hay como máximo 25 pares, y en caso contrario es una aproximación normal. La estimación es la mediana de los promedios de Walsh (pseudomediana). La prueba de signos es una prueba binomial exacta que solo cuenta la dirección de las diferencias y también puede comparar un grupo con una mediana de referencia. Kruskal–Wallis aproxima la H corregida por empates mediante ji-cuadrado y proporciona el tamaño del efecto ε² = H/(N−1) y las pruebas z por pares de Dunn (corrección de Holm). La prueba de la mediana de Mood construye una tabla de contingencia con el número de valores por encima de la mediana global por grupo y la compara mediante ji-cuadrado. Referencias: Hollander, Wolfe & Chicken, Nonparametric Statistical Methods; Dunn (1964) Technometrics 6:241–252; R wilcox.test / kruskal.test, scipy.stats.

ANOVA de dos factores

El resultado Y se explica con dos factores A y B y su interacción A×B mediante el modelo de efectos fijos Y = μ + αᵢ + βⱼ + (αβ)ᵢⱼ + ε, ajustado por mínimos cuadrados con codificación de efectos (restricción de suma cero). Las filas con la misma combinación (A, B) se tratan como repeticiones; si cada combinación tiene una sola observación, se usa el modelo aditivo sin interacción. Las sumas de cuadrados se reportan de tipo II por defecto: cada efecto principal es la reducción tras ajustar por el otro efecto principal, y la interacción es la reducción tras ajustar por ambos efectos principales. El tipo III es el valor ajustado también por la interacción bajo codificación de efectos; con datos balanceados ambos tipos coinciden. F = cuadrado medio / cuadrado medio del error, el valor p se calcula con la distribución F y η² parcial = SC(efecto) / (SC(efecto) + SC(error)). Las comparaciones post hoc entre los niveles de cada factor usan Tukey HSD con el cuadrado medio del error y los grados de libertad del modelo de dos factores, y los valores p ajustados y los intervalos de confianza simultáneos se obtienen de la distribución del rango studentizado (integración numérica AS 190). Si los tamaños de los niveles difieren, se aplica el método de Tukey–Kramer (n media armónica por pares). Los supuestos son independencia, normalidad e igualdad de varianzas de los errores, que se verifican con gráficos de residuos y la prueba de Brown–Forsythe por combinación. Referencias: Montgomery, Design and Analysis of Experiments; Copenhaver & Holland (1988) J. Stat. Comput. Simul.; R anova/TukeyHSD, statsmodels anova_lm.

Análisis del sistema de medición · Gage R&R

Estima la variación del sistema de medición a partir de un diseño completamente cruzado en el que o operadores miden p piezas r veces cada uno. El método predeterminado es un ANOVA de efectos aleatorios de dos factores (Y = pieza + operador + pieza×operador), con componentes de varianza repetibilidad = MSE, pieza×operador = (MS_po − MSE)/r, evaluador = (MS_o − MS_po)/(p·r), pieza = (MS_p − MS_po)/(o·r), y los valores negativos se fijan en 0. Si el valor p de la interacción es mayor que el límite (0,25 por defecto), se usa el modelo con la interacción combinada en la repetibilidad según la regla AIAG. El método X̄-R calcula la repetibilidad EV = R̄/d₂*, la reproducibilidad AV = √((X̄_diff/d₂*)² − EV²/(p·r)), variación entre piezas PV = R_p/d₂*, donde d₂* se toma del Apéndice C de AIAG (d₂ cuando hay más de 15 subgrupos). Gage R&R = repetibilidad + reproducibilidad (operador + pieza×operador), y variación total = GRR + variación de las piezas. La variación del estudio es 6σ, y %variación del estudio = σ/σ_todos, %tolerancia = 6σ/tolerancia y %proceso = σ/σ_proceso. El número de categorías distintas ndc = 1,41 × σ_Pieza/σ_GRR(redondeado hacia abajo, 1 si es menor que 1). Los criterios son: %GRR menor que 10 % bueno, 10–30 % aceptable con condiciones según el uso y el costo, mayor que 30 % inaceptable, y ndc debe ser al menos 5. Los rangos que superan los límites de control en la gráfica R señalan mediciones que deben considerarse para volver a medir. Referencia: AIAG, Measurement Systems Analysis Reference Manual, 4th ed. (2010), Chapter III.

