Введите один раз,
Продолжайте свой анализ.

ProcessStat – это семинар по веб-статистике, где специалисты малого бизнеса и учащиеся могут приступить к обычному анализу данных и планированию экспериментов. Выберите цель и введите число, и результаты и график будут отображаться вместе. При необходимости разворачивайте подробные методы и настройки. Вы все еще можете использовать существующие инструменты Mellow и ProcessLab.

Мой вопрос: какую функцию мне следует использовать?

Начало работы

1. Выберите вопрос, который вы хотите знать. Взгляните на экран с примерами веса упаковки, метода работы и времени обучения, или пустая таблица данныхНачните здесь. Все примеры являются вымышленными данными для практических целей и при выборе заменят текущую таблицу. вернутьВы можете восстановить его с помощью .
2. Назовите столбец и введите номер. Вставить таблицупринимает таблицу, разделенную табуляцией, CSV и пробелами. Вы можете использовать его без загрузки файла. Для CSV используйте десятичную точку.
3. Укажите столбцы, которые будут использоваться, и условия, такие как спецификации и подгруппы. Метод испытания и уровень достоверности Больше настроекВы можете изменить его с . Текущие примененные значения отображаются даже в свернутом виде.
4. Посмотреть результаты Или нажмите Ctrl/⌘+Enter. Если входные данные изменяются, предыдущие результаты не могут быть сохранены до повторного анализа.
5. Сохранить проектсохраняет данные и настройки как JSON. Сохранить отчетСохраняет результаты, графики и настройки как независимые HTML. Отчеты и отпечатки также включают подробную свернутую статистику. Вы можете сохранить в формате PDF в меню печати.

Один столбец — это одна группа или переменная. Одни и те же строки представляют пары соответствующих измерений или один и тот же момент времени наблюдения. До 5,000 строк, 20 столбцов, до 8 независимых переменных регрессии. В таблице одновременно отображается 30 строк, но для анализа используется вся строка. Числа можно вводить до абсолютного значения 10¹².

Часто встречающиеся термины

• Стандартное отклонение: Степень, в которой цифры разбросаны по среднему значению. Например, если все веса собраны около 100g, то он небольшой, а если они существенно отличаются друг от друга, то он большой.
• Доверительный интервал: Он выражает неопределенность в оценочной средней или средней разнице популяции. 95% доверительного интервала для среднего значения не является диапазоном, содержащим 95% от отдельных весов продукта.
• p-значение: Это вероятность того, что результат будет столь же экстремальным или более экстремальным, чем наблюдаемый, при условии отсутствия различий. Это не вероятность того, что разница реальна или что результат правильный.
• Парное сравнение: Используется при измерении одного и того же объекта до и после. Поместите значения до и после для одного и того же человека/продукта в одной строке. Не следует объединять две разные группы только по номеру строки.
• Взаимодействие: Это явление, при котором эффект одного условия варьируется в зависимости от другого состояния. Например, влияние температуры может меняться в зависимости от времени нагрева.
• Технические характеристики и ограничения: Стандарт — это допустимый диапазон, определяемый заказчиком/конструкцией, а контрольный предел — это стандарт отклонения процесса, рассчитанный на основе данных.

Критерии анализа и расчета

Основа расчёта дополнительного анализа

Объём выборки · мощность

Мощность рассчитывается по точному нецентральному t-распределению для одновыборочного, парного и двухвыборочного t, по нецентральному F для однофакторного ANOVA (ряд неполной бета-функции с пуассоновскими весами, λ = k·n·f²), по нормальной аппроксимации без поправки на непрерывность для долей (для двух выборок — объединённая дисперсия) и по центральному F для отношения дисперсий. Выберите двусторонний или односторонний вариант и найдите одно из: n, мощность или обнаруживаемую разность. Требуемое n — наименьшее целое, достигающее целевой мощности; для двух выборок это n на группу (n₂ = r·n₁). Для одной доли при n ≤ 2000 дополнительно показывается точная биномиальная мощность. Эффект для ANOVA задаётся как стандартное отклонение групповых средних (Cohen f = σ_m/σ) либо как наибольшая разность средних (остальные посередине). Стандартное отклонение берите консервативно по прежним данным. Источники: R power.t.test и power.prop.test, пакет pwr, Cohen (1988).

