Otevře se v nové záložce
LSS Belgium horz white bg2

Operational Excellence prostřednictvím statistického myšlení

Objevte Statoscopex, náš online software pro statistickou analýzu. Je určen pro praktiky Lean Six Sigma a statistické analýzy, kteří chtějí vyhodnotit a plně využít rozhodovací potenciál datového souboru.
Statoscopex pomáhá praktikům Six Sigma a statistiky identifikovat klíčové faktory, kvantifikovat jejich účinky a posoudit jejich praktický význam, což umožňuje přijímat lépe informovaná rozhodnutí o zlepšování.
Photo YB
Youri Buffe
Master Black Belt

Pokročilé funkce pro vaše statistické studie

Statoscopex nabízí více než 50 analýz a 100 statistických výpočtů prostřednictvím svých funkcí pro studii způsobilosti a faktorovou analýzu, včetně:

Pro následující metriky: spojité, diskrétní (počitatelné), binární.

  1. Určení statistické přesnosti míry vadnosti procesu
  2. Určení minimální velikosti vzorku potřebné k odhadu míry vadnosti procesu

Pro následující parametry: průměr, směrodatná odchylka, četnost výskytu, podíl.

  1. Určení intervalu spolehlivosti parametru
  2. Určení minimální velikosti vzorku potřebné k odhadu statistického parametru s určitou přesností

Pro následující parametry: průměr, směrodatná odchylka, četnost výskytu, podíl.

  1. Převod cíle snížení míry vadnosti na požadovaný efekt na statistickém parametru.
  2. Určení minimální velikosti vzorku potřebné k detekci efektu na statistickém parametru, který dosahuje cíle snížení míry vadnosti.

Pro následující parametry: průměr, směrodatná odchylka, četnost výskytu, podíl.

  1. Detekce existence efektu pod nebo nad prahovou hodnotou
  2. Určení minimální velikosti vzorku potřebné k detekci efektu o velikosti alespoň rovné určité hodnotě
  3. Určení nejmenšího detekovatelného efektu pomocí dvou vzorků (rozlišení)
  4. Určení síly detekce efektu pod nebo nad prahovou hodnotou pomocí vzorků.

Použité techniky: dvouvýběrový t-test, dvouvýběrový test rozptylu, dvouvýběrový Poissonův test, dvouvýběrový test podílů

Pro následující parametry: průměr, směrodatná odchylka, četnost výskytu, podíl.

  1. Detekce, zda se parametr liší od své referenční hodnoty
  2. Určení minimální velikosti vzorku potřebné k detekci, zda se parametr liší od své referenční hodnoty
  3. Určení nejmenšího detekovatelného rozdílu mezi hodnotou parametru a jeho referenční hodnotou pomocí jednoho vzorku (rozlišení)
  4. Určení síly detekce odchylky parametru od jeho referenční hodnoty pomocí jednoho vzorku

Použité techniky: jednovýběrový t-test, test rozptylu, jednovýběrový Poissonův test, jednovýběrový test podílů.

Kalkulačky

Každá analýza v aplikaci Statoscopex probíhá přímo zde. Otevřete tu, kterou potřebujete — každý panel obsahuje svůj vlastní formulář a výsledky se zobrazují na místě.

Oblast použití: spojitá metrika kvality (Y) řídící se normálním rozdělením. Například: doba trvání, teplota, velikost atd.

Zde určujeme očekávanou (pravděpodobnostní) míru vad z toho, co je pozorováno ve vzorku. Výpočet udává také výběrovou chybu (statistickou přesnost) této očekávané míry vad.

Zadejte následující údaje:

  • n: velikost vzorku
  • Xbar: průměr vzorku
  • s: směrodatná odchylka vzorku
  • LSL: dolní specifikační mez
  • USL: horní specifikační mez

Oblast použití: spojitá metrika kvality (Y) řídící se normálním rozdělením. Například: doba trvání, teplota, velikost atd.

Zadejte minimální velikost vzorku, kterou je třeba odebrat, aby bylo možné určit očekávanou míru vad v rámci přijatelné výběrové chyby (statistické přesnosti).