Análisis de confiabilidad y datos de vida

Utiliza los tiempos de falla y el indicador de falla (1 = falla, 0 = censura por la derecha) para ajustar por máxima verosimilitud (MLE) las distribuciones Weibull (2 parámetros), lognormal, exponencial y normal. Una unidad censurada solo aporta a la verosimilitud la información de que no había fallado hasta ese momento, así que si introduce 1 para unidades que aún no han fallado, la vida se subestimará. Los errores estándar de los parámetros se obtienen de la matriz de información observada (segundas derivadas de la log-verosimilitud) y los intervalos de confianza de los parámetros positivos se calculan en escala logarítmica. Los intervalos de confianza de las vidas percentiles, como la vida B10 (momento en que ha fallado el 10%), del MTTF y de R(t) se obtienen con el método delta. Los puntos del gráfico de probabilidad aplican la aproximación de rango mediano de Benard (i − 0,3)/(n + 0,4) a los rangos ajustados de Johnson; la recta es el ajuste MLE, no una regresión de rangos. En la tabla de selección de distribución, un AIC menor es mejor y diferencias menores de 2 son difíciles de distinguir, así que dé prioridad a la distribución acorde con el mecanismo de falla. El estadístico de Anderson–Darling es una aproximación calculada solo con los tiempos de falla y no ofrece corrección por censura ni valor p. La probabilidad de supervivencia de Kaplan–Meier se calcula sin supuesto distribucional como S(t) = Π(1 − d/n), con intervalos de confianza basados en la varianza de Greenwood. Si especifica una columna de grupo, se muestran también la prueba log-rank (Mantel–Cox) (chi-cuadrado, gl = número de grupos − 1) y el ajuste de distribución por grupo. Referencia: Meeker & Escobar, Statistical Methods for Reliability Data (1998); Abernethy, The New Weibull Handbook.

Regresión general · factores categóricos e interacciones

Las X continuas se usan tal cual; las X categóricas (códigos 1, 2, 3 …) se introducen con codificación ficticia (de tratamiento). El código más pequeño es el nivel de referencia y el coeficiente de cada otro nivel es su diferencia de medias respecto al nivel de referencia. Puede seleccionar términos cuadráticos X² e interacciones de 2 factores X_A×X_B(incluidas categórica × continua). Los coeficientes se estiman por mínimos cuadrados con QR de Householder, y los errores estándar, t, valores p e intervalos de confianza usan la distribución t con los grados de libertad residuales. El ANOVA por término usa sumas de cuadrados tipo II: la suma de cuadrados de un término es la reducción de la suma de cuadrados residual al añadir ese término al modelo que contiene todos los demás términos excepto los de orden superior que lo contienen (términos cuadráticos e interacciones); un término categórico tiene número de niveles − 1 grados de libertad. La selección paso a paso (eliminación hacia atrás) elimina, uno a la vez, el término con el mayor valor p por encima del umbral α, pero conserva los efectos principales contenidos en cualquier interacción o término cuadrático restante según el principio de jerarquía. El R² de predicción se obtiene de PRESS (suma de cuadrados de residuo/(1 − apalancamiento)), el VIF es 1/(1−R²_j), y la D de Cook se calcula a partir de los residuos estandarizados y el apalancamiento, marcando como puntos influyentes las filas que superan 4/n. Las filas con Y vacía y X completa se tratan como filas de predicción y muestran tanto un intervalo de confianza para la media como un intervalo de predicción para una nueva observación individual. Referencias: Montgomery, Peck & Vining, Introduction to Linear Regression Analysis; Belsley, Kuh & Welsch (1980).