Приёмочный контроль

Рассматриваются одноступенчатые планы выборочного контроля по альтернативному признаку (n, c). Вероятность приёмки вычисляется по биномиальному распределению, по гипергеометрическому — если задан объём партии N и N < 10n, либо по распределению Пуассона при его выборе; отображаются OC-кривая, AOQ/AOQL, ATI, риск поставщика при AQL и риск потребителя при LTPD. При проектировании плана для каждого c = 0–50 ищется наименьшее n (≤ 5000), при котором Pa ≤ β в точке LTPD, затем из них выбирается наименьшее n, удовлетворяющее также Pa ≥ 1 − α в точке AQL. AOQ и ATI предполагают сплошной контроль забракованных партий с заменой дефектных изделий годными; без N вычисляется только приближение AOQ = p·Pa. Гипергеометрическое распределение берёт число дефектных в партии как округлённое N·p, поэтому OC-кривая ступенчатая. Источник: Montgomery, Introduction to Statistical Quality Control, глава 15.

Анализ согласия по атрибутам

Оценивает измерительную систему, которая относит объекты к категориям, например годен/негоден или сорта. Данные состоят из столбцов номера образца, номера оператора, номера попытки и оценки (числовой код), а также необязательного столбца эталонной оценки, в сбалансированном плане, где каждый оператор оценивает каждый образец одинаковое число раз. Доля согласия — доля образцов, у которых все соответствующие оценки одинаковы (или все совпадают с эталоном); её доверительный интервал — точный биномиальный интервал Клоппера–Пирсона. Вычисляются четыре вида: внутри оператора (повторные оценки), каждый оператор vs эталон, между операторами и все vs эталон. κ Флейсса = (P̄ − Pₑ)/(1 − Pₑ), где P̄ — наблюдаемая доля согласующихся пар оценок на образец, а Pₑ = Σpⱼ² — случайное согласие, ожидаемое по долям категорий. z-критерий для κ использует стандартную ошибку Флейсса (1971) при H₀: κ = 0, а κ относительно эталона вычисляется для каждой пары образец × попытка с (оценка, эталон) как двумя оценщиками. При наличии эталона также сообщается κ Коэна (таблица оценка × эталон, стандартная ошибка по Fleiss, Cohen, Everitt 1969). Для порядковых сортов с 3 и более категориями добавляются скорректированный на связи коэффициент конкордации Кендалла W (χ² = m(n−1)W, df = n−1) и τ-b Кендалла относительно эталона. Критерии следуют AIAG MSA, 4-е изд.: κ ≥ 0,75 хорошо, 0,40–0,75 условно, < 0,40 неприемлемо; доля согласия ≥ 90 % хорошо, 80–90 % условно. Таблица несогласий показывает для каждого оператора число смешанных случаев, когда повторные оценки различаются, и число случаев по направлению эталон→оценка. Литература: AIAG MSA Reference Manual 4th ed. ch. III-C; Fleiss, J. L. (1971) Psychological Bulletin 76, 378–382; Cohen, J. (1960).

Критерий эквивалентности · TOST

Критерий, показывающий, что разность двух средних (или среднего и целевого значения) лежит в заранее заданных границах эквивалентности. Большое p-значение классического t-критерия не является свидетельством «отсутствия различия», поэтому для утверждения равенства используйте этот критерий. Граница эквивалентности Δ (или асимметричные нижняя/верхняя границы) задаётся до анализа исходя из требований процесса или заказчика, а не из данных. Два односторонних критерия (TOST) Ширмана (1987) отвергают H₀₁: разность ≤ нижней границы и H₀₂: разность ≥ верхней границы отдельными односторонними t-критериями на уровне значимости α, где t₁ = (d − нижняя)/SE, t₂ = (d − верхняя)/SE, а p-значение TOST — большее из двух p-значений. Отвержение обоих критериев равносильно тому, что (1 − 2α)-доверительный интервал разности (90 % при α = 0,05) полностью лежит внутри границ. Для двух выборок используются стандартная ошибка и степени свободы Уэлча (по умолчанию) или Стьюдента с объединённой дисперсией, для парного сравнения — одновыборочный критерий по разностям пар, для одной выборки — разность с целевым значением. Расчёт возможен и только по сводным значениям (n, среднее, стандартное отклонение). Невозможность показать эквивалентность не означает, что разность велика; часто выборка мала, а интервал широк. Для справки сообщается объём выборки на группу, необходимый для демонстрации эквивалентности с мощностью 80 % при истинной разности 0, по нормальному приближению n ≈ 2(z₁₋α + z₁₋β/₂)²σ²/Δ² (без множителя 2 для одной выборки и парного случая). Литература: Schuirmann, D. J. (1987) J. Pharmacokinetics and Biopharmaceutics 15, 657–680; Westlake (1976).