Zadejte následující údaje:

  • Relativní výběrová chyba: přijatelná % chyba míry vad
  • Předpokládaná výkonnost: odhad řádové velikosti provozní výkonnosti vyjádřený jako míra vad nebo jako Sigma

Oblast použití: metrika kvality založená na počítání (Y) řídící se Poissonovým rozdělením. Například: vady na PC, čekací doby během telefonního hovoru, chyby na dokument atd.

Zde určujeme očekávanou (pravděpodobnostní) míru vad z toho, co je pozorováno ve vzorku. Výpočet udává také výběrovou chybu (statistickou přesnost) této očekávané míry vad (metoda aproximace normálním rozdělením). Zadejte následující údaje:

  • n: velikost vzorku
  • λ̂: míra výskytu ve vzorku; typicky vady na jednotku (DPU).

Oblast použití: metrika kvality založená na počítání (Y) řídící se Poissonovým rozdělením. Například: vady na PC, čekací doby během telefonního hovoru, chyby na dokument atd.

Zde určujeme minimální velikost vzorku, kterou je třeba odebrat, aby bylo možné určit očekávanou míru vad v rámci přijatelné výběrové chyby (statistické přesnosti) (metoda aproximace normálním rozdělením).

Zadejte následující údaje:

  • Relativní výběrová chyba: přijatelná % chyba míry vad
  • Předpokládaná výkonnost: odhad řádové velikosti provozní výkonnosti vyjádřený jako míra vad nebo jako Sigma

Oblast použití: binární metrika kvality (Y) řídící se binomickým rozdělením. Například: opuštěné hovory, nesprávné faktury, vadné díly atd.

Zde určujeme očekávanou (pravděpodobnostní) míru vad z toho, co je pozorováno ve vzorku. Výpočet udává také výběrovou chybu (statistickou přesnost) této očekávané míry vad (metoda aproximace normálním rozdělením). Zadejte následující údaje:

  • n: velikost vzorku
  • p: podíl vadných jednotek ve vzorku

Pokud ve vzorku nebyla pozorována žádná vadná jednotka, zadejte hodnotu p rovnou 1/(n+2).

Oblast použití: binární metrika kvality (Y) řídící se binomickým rozdělením. Například: opuštěné hovory, nesprávné faktury, vadné díly atd.

Zde určujeme minimální velikost vzorku, kterou je třeba odebrat, aby bylo možné určit očekávanou míru vad v rámci přijatelné výběrové chyby (statistické přesnosti) (metoda aproximace normálním rozdělením).

Zadejte následující údaje:

  • Relativní výběrová chyba: přijatelná % chyba míry vad
  • Předpokládaná výkonnost: odhad řádové velikosti provozní výkonnosti vyjádřený jako míra vad nebo jako Sigma

Oblast použití: spojitá metrika (Y) řídící se normálním rozdělením. Například: doba trvání, teplota, velikost atd.

Zde určujeme 1-α interval spolehlivosti průměru µ z toho, co je pozorováno ve vzorku.

Zadejte následující údaje:

  • α: riziko, že skutečná hodnota průměru leží mimo interval spolehlivosti. Pro 95% interval spolehlivosti zadejte α = 5%
  • n: velikost vzorku
  • Xbar: průměr vzorku
  • σ nebo s: skutečná směrodatná odchylka (pokud je známa) nebo směrodatná odchylka vzorku

Oblast použití: spojitá metrika (Y) řídící se normálním rozdělením. Například: doba trvání, teplota, velikost atd.

Zde určujeme minimální velikost vzorku, kterou je třeba odebrat, aby bylo možné určit průměr µ ve zvolené výběrové chybě (statistické přesnosti).

Zadejte následující údaje:

  • σ nebo s: skutečná směrodatná odchylka (pokud je známa) nebo směrodatná odchylka vzorku
  • Výběrová chyba: požadovaná poloviční šířka 1-α intervalu spolehlivosti průměru
  • α: riziko, že skutečná hodnota průměru leží mimo interval spolehlivosti. Nastavuje tedy hladinu spolehlivosti 1-α výběrové chyby. Pro 95% interval spolehlivosti zadejte α = 5%

Oblast použití: spojitá metrika (Y) řídící se normálním rozdělením. Například: doba trvání, teplota, velikost atd.