Optimización de respuestas múltiples · función de deseabilidad

Para cada respuesta Y, el modelo seleccionado (efectos principales, interacciones, cuadrático) se ajusta de la misma forma que en la regresión general. Cada valor predicho se convierte en una deseabilidad d de Derringer–Suich (0–1): para maximizar, 0 en o por debajo del límite inferior L, 1 en o por encima del límite superior T y ((y−L)/(T−L)) entre ambos^w; minimizar es lo inverso; el valor objetivo vale 0 fuera de los límites inferior/superior, 1 en el objetivo y una recta elevada a una potencia a cada lado; el rango vale 1 dentro y 0 fuera. Con peso w=1 es lineal; con w>1 la deseabilidad solo es alta cerca del objetivo. La deseabilidad global es la media geométrica con las importancias r_i como exponentes, D=(Π d_i^r_i)^1/Σr_i, de modo que si una sola respuesta es 0, D también es 0. La condición óptima se busca mediante una búsqueda en rejilla dentro del rango mín–máx de los datos seguida de un ajuste fino por coordenadas; si toca el límite, se avisa de que fuera del rango podría ser mejor. El mapa de deseabilidad es D cuando se varían dos condiciones y el resto se fija en sus valores óptimos. Referencia: Derringer & Suich (1980), J. Quality Technology 12, 214–219; Montgomery, Design and Analysis of Experiments, 11.3.

Capacidad de proceso no normal · transformación Box–Cox y ajuste de distribución

Si los datos están sesgados y no superan la prueba de normalidad, una transformación de Box–Cox (y = (x^λ − 1)/λ, o log si λ = 0) para acercar los datos a la normalidad, luego transforma los límites de especificación con el mismo λ y calcula Cp y Cpk (Box & Cox 1964). λ es el valor que maximiza la verosimilitud perfil; normalmente se redondea a múltiplos de 0,5 y, si el intervalo de confianza incluye 1, la transformación no es realmente necesaria. Como alternativa, se ajusta directamente una distribución como Weibull o lognormal y se calcula Pp = (USL − LSL)/(X_99.865 − X_0.135), Ppk = min((USL − X₅₀)/(X_99.865 − X₅₀), (X₅₀ − LSL)/(X₅₀ − X_0.135)) (ISO 21747, manual SPC de AIAG); se elige la distribución con el menor A² de Anderson–Darling. Ambos métodos solo tienen sentido cuando el proceso es estable (bajo control), y el PPM esperado depende en gran medida de la cola de la distribución ajustada, así que interprete con cautela cuando la muestra sea pequeña.

Intervalo de tolerancia

Mientras que el intervalo de confianza describe la posición de la media, el intervalo de tolerancia es un rango de valores individuales: «con un nivel de confianza γ, al menos una proporción P de la población cae en este rango». Bajo el supuesto normal es x̄ ± k·s, donde el k bilateral usa la aproximación de Howe (1969) y el k unilateral se calcula exactamente con la distribución t no central (con n = 20, P = 99%, γ = 95%, k ≈ 3,62/3,30). Si es difícil asumir una distribución, use el intervalo no paramétrico de Wilks basado en estadísticos de orden como el mínimo y el máximo, pero para alcanzar realmente el nivel de confianza solicitado se necesita una muestra grande (p. ej. 93 para 95/95, 473 para 99/95). Si el intervalo de tolerancia queda dentro de los límites de especificación, es evidencia estadística de que los productos individuales cumplen la especificación.