Доли · таблицы сопряжённости

Для одной доли p-значение получают точным биномиальным критерием. Двустороннее p-значение вычисляется методом минимального правдоподобия (R binom.test): суммируются все исходы с вероятностью не больше вероятности наблюдаемого; дополнительно показывается удвоенная односторонняя сумма. По умолчанию доверительный интервал — интервал Уилсона, рядом показывается точный интервал Клоппера–Пирсона; z нормальной аппроксимации приводится для справки. Для двух долей вычисляются z-критерий с объединённой долей (без поправки на непрерывность) и точный критерий Фишера; интервал разности долей строится методом Ньюкомба (метод 10), а интервалы относительного риска и отношения шансов — методом Вальда в логарифмической шкале. Если есть нулевая ячейка, для относительного риска и отношения шансов ко всем ячейкам прибавляется 0,5. Для таблиц сопряжённости критерий независимости хи-квадрат Пирсона даёт χ², число степеней свободы, p-значение, V Крамера, ожидаемые частоты и стандартизованные остатки; для таблиц 2×2 добавляются p-значения с поправкой Йейтса и точного критерия Фишера. Если в какой-либо ячейке ожидаемая частота меньше 5, выводится предупреждение и рекомендуется точный критерий Фишера или объединение категорий. Критерий согласия — это критерий хи-квадрат, сравнивающий наблюдаемые частоты с ожидаемыми, рассчитанными по ожидаемым долям (или равномерно). Источники: Newcombe (1998) Stat Med 17:857–872; Agresti, Categorical Data Analysis; R binom.test / prop.test / fisher.test / chisq.test.

Непараметрическое сравнение

Сравнивает значения по рангам без предположения о нормальном распределении. Манн–Уитни (сумма рангов Уилкоксона) вычисляет U и W для двух независимых групп и показывает точное p-значение, перебирая всё распределение U, если нет связей и в каждой группе не более 20 значений; иначе показывается p-значение нормального приближения с поправками на связи и непрерывность. Сдвиг положения — оценка Ходжеса–Лемана, медиана всех попарных разностей; интервал берётся из порядковых статистик в точном случае (показан достигнутый уровень доверия) или из индекса больших выборок Холландера–Вулфа в приближённом случае. Критерий знаковых рангов Уилкоксона использует сумму положительных рангов V разностей до/после в каждой строке, исключая нули; p-значение точное, если нет связей и нулей и не более 25 пар, иначе — нормальное приближение. Оценка — медиана средних Уолша (псевдомедиана). Знаковый критерий — точный биномиальный критерий, учитывающий только направление разностей; его можно применять и для сравнения одной группы с эталонной медианой. Краскел–Уоллис приближает скорректированную на связи H через хи-квадрат и даёт размер эффекта ε² = H/(N−1) и попарные z-критерии Данна (поправка Холма). Медианный критерий Муда строит таблицу сопряжённости числа значений выше общей медианы по группам и сравнивает её по хи-квадрат. Литература: Hollander, Wolfe & Chicken, Nonparametric Statistical Methods; Dunn (1964) Technometrics 6:241–252; R wilcox.test / kruskal.test, scipy.stats.

Двухфакторный дисперсионный анализ

Результат Y объясняется двумя факторами A и B и их взаимодействием A×B моделью с фиксированными эффектами Y = μ + αᵢ + βⱼ + (αβ)ᵢⱼ + ε, подгоняемой методом наименьших квадратов с кодированием эффектов (ограничение нулевой суммы). Строки с одинаковой комбинацией (A, B) считаются повторениями; если в каждой комбинации только одно наблюдение, используется аддитивная модель без взаимодействия. Суммы квадратов по умолчанию приводятся как тип II: каждый основной эффект — это уменьшение после поправки на другой основной эффект, а взаимодействие — уменьшение после поправки на оба основных эффекта. Тип III — значение с поправкой также на взаимодействие при кодировании эффектов; для сбалансированных данных оба типа совпадают. F = средний квадрат / средний квадрат ошибки, p-значение берётся из F-распределения, а частное η² = SS(эффект) / (SS(эффект) + SS(ошибка)). Апостериорные сравнения уровней каждого фактора выполняются критерием Тьюки HSD со средним квадратом ошибки и числом степеней свободы двухфакторной модели; скорректированные p-значения и одновременные доверительные интервалы берутся из распределения стьюдентизированного размаха (численное интегрирование AS 190). При разных объёмах уровней применяется метод Тьюки–Крамера (попарное гармоническое среднее n). Предположения — независимость, нормальность и равенство дисперсий ошибок; они проверяются графиками остатков и критерием Брауна–Форсайта по комбинациям. Источники: Montgomery, Design and Analysis of Experiments; Copenhaver & Holland (1988) J. Stat. Comput. Simul.; R anova/TukeyHSD, statsmodels anova_lm.

