Otwiera się w nowej karcie
LSS Belgium horz white bg2

Operational Excellence dzięki myśleniu statystycznemu

Odkryj Statoscopex, nasze oprogramowanie online do analizy statystycznej. Jest ono skierowane do praktyków Six Sigma oraz analizy statystycznej, którzy chcą ocenić i w pełni wykorzystać potencjał decyzyjny zbioru danych.
Statoscopex pomaga praktykom Six Sigma i statystyki w identyfikacji kluczowych czynników, kwantyfikacji ich wpływu oraz ocenie ich praktycznego znaczenia, co umożliwia podejmowanie trafniejszych decyzji doskonalących.
Zdjęcie YB
Youri Buffe
Master Black Belt

Zaawansowane funkcje dla Państwa analiz statystycznych

Statoscopex oferuje ponad 50 analiz i 100 obliczeń statystycznych dzięki funkcjonalnościom badania zdolności procesu i analizy czynnikowej, w tym:

Dla następujących metryk: ciągłych, zliczeniowych, binarnych.

  1. Określenie dokładności statystycznej poziomu wadliwości procesu
  2. Określenie minimalnej wielkości próby wymaganej do oszacowania poziomu wadliwości procesu

Dla następujących parametrów: średnia, odchylenie standardowe, wskaźnik występowania, proporcja.

  1. Określenie przedziału ufności parametru
  2. Określenie minimalnej wielkości próby wymaganej do oszacowania parametru statystycznego z określoną dokładnością

Dla następujących parametrów: średnia, odchylenie standardowe, wskaźnik występowania, proporcja.

  1. Przełożenie celu redukcji poziomu wadliwości na docelowy wpływ na parametr statystyczny.
  2. Określenie minimalnej wielkości próby wymaganej do wykrycia wpływu na parametr statystyczny, który pozwala osiągnąć cel redukcji poziomu wadliwości.

Dla następujących parametrów: średnia, odchylenie standardowe, wskaźnik występowania, proporcja.

  1. Wykrycie istnienia efektu poniżej lub powyżej wartości progowej
  2. Określenie minimalnej wielkości próby wymaganej do wykrycia efektu co najmniej równego określonej wielkości
  3. Określenie najmniejszego wykrywalnego efektu przy użyciu dwóch prób (rozdzielczość)
  4. Określenie mocy detekcji efektu poniżej lub powyżej wartości progowej przy użyciu prób.

Zastosowane techniki: test t dla dwóch prób, test dla dwóch wariancji, test Poissona dla dwóch prób, test dla dwóch proporcji

Dla następujących parametrów: średnia, odchylenie standardowe, wskaźnik występowania, proporcja.

  1. Wykrycie, czy parametr różni się od swojej wartości referencyjnej
  2. Określenie minimalnej wielkości próby wymaganej do wykrycia, czy parametr różni się od swojej wartości referencyjnej
  3. Określenie najmniejszej wykrywalnej różnicy między wartością parametru a jego wartością referencyjną przy użyciu próby (rozdzielczość)
  4. Określenie mocy detekcji odchylenia parametru od jego wartości referencyjnej przy użyciu próby

Zastosowane techniki: test t dla jednej próby, test wariancji, test Poissona dla jednej próby, test dla jednej proporcji.

Kalkulatory

Każda analiza Statoscopex odbywa się właśnie tutaj. Otwórz tę, której potrzebujesz — każdy panel zawiera własny formularz, a wyniki pojawiają się bezpośrednio na miejscu.

Obszar zastosowania: ciągła metryka jakościowa (Y) o rozkładzie normalnym. Na przykład: czas trwania, temperatura, rozmiar itp.

W tym miejscu wyznaczamy oczekiwany (prawdopodobieństwa) poziom wadliwości na podstawie obserwacji w próbie. Obliczenia podają również margines błędu (precyzję statystyczną) dla tego oczekiwanego poziomu wadliwości.

Wprowadź następujące dane:

  • n: wielkość próby
  • Xbar: średnia z próby
  • s: odchylenie standardowe z próby
  • LSL: dolna granica specyfikacji
  • USL: górna granica specyfikacji

Obszar zastosowania: ciągła metryka jakościowa (Y) o rozkładzie normalnym. Na przykład: czas trwania, temperatura, rozmiar itp.

W tym miejscu wyznaczamy minimalną wielkość próby, jaką należy pobrać, aby poznać oczekiwany poziom wadliwości w granicach akceptowalnego marginesu błędu (precyzji statystycznej).

Wprowadź następujące dane:

  • Względny margines błędu: akceptowalny % błędu dla poziomu wadliwości
  • Zakładana wydajność: szacunek rzędu wielkości wydajności operacyjnej, wyrażony jako poziom wadliwości lub jako Sigma

Obszar zastosowania: ilościowa metryka jakościowa (Y) o rozkładzie Poissona. Na przykład: liczby wad na komputer, liczby zawieszeń na połączenie telefoniczne, liczby błędów na dokument itp.

W tym miejscu wyznaczamy oczekiwany (prawdopodobieństwa) poziom wadliwości na podstawie obserwacji w próbie. Obliczenia podają również margines błędu (precyzję statystyczną) dla tego oczekiwanego poziomu wadliwości (metoda przybliżenia rozkładem normalnym). Wprowadź następujące dane:

  • n: wielkość próby
  • λ̂: częstość występowania w próbie; zazwyczaj wady na jednostkę (DPU).