Zde určujeme posun průměru vyžadovaný při konstantní směrodatné odchylce k dosažení cílového snížení míry vad.

Zadejte následující údaje:

Souhrnný výpočet (pokud již znáte počáteční míru vad):

  • Di: počáteční míra vad
  • Dc: cílová míra vad
  • σ: směrodatná odchylka Y

Podrobný výpočet:

  • LSL: dolní specifikační mez
  • USL: horní specifikační mez
  • µi: počáteční (aktuální) průměr
  • σ: směrodatná odchylka Y
  • τred. (%): požadované snížení míry vad

Oblast použití: spojitá metrika (Y) řídící se normálním rozdělením. Například: doba trvání, teplota, velikost atd.

Zde určujeme minimální velikost vzorku potřebnou k detekci posunu průměru, který by při konstantní směrodatné odchylce odpovídal cílovému snížení míry vad.

Zadejte následující údaje:

  • α: riziko chybného závěru, že požadovaný efekt existuje
  • β: riziko nedetekování požadovaného efektu
  • Di: počáteční míra vad
  • Dc: cílová míra vad

Oblast použití: spojitá metrika (Y) řídící se normálním rozdělením. Například: doba trvání, teplota, velikost atd.

Zde z rozdílů mezi průměry pozorovanými ve dvou vzorcích určujeme, zda lze vyvodit posun průměru nad nebo pod danou prahovou hodnotu. Tím se obvykle testuje účinek dvou různých provozních podmínek (účinek X, řešení atd.). Zde použitým testem je dvouvýběrový t-test.

Zadejte následující údaje:

  • n1 a n2: velikost jednotlivých vzorků
  • Xbar1 a Xbar2: průměr Y v jednotlivých vzorcích
  • s1 a s2: směrodatná odchylka Y v jednotlivých vzorcích
  • α: riziko, že skutečný účinek leží mimo vypočítaný interval spolehlivosti; zadejte 5% pro 95% interval spolehlivosti
  • Emin: prahová hodnota hledaného účinku

Oblast použití: spojitá metrika (Y) řídící se normálním rozdělením. Například: doba trvání, teplota, velikost atd.

Zde pro dvouvýběrový t-test určujeme:

  • Minimální velikost vzorku požadovanou k detekci posunu průměru nad danou prahovou hodnotu
  • Nejmenší detekovatelný posun průměru (rozlišení) pro dané vzorky
  • Sílutestu pro detekci posunu průměru nad nebo pod danou prahovou hodnotu pro dané vzorky

Zadejte následující údaje:

1/ Pro velikost vzorku:

  • α: riziko chybné detekce účinku
  • β: riziko nedetekování účinku
  • σ: směrodatná odchylka (známá nebo odhadnutá)
  • Emin k detekci: minimální (užitečný) účinek, který chcete detekovat

2/ Pro minimální detekovatelný účinek:

  • α: riziko chybné detekce účinku
  • β: riziko nedetekování účinku
  • n1 a n2: velikost jednotlivých vzorků
  • σ1 a σ2: směrodatná odchylka každého vzorku, pokud není známa jinak

3/ Pro sílu testu:

  • n1 a n2: velikost jednotlivých vzorků
  • σ1 a σ2: směrodatná odchylka každého vzorku, pokud není známa jinak
  • Emin k detekci: minimální (užitečný) účinek, který chcete detekovat

Oblast použití: spojitá metrika (Y) řídící se normálním rozdělením. Například: doba trvání, teplota, velikost atd.

Zde určujeme z průměru pozorovaného ve vzorku, zda se průměr liší od své hypotetické hodnoty. Zde použitým testem je

jednovýběrový t-test.

Zadejte následující údaje:

  • µ0: hypotetická hodnota průměru
  • n: velikost vzorku
  • Xbar: průměr Y vypočítaný ve vzorku
  • s nebo σ: směrodatná odchylka Y vypočítaná ve vzorku, nebo skutečná směrodatná odchylka, pokud je známa
  • α: riziko, že skutečný průměr leží mimo vypočítaný interval spolehlivosti; zadejte 5% pro 95% interval spolehlivosti

Oblast použití: spojitá metrika (Y) řídící se normálním rozdělením. Například: doba trvání, teplota, velikost atd.