Анализ измерительной системы · Gage R&R

Оценивает вариацию системы измерений по полностью перекрёстному плану, в котором o операторов измеряют p деталей по r раз каждый. Метод по умолчанию — двухфакторный ANOVA со случайными эффектами (Y = деталь + оператор + деталь×оператор); компоненты дисперсии: повторяемость = MSE, деталь×оператор = (MS_po − MSE)/r, оценщик = (MS_o − MS_po)/(p·r), деталь = (MS_p − MS_po)/(o·r), отрицательные значения принимаются равными 0. Если p-значение взаимодействия больше порога (по умолчанию 0,25), по правилу AIAG используется модель, в которой взаимодействие объединено с повторяемостью. Метод X̄-R вычисляет повторяемость EV = R̄/d₂*, воспроизводимость AV = √((X̄_diff/d₂*)² − EV²/(p·r)), вариация деталей PV = R_p/d₂*, где d₂* берётся из приложения C AIAG (d₂ при числе подгрупп больше 15). Gage R&R = повторяемость + воспроизводимость (оператор + деталь×оператор), общая вариация = GRR + вариация деталей. Вариация исследования равна 6σ, а %вариации исследования = σ/σ_все, %допуска = 6σ/допуск и %процесса = σ/σ_{процесс}. Число различимых категорий ndc = 1,41 × σ_Деталь/σ_GRR(округление вниз, 1 при значении меньше 1). Критерии: %GRR меньше 10 % — хорошо, 10–30 % — условно приемлемо в зависимости от назначения и затрат, больше 30 % — неприемлемо; ndc должно быть не менее 5. Размахи за контрольными границами на R-карте указывают на измерения, для которых стоит рассмотреть повторное измерение. Источник: AIAG, Measurement Systems Analysis Reference Manual, 4th ed. (2010), Chapter III.

Анализ надёжности и данных о сроке службы

По времени до отказа и индикатору отказа (1 = отказ, 0 = цензурирование справа) методом максимального правдоподобия (MLE) подбираются распределения Вейбулла (2 параметра), логнормальное, экспоненциальное и нормальное. Цензурированный образец вносит в правдоподобие лишь информацию о том, что к этому моменту он не отказал, поэтому если ввести 1 для ещё не отказавших образцов, срок службы будет занижен. Стандартные ошибки параметров получают из наблюдаемой информационной матрицы (вторые производные логарифма правдоподобия), а доверительные интервалы положительных параметров вычисляются в логарифмической шкале. Доверительные интервалы для процентильных сроков службы, таких как B10 (момент, к которому отказали 10 %), MTTF и R(t) получают дельта-методом. Точки на вероятностной бумаге строятся по рангам с поправкой Джонсона с аппроксимацией медианных рангов Бенарда (i − 0,3)/(n + 0,4); линия — это подбор MLE, а не ранговая регрессия. В таблице выбора распределения меньший AIC лучше, а различия менее 2 трудно различимы, поэтому отдавайте предпочтение распределению, соответствующему механизму отказа. Статистика Андерсона–Дарлинга — приближённое значение, вычисленное только по временам отказа, без поправки на цензурирование и без p-значения. Вероятность выживания Каплана–Мейера вычисляется без предположения о распределении как S(t) = Π(1 − d/n), доверительные интервалы строятся по дисперсии Гринвуда. Если указан столбец группы, дополнительно показываются логранговый критерий (Мантеля–Кокса) (хи-квадрат, число степеней свободы = число групп − 1) и подбор распределения по группам. Источник: Meeker & Escobar, Statistical Methods for Reliability Data (1998); Abernethy, The New Weibull Handbook.