Gráficos EWMA · CUSUM

Los gráficos de control de valores individuales de Shewhart son sensibles a los cambios grandes, pero tardan en detectar cambios pequeños y sostenidos de 0,5–1,5σ, por lo que el EWMA (z_i = λx_i + (1 − λ)z_i−1, normalmente λ = 0.1–0.3, L ≈ 2.7–3) y la suma acumulada CUSUM (C⁺/C⁻, k = 0.5, h = 4–5) (Montgomery, Introduction to Statistical Quality Control, capítulo 9). Los límites del EWMA son estrechos al principio y convergen a μ ± Lσ√(λ/(2 − λ)); en CUSUM, el punto en que C⁺ o C⁻ supera H = hσ es la señal de alarma, y el FIR (inicio en h/2) acelera la detección inicial. σ se estima como la media del rango móvil del periodo de referencia/1.128, por lo que el periodo de referencia debe estar en estado estable; si hay un valor objetivo, fije la línea central en el objetivo. Son buenos para detectar desplazamientos pequeños, pero ante cambios bruscos grandes la gráfica de Shewhart es más rápida, por lo que conviene ver ambos.

VIF · Durbin–Watson · intervalos de predicción · puntos influyentes

VIF = 1/(1 − R²_j) indica cuánto se explica la variable j por las demás variables explicativas; valores mayores que 5–10 indican multicolinealidad que vuelve inestables las estimaciones de los coeficientes, así que considere eliminar o combinar variables (Belsley, Kuh & Welsch 1980). Durbin–Watson es un indicador de autocorrelación de primer orden de los residuos: cerca de 2 es normal y por debajo de 1,5 sugiere autocorrelación positiva (frecuente en datos ordenados en el tiempo). La predicción en un nuevo x tiene un intervalo de confianza para la respuesta media (ŷ ± t·s√h₀) y un intervalo de predicción para una observación individual (ŷ ± t·s√(1 + h₀)); este último siempre es más ancho y crece bruscamente al extrapolar fuera del rango de los datos. En la tabla de influencia, el apalancamiento (> 2p/n), los residuos estandarizados (|r| > 2) y la D de Cook (> 4/n) son criterios para identificar las observaciones que determinan los resultados, no criterios de eliminación automática.

suposición común

La independencia de las observaciones, los métodos de muestreo y la confiabilidad de las mediciones no pueden garantizarse automáticamente sólo con los datos. El usuario debe verificar el supuesto de error normal de la prueba t/ANOVA clásico, la linealidad/independencia/homoscedasticidad de la regresión y la estabilidad/normalidad de la capacidad del proceso. Los resultados se diseñaron para determinar no sólo el valor p, sino también el tamaño de la diferencia, el intervalo de confianza y la tolerancia del proceso.

almacenamiento de datos

Los datos de medición no se transmiten desde esta página al servidor. Los cálculos se realizan dentro del navegador y el trabajo se guarda automáticamente en el almacenamiento local del navegador actual. Si el almacenamiento está bloqueado o la capacidad es insuficiente, se le notificará en la pantalla. La eliminación de datos del navegador también puede provocar la pérdida de los guardados automáticos, así que guarde el trabajo a largo plazo como JSON. El informe es un resultado congelado en el momento de guardarlo y la restauración de mediciones utiliza el archivo de trabajo JSON.

Materiales de verificación y referencia

Las pruebas y regresiones se contrastan con los datos de referencia y los ejemplos analíticamente computables a continuación. También se verifican automáticamente el procesamiento de entradas faltantes, la dependencia constante/lineal y la verificación del recuento de subgrupos/productos defectuosos. Esto no significa que todas las funciones tengan equivalencia certificada con programas estadísticos comerciales.

• NIST: ejemplo de verificación y prueba t de muestra de 2
• NIST StRD: datos de referencia de la regresión de Poncio
• NIST — Índice de capacidad del proceso
• NIST — Gráfico de control de variables

Usamos el código de cálculo de gráficos estadísticos, gráficos y de control de Mellow Tools existente como una copia exclusivamente para este servicio, y agregamos funciones de vinculación de datos comunes, pruebas de valores resumidos, corrección Holm, regresión múltiple y generación de informes. DOE Generador de planes de experimentoLe permite comparar diseños factoriales fraccionales, Pb, matriz ortogonal, CCD, Box–Behnken y factorial completo y crear una matriz de ejecución. El análisis de respuesta de DOE, el indicador de calibre R&R y el análisis de confiabilidad no se incluyen en la versión actual.

Iniciar laboratorio de estadística →