Zde v rámci provádění jednovýběrového t-testu určujeme:

  • Minimální velikost vzorku požadovanou k detekci, zda je průměr nad nebo pod hypotetickým průměrem
  • Nejmenší detekovatelnou odchylku mezi průměrem a hypotetickým průměrem pro dané vzorky
  • Sílu testu pro detekci odchylky mezi průměrem a hypotetickým průměrem pro dané vzorky

Zadejte následující údaje:

1/ Pro určení velikosti vzorku:

  • α: riziko chybné detekce odchylky
  • β: riziko nedetekování odchylky
  • σ: směrodatná odchylka (známá nebo odhadnutá)
  • εmin k detekci: minimální (užitečná) odchylka, kterou chcete detekovat

2/ Pro určení minimální detekovatelné odchylky:

  • α: riziko chybné detekce odchylky
  • β: riziko nedetekování odchylky
  • n: velikost vzorku
  • σ: výběrová směrodatná odchylka, pokud není známa jinak

3/ Pro určení síly testu:

  • n: velikost vzorku
  • σ: výběrová směrodatná odchylka, pokud není známa jinak
  • εmin k detekci: minimální (užitečná) odchylka, kterou chcete detekovat

Oblast použití: spojitá metrika (Y) řídící se normálním rozdělením. Například: doba trvání, teplota, velikost atd.

Zde určujeme 1-α interval spolehlivosti směrodatné odchylky σ z toho, co je pozorováno ve výběru.

Zadejte následující údaje:

  • α: riziko, že skutečná hodnota směrodatné odchylky leží mimo interval spolehlivosti. Pro 95% interval spolehlivosti zadejte α = 5 %
  • s: směrodatná odchylka Y ve výběru
  • n: velikost vzorku

Oblast použití: spojitá metrika (Y) řídící se normálním rozdělením. Například: doba trvání, teplota, velikost atd.

Zde určujeme minimální velikost výběru potřebnou k zjištění směrodatné odchylky σ v rámci zvolené přípustné chyby (statistické přesnosti).

Zadejte následující údaje:

  • s: směrodatná odchylka Y ve výběru
  • Výběrová chyba: požadovaná poloviční šířka 1-α intervalu spolehlivosti průměru
  • α: riziko, že skutečná hodnota směrodatné odchylky leží mimo interval spolehlivosti. Nastavuje tedy hladinu spolehlivosti 1-α přípustné chyby. Pro 95% interval spolehlivosti zadejte α = 5 %

Oblast použití: spojitá metrika (Y) řídící se normálním rozdělením. Například: doba trvání, teplota, velikost atd.

Zde určujeme požadované snížení směrodatné odchylky při konstantním průměru, aby bylo dosaženo cílového snížení míry vad.

Zadejte následující údaje:

Souhrnný výpočet (pokud již znáte počáteční míru vad):

  • Di: počáteční míra vad
  • Dc: cílová míra vad

Podrobný výpočet:

  • SL: limit specifikace pro Y (dolní nebo horní)
  • LSL: dolní limit specifikace pro Y
  • USL: horní limit specifikace pro Y
  • µ: průměr
  • σi: počáteční (aktuální) směrodatná odchylka
  • τred. (%): požadované snížení míry vad

Oblast použití: spojitá metrika (Y) řídící se normálním rozdělením. Například: doba trvání, teplota, velikost atd.

Zde určujeme, zda lze na základě rozdílů mezi směrodatnými odchylkami pozorovanými ve dvou výběrech usoudit na pokles nebo nárůst směrodatné odchylky nad nebo pod danou prahovou hodnotu. Tímto se obvykle testuje vliv dvou různých provozních podmínek (vliv faktoru X, řešení atd.). Použitý test je

dvouvýběrový test rozptylů (F-test)

.