Общая регрессия · категориальные факторы и взаимодействия

Непрерывные X используются как есть; категориальные X (коды 1, 2, 3 …) вводятся фиктивным (treatment) кодированием. Наименьший код становится базовым уровнем, а коэффициент каждого другого уровня — это разность средних с базовым уровнем. Можно выбрать квадратичные члены X² и двухфакторные взаимодействия X_A×X_B(включая категориальный × непрерывный). Коэффициенты оцениваются методом наименьших квадратов через QR-разложение Хаусхолдера; стандартные ошибки, t, p-значения и доверительные интервалы используют t-распределение с числом степеней свободы остатков. Дисперсионный анализ по членам использует суммы квадратов типа II: сумма квадратов члена — это уменьшение остаточной суммы квадратов при добавлении этого члена к модели, содержащей все остальные члены, кроме содержащих его членов более высокого порядка (квадратичных и взаимодействий); категориальный член имеет число уровней − 1 степеней свободы. Пошаговый отбор (обратное исключение) удаляет по одному члены с наибольшим p-значением выше порога α, но по принципу иерархии сохраняет главные эффекты, входящие в оставшиеся взаимодействия или квадратичные члены. Прогнозный R² вычисляется по PRESS (сумма квадратов остаток/(1 − рычаг)), VIF равен 1/(1−R²_j), а расстояние Кука вычисляется по стандартизованным остаткам и рычагу; строки выше 4/n отмечаются как влиятельные точки. Строки с пустым Y и заполненным X считаются строками прогноза и показывают как доверительный интервал среднего, так и предсказательный интервал одного нового наблюдения. Литература: Montgomery, Peck & Vining, Introduction to Linear Regression Analysis; Belsley, Kuh & Welsch (1980).

Оптимизация нескольких откликов · функция желательности

Для каждого отклика Y выбранная модель (основные эффекты, взаимодействия, квадратичная) подгоняется так же, как в общей регрессии. Каждое прогнозное значение переводится в желательность d по Деррингеру–Суичу (0–1): при максимизации 0 на нижней границе L и ниже, 1 на верхней границе T и выше, а между ними ((y−L)/(T−L))^w; минимизация — наоборот; целевое значение: 0 вне нижней/верхней границ, 1 в цели, степенная прямая с обеих сторон; диапазон: 1 внутри, 0 снаружи. При весе w=1 зависимость линейная, при w>1 желательность высока только вблизи цели. Общая желательность — среднее геометрическое с важностями r_i в качестве показателей степени, D=(Π d_i^r_i)^1/Σr_i, поэтому если хотя бы один отклик равен 0, то и D = 0. Оптимальное условие находится перебором по сетке в пределах диапазона мин–макс данных с последующей покоординатной тонкой настройкой; при выходе на границу выводится предупреждение, что за пределами диапазона может быть лучше. Карта желательности показывает D при изменении двух условий и фиксации остальных на оптимальных значениях. Литература: Derringer & Suich (1980), J. Quality Technology 12, 214–219; Montgomery, Design and Analysis of Experiments, 11.3.

Возможности процесса при ненормальном распределении · преобразование Бокса–Кокса и подбор распределения

Если данные скошены и не проходят проверку нормальности, преобразование Бокса–Кокса (y = (x^λ − 1)/λ, при λ = 0 — log), чтобы приблизить данные к нормальным, затем тем же λ преобразует границы спецификации и вычисляет Cp и Cpk (Box & Cox 1964). λ — значение, при котором профильное правдоподобие максимально; обычно его округляют до 0,5, а если доверительный интервал содержит 1, преобразование не обязательно. Альтернативно напрямую подбирается распределение, например Вейбулла или логнормальное, и по квантилям 0,135 %, 50 % и 99,865 % вычисляется 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, руководство AIAG SPC); выбирается распределение с наименьшим A² Андерсона–Дарлинга. Оба метода имеют смысл только при стабильном (управляемом) процессе, а ожидаемое PPM сильно зависит от хвоста подобранного распределения, поэтому при малой выборке интерпретируйте с осторожностью.

Толерантный интервал

Если доверительный интервал говорит о положении среднего, то толерантный интервал — это диапазон индивидуальных значений: «с доверительной вероятностью γ не менее доли P совокупности попадает в этот диапазон». При нормальном предположении это x̄ ± k·s, где двусторонний k берётся по аппроксимации Хоу (1969), а односторонний k вычисляется точно по нецентральному t-распределению (при n = 20, P = 99 %, γ = 95 % k ≈ 3,62/3,30). Если распределение предположить трудно, используйте непараметрический интервал Уилкса по порядковым статистикам, таким как минимум и максимум, но для фактического достижения требуемой доверительной вероятности нужна большая выборка (например 93 для 95/95, 473 для 99/95). Если толерантный интервал укладывается в границы спецификации, это статистическое подтверждение того, что отдельные изделия соответствуют спецификации.

Карты EWMA · CUSUM

Карты индивидуальных значений Шухарта чувствительны к большим сдвигам, но поздно обнаруживают малые устойчивые сдвиги 0,5–1,5σ, поэтому EWMA (z_i = λx_i + (1 − λ)z_i−1, обычно λ = 0.1–0.3, L ≈ 2.7–3) и кумулятивную сумму CUSUM (C⁺/C⁻, k = 0.5, h = 4–5) (Montgomery, Introduction to Statistical Quality Control, глава 9). Границы EWMA вначале узкие и сходятся к μ ± Lσ√(λ/(2 − λ)); в CUSUM сигналом является момент, когда C⁺ или C⁻ превышает H = hσ, а FIR (старт с h/2) ускоряет начальное обнаружение. σ оценивается как среднее скользящего размаха базового периода/1.128, поэтому базовый период должен быть стабильным; при наличии целевого значения задайте центральную линию равной цели. Эти карты хорошо обнаруживают малые сдвиги, но при больших резких изменениях карта Шухарта быстрее, поэтому лучше смотреть обе.

VIF · Дарбин–Уотсон · интервалы прогноза · влиятельные точки

VIF = 1/(1 − R²_j) показывает, насколько объясняющая переменная j объясняется другими объясняющими переменными; значения выше 5–10 указывают на мультиколлинеарность, делающую оценки коэффициентов неустойчивыми, поэтому рассмотрите удаление или объединение переменных (Belsley, Kuh & Welsch 1980). Дарбин–Уотсон — показатель автокорреляции остатков первого порядка: около 2 — норма, ниже 1,5 — подозрение на положительную автокорреляцию (часто в данных, упорядоченных по времени). Для прогноза при новом x есть доверительный интервал среднего отклика (ŷ ± t·s√h₀) и предсказательный интервал отдельного наблюдения (ŷ ± t·s√(1 + h₀)); последний всегда шире и резко растёт при экстраполяции за пределы диапазона данных. В таблице влияния рычаг (> 2p/n), стандартизованные остатки (|r| > 2) и расстояние Кука (> 4/n) — критерии для выявления наблюдений, определяющих результат, а не критерии автоматического удаления.

Общее предположение

Независимость наблюдений, методов отбора проб и надежность измерений не могут автоматически гарантироваться только данными. Пользователь должен проверить предположение о нормальной ошибке t-критерия/классического ANOVA, линейность/независимость/гомоскедастичность регрессии и стабильность/нормальность возможностей процесса. Результаты были разработаны для определения не только значения p, но также размера разницы, доверительного интервала и допуска процесса.

хранение данных

Данные измерений не передаются с этой страницы на сервер. Расчеты выполняются в браузере, и работа автоматически сохраняется в локальном хранилище текущего браузера. Если хранилище заблокировано или его емкости недостаточно, вы получите уведомление на экране. Удаление данных браузера также может привести к потере автоматического сохранения, поэтому сохраняйте долгосрочную работу как JSON. Отчет представляет собой замороженный результат на момент сохранения, а для восстановления измерений используется файл задания JSON.

Проверочные и справочные материалы

Тесты и регрессии сравниваются с исходными данными и аналитически вычисляемыми примерами ниже. Также автоматически проверяются обработка отсутствующих входных данных, постоянная/линейная зависимость, проверка количества подгрупп/дефектных товаров. Это не означает, что все функции имеют сертифицированную эквивалентность коммерческим статистическим программам.

• NIST — 2-выборочный t-критерий и пример проверки
• NIST StRD — базовые данные регрессии Понтиуса.
• NIST – индекс возможностей процесса.
• NIST — диаграмма управления переменными.

Мы использовали существующий код расчета статистических, графических и контрольных диаграмм Mellow Tools в качестве копии исключительно для этой службы и добавили общие функции связывания данных, проверки сводных значений, коррекции Holm, множественной регрессии и функций отчетности. DOE Генератор плана экспериментаПозволяет сравнить дробные факториал, PB, ортогональный массив, CCD, Box–Behnken и полные факторные конструкции и создать матрицу запуска. DOE Анализ ответов, Gage R&R и анализ надежности не включены в текущую версию.

Запустить лабораторию статистики →