Zadejte následující údaje:

  • n1 a n2: velikost jednotlivých vzorků
  • s1 a s2: směrodatná odchylka Y v jednotlivých vzorcích
  • α: riziko, že skutečný účinek leží mimo vypočítaný interval spolehlivosti; zadejte 5% pro 95% interval spolehlivosti
  • Emin: prahová hodnota hledaného účinku

Oblast použití: spojitá metrika (Y) řídící se normálním rozdělením. Například: doba trvání, teplota, velikost atd.

Zde určujeme pro dvouvýběrový test rozptylů (F-test):

  • Minimální velikost výběru potřebnou k detekci poklesu nebo nárůstu směrodatné odchylky nad nebo pod danou prahovou hodnotu
  • Nejmenší detekovatelné snížení směrodatné odchylky (rozlišení) pro dané výběry

Výpočty předpokládají sílu testu 79.16 % a α = 5 %.

Zadejte následující údaje:

1/ Pro velikost výběru: E

min

k detekci: minimální (užitečný) efekt, který chcete detekovat

2/ Pro minimální detekovatelný efekt: n1 a n2: velikost jednotlivých výběrů

Oblast použití: spojitá metrika (Y) řídící se normálním rozdělením. Například: doba trvání, teplota, velikost atd.

Zde určujeme, zda se směrodatná odchylka liší od své hypotetické hodnoty, na základě směrodatné odchylky pozorované ve výběru. Použitý test je jednovýběrový test rozptylu (F-test).

Zadejte následující údaje:

  • σ0: hypotetická hodnota směrodatné odchylky
  • n: velikost vzorku
  • Xbar: průměr Y vypočítaný ve vzorku
  • s: směrodatná odchylka Y vypočítaná ve výběru
  • α: riziko, že skutečná směrodatná odchylka leží mimo vypočítaný interval spolehlivosti; zadejte 5 % pro 95% interval spolehlivosti

Oblast použití: metrika kvality založená na počítání (Y) řídící se Poissonovým rozdělením. Například: vady na PC, čekací doby během telefonního hovoru, chyby na dokument atd.

Zde určujeme snížení míry výskytu potřebné k dosažení cílového snížení míry vad.

Zadejte následující údaje:

Souhrnný výpočet (pokud již znáte počáteční míru vad):

  • Di: počáteční míra vad
  • Dc: cílová míra vad

Podrobný výpočet:

  • λi: počáteční (aktuální) míra výskytu
  • τred. (%): požadované snížení míry vad

Oblast použití: metrika kvality založená na počítání (Y) řídící se Poissonovým rozdělením. Například: vady na PC, čekací doby během telefonního hovoru, chyby na dokument atd.

Zde určujeme minimální velikost výběru potřebnou k detekci takového snížení míry výskytu, které by splnilo cílové snížení míry vad.

Zadejte následující údaje:

  • α: riziko chybného závěru, že požadovaný efekt existuje
  • β: riziko nedetekování požadovaného efektu
  • Di: počáteční míra vad
  • Dc: cílová míra vad

Oblast použití: metrika kvality založená na počítání (Y) řídící se Poissonovým rozdělením. Například: vady na PC, čekací doby během telefonního hovoru, chyby na dokument atd.

Zde určujeme, zda lze na základě rozdílů mezi mírami výskytu pozorovanými ve dvou výběrech usoudit na pokles nebo nárůst míry výskytu nad nebo pod danou prahovou hodnotu. Tímto se obvykle testuje vliv dvou různých provozních podmínek (vliv faktoru X, řešení atd.). Použitý test je dvouvýběrový Poissonův test.

Zadejte následující údaje:

  • n1 a n2: velikost jednotlivých vzorků
  • d1 a d2: počet vad zjištěných v jednotlivých výběrech
  • α: riziko, že skutečný účinek leží mimo vypočítaný interval spolehlivosti; zadejte 5% pro 95% interval spolehlivosti
  • Emin: prahová hodnota hledaného efektu, λ2 – λ1

Oblast použití: kvalitativní metrika (Y) počtu výskytů řídící se Poissonovým rozdělením. Například: počet vad na PC, počet podržených hovorů na telefonní hovor, počet chyb na dokument atd.

Zde určujeme v rámci provádění dvouvýběrového Poissonova testu:

  • Minimální velikost výběru potřebnou k detekci poklesu nebo nárůstu míry výskytu nad danou prahovou hodnotu
  • Nejmenší detekovatelný pokles nebo nárůst míry výskytu pro dané výběry
  • Sílu testu k detekci poklesu nebo nárůstu míry výskytu nad nebo pod danou prahovou hodnotu pro dané výběry

Zadejte následující údaje:

1/ Pro určení velikosti vzorku:

  • α: riziko chybné detekce účinku
  • β: riziko nedetekování účinku
  • λ1: referenční míra výskytu
  • λ2: srovnávací míra výskytu odpovídající prahové hodnotě efektu k detekci, Emin = λ2 – λ1

2/ Pro určení minimálního detekovatelného efektu:

  • α: riziko chybné detekce účinku
  • β: riziko nedetekování účinku
  • n1 a n2: velikost jednotlivých vzorků
  • λ1: referenční míra výskytu

3/ Pro určení síly testu:

  • n1 a n2: velikost jednotlivých vzorků
  • λ1: referenční míra výskytu
  • λ2: srovnávací míra výskytu odpovídající prahové hodnotě efektu k detekci, Emin = λ2 – λ1

Oblast použití: metrika (Y) počtu výskytů řídící se Poissonovým rozdělením. Například: počet vad na PC, počet podržených hovorů na telefonní hovor, počet chyb na dokument atd.

Zde určujeme, zda se míra výskytu liší od své hypotetické hodnoty na základě míry výskytu pozorované ve vzorku. Zde použitým testem je jednovýběrový Poissonův test.

Zadejte následující údaje:

  • λ0: hypotetická hodnota míry výskytu
  • n: velikost vzorku
  • d: počet vad zjištěných ve výběru
  • α: riziko, že skutečný průměr leží mimo vypočítaný interval spolehlivosti; zadejte 5% pro 95% interval spolehlivosti

Oblast použití: metrika (Y) počtu výskytů řídící se Poissonovým rozdělením. Například: počet vad na PC, počet podržených hovorů na telefonní hovor, počet chyb na dokument atd.

Zde určujeme v rámci provádění jednovýběrového Poissonova testu:

  • Minimální velikost výběru potřebnou k detekci, zda je míra výskytu nad nebo pod svou hypotetickou hodnotou
  • Nejmenší detekovatelnou odchylku mezi mírou výskytu a její hypotetickou hodnotou pro dané výběry
  • Sílu testu k detekci odchylky mezi mírou výskytu a její hypotetickou hodnotou pro dané výběry

Zadejte následující údaje:

1/ Pro určení velikosti vzorku:

  • α: riziko chybné detekce odchylky
  • β: riziko nedetekování odchylky
  • λ0: hypotetická míra výskytu
  • λ: srovnávací míra výskytu taková, že εmin = λ – λ0

2/ Pro určení minimální detekovatelné odchylky:

  • α: riziko chybné detekce odchylky
  • β: riziko nedetekování odchylky
  • n: velikost vzorku
  • λ0: hypotetická míra výskytu

3/ Pro určení síly testu:

  • n: velikost vzorku
  • λ0: hypotetická míra výskytu
  • λ: srovnávací míra výskytu taková, že εmin = λ – λ0

Oblast použití: binární metrika (Y) řídící se binomickým rozdělením. Například: opuštěné hovory, chybné faktury, vadné díly atd.

Zde určujeme cílové snížení podílu potřebné k dosažení cílového snížení míry vad.

Zadejte následující údaje:

  • πi: počáteční míra vad
  • τred.: požadované snížení míry vad

Oblast použití: binární metrika (Y) řídící se binomickým rozdělením. Například: opuštěné hovory, chybné faktury, vadné díly atd.

Zde určujeme minimální velikost výběru potřebnou k detekci takového snížení podílu, které by splnilo cílové snížení míry vad.

Zadejte následující údaje:

  • α: riziko chybného závěru, že požadovaný efekt existuje
  • β: riziko nedetekování požadovaného efektu
  • Di: počáteční míra vad
  • Dc: cílová míra vad

Oblast použití: binární metrika (Y) řídící se binomickým rozdělením. Například: opuštěné hovory, chybné faktury, vadné díly atd.

Zde určujeme, zda lze na základě rozdílů mezi podíly pozorovanými ve dvou výběrech usoudit na pokles nebo nárůst podílu nad nebo pod danou prahovou hodnotu. Tímto se obvykle testuje vliv dvou různých provozních podmínek (vliv faktoru X, řešení atd.). Použitý test je

dvouvýběrový test podílů

.

Zadejte následující údaje:

  • n1 a n2: velikost jednotlivých vzorků
  • D1 a D2: počet vadných kusů zjištěných v jednotlivých výběrech
  • α: riziko, že skutečný účinek leží mimo vypočítaný interval spolehlivosti; zadejte 5% pro 95% interval spolehlivosti
  • Emin: prah požadovaného efektu, π2 – π1

Oblast použití: binární metrika (Y) řídící se binomickým rozdělením. Například: opuštěné hovory, chybné faktury, vadné díly atd.

Zde určujeme pro test dvou podílů:

  • Minimální velikost vzorku požadovanou k detekci poklesu nebo nárůstu podílu nad daný prah
  • Nejmenší detekovatelný pokles nebo nárůst podílu (rozlišení) pro dané vzorky
  • Sílu testu k detekci efektu na podíl nad nebo pod daným prahem pro dané vzorky

Zadejte následující údaje:

1/ Pro určení velikosti vzorku:

  • α: riziko chybné detekce účinku
  • β: riziko nedetekování účinku
  • π1: referenční podíl
  • π2: srovnávací podíl odpovídající prahu efektu k detekci, Emin = π2 – π1

2/ Pro určení minimálního detekovatelného efektu:

  • α: riziko chybné detekce účinku
  • β: riziko nedetekování účinku
  • n1 a n2: velikost jednotlivých vzorků
  • π1: referenční podíl

3/ Pro určení síly testu:

  • n1 a n2: velikost jednotlivých vzorků
  • π1: referenční podíl
  • π2: srovnávací podíl odpovídající prahu efektu k detekci, Emin = π2 – π1

Oblast použití: binární metrika kvality (Y) řídící se binomickým rozdělením. Například: opuštěné hovory, chybné faktury, vadné díly atd.

Zde určujeme, zda se podíl liší od své hypotetické hodnoty na základě podílu pozorovaného ve vzorku. Zde použitým testem je jednovýběrový test podílu.

Zadejte následující údaje:

  • π0: hypotetická hodnota podílu
  • n: velikost vzorku
  • D: počet vadných jednotek zjištěných ve vzorku
  • α: riziko, že skutečný průměr leží mimo vypočítaný interval spolehlivosti; zadejte 5% pro 95% interval spolehlivosti

Oblast použití: binární metrika kvality (Y) řídící se binomickým rozdělením. Například: opuštěné hovory, nesprávné faktury, vadné díly atd.

Zde určujeme pro test jednoho podílu:

  • Minimální velikost vzorku požadovanou k detekci, zda je podíl nad nebo pod svou hypotetickou hodnotou
  • Nejmenší detekovatelnou odchylku mezi podílem a jeho hypotetickou hodnotou pro daný vzorek
  • Sílu testu k detekci odchylky mezi podílem a jeho hypotetickou hodnotou pro daný vzorek

Zadejte následující údaje:

1/ Pro velikost vzorku:

  • α: riziko chybné detekce odchylky
  • β: riziko nedetekování odchylky
  • π0: hypotetický podíl
  • π: srovnávací podíl takový, že εmin = π – π0

2/ Pro minimální detekovatelnou odchylku:

  • α: riziko chybné detekce odchylky
  • β: riziko nedetekování odchylky
  • n: velikost vzorku
  • π0: hypotetický podíl

3/ Pro sílu testu:

  • n: velikost vzorku
  • π0: hypotetický podíl
  • π: srovnávací podíl takový, že εmin = π – π0
enENarARcsCSdaDAdeDEesESfiFIfrFRitITnlNLnoNOplPLpt-brPTpt-ptPTskSKslSLsvSVtrTR
No results