Obszar zastosowania: ilościowa metryka jakościowa (Y) o rozkładzie Poissona. Na przykład: liczby wad na komputer, liczby zawieszeń na połączenie telefoniczne, liczby błędów na dokument itp.

W tym miejscu wyznaczamy minimalną wielkość próby, jaką należy pobrać, aby poznać oczekiwany poziom wadliwości w granicach akceptowalnego marginesu błędu (precyzji statystycznej) (metoda przybliżenia rozkładem normalnym).

Wprowadź następujące dane:

  • Względny margines błędu: akceptowalny % błędu dla poziomu wadliwości
  • Zakładana wydajność: szacunek rzędu wielkości wydajności operacyjnej, wyrażony jako poziom wadliwości lub jako Sigma

Obszar zastosowania: dwustanowa metryka jakościowa (Y) o rozkładzie dwumianowym. Na przykład: porzucone połączenia, błędne faktury, wadliwe części itp.

W tym miejscu wyznaczamy oczekiwany (prawdopodobieństwa) poziom wadliwości na podstawie obserwacji w próbie. Obliczenia podają również margines błędu (precyzję statystyczną) dla tego oczekiwanego poziomu wadliwości (metoda przybliżenia rozkładem normalnym). Wprowadź następujące dane:

  • n: wielkość próby
  • p: proporcja jednostek wadliwych w próbie

Jeśli w próbie nie zaobserwowano żadnej jednostki wadliwej, wprowadź wartość p równą 1/(n+2).

Obszar zastosowania: dwustanowa metryka jakościowa (Y) o rozkładzie dwumianowym. Na przykład: porzucone połączenia, błędne faktury, wadliwe części itp.

W tym miejscu wyznaczamy minimalną wielkość próby, jaką należy pobrać, aby poznać oczekiwany poziom wadliwości w granicach akceptowalnego marginesu błędu (precyzji statystycznej) (metoda przybliżenia rozkładem normalnym).

Wprowadź następujące dane:

  • Względny margines błędu: akceptowalny % błędu dla poziomu wadliwości
  • Zakładana wydajność: szacunek rzędu wielkości wydajności operacyjnej, wyrażony jako poziom wadliwości lub jako Sigma

Obszar zastosowania: ciągła zmienna metryczna (Y) o rozkładzie normalnym. Na przykład: czas trwania, temperatura, rozmiar itp.

W tym miejscu wyznaczamy przedział ufności 1-α dla średniej µ na podstawie obserwacji w próbie.

Wprowadź następujące dane:

  • α: ryzyko, że prawdziwa wartość średniej znajdzie się poza przedziałem ufności. Dla przedziału ufności 95% wprowadź α = 5%
  • n: wielkość próby
  • Xbar: średnia z próby
  • σ lub s: rzeczywiste odchylenie standardowe (jeśli jest znane) lub odchylenie standardowe z próby

Obszar zastosowania: ciągła zmienna metryczna (Y) o rozkładzie normalnym. Na przykład: czas trwania, temperatura, rozmiar itp.

W tym miejscu wyznaczamy minimalną wielkość próby, jaką należy pobrać, aby poznać średnią µ w granicach wybranego marginesu błędu (precyzji statystycznej).

Wprowadź następujące dane:

  • σ lub s: rzeczywiste odchylenie standardowe (jeśli jest znane) lub odchylenie standardowe z próby
  • Margines błędu: pożądana połowa szerokości przedziału ufności 1-α dla średniej
  • α: ryzyko, że prawdziwa wartość średniej znajdzie się poza przedziałem ufności. Określa ono zatem poziom ufności 1-α dla marginesu błędu. Dla przedziału ufności 95% wprowadź α = 5%

Obszar zastosowania: ciągła zmienna metryczna (Y) o rozkładzie normalnym. Na przykład: czas trwania, temperatura, rozmiar itp.

W tym miejscu wyznaczamy wymagane przesunięcie średniej, przy stałym odchyleniu standardowym, aby osiągnąć docelową redukcję poziomu wadliwości.

Wprowadź następujące dane:

Uproszczone obliczenie (jeśli znasz już początkowy poziom wadliwości):

  • Di: początkowy poziom wadliwości
  • Dc: docelowy poziom wadliwości
  • σ: odchylenie standardowe Y

Szczegółowe obliczenie:

  • LSL: dolna granica specyfikacji
  • USL: górna granica specyfikacji
  • µi: początkowa (obecna) średnia
  • σ: odchylenie standardowe Y
  • τred. (%): pożądana redukcja poziomu wadliwości

Obszar zastosowania: ciągła zmienna metryczna (Y) o rozkładzie normalnym. Na przykład: czas trwania, temperatura, rozmiar itp.

W tym miejscu wyznaczamy minimalną wielkość próby potrzebną do wykrycia takiego przesunięcia średniej, które przy stałym odchyleniu standardowym zapewni docelową redukcję poziomu wadliwości.

Wprowadź następujące dane:

  • α: ryzyko błędnego wyciągnięcia wniosku o istnieniu wymaganego efektu
  • β: ryzyko niewykrycia wymaganego efektu
  • Di: początkowy poziom wadliwości
  • Dc: docelowy poziom wadliwości

Obszar zastosowania: ciągła zmienna metryczna (Y) o rozkładzie normalnym. Na przykład: czas trwania, temperatura, rozmiar itp.

W tym miejscu wyznaczamy, czy można wyciągnąć wniosek o przesunięciu średniej powyżej lub poniżej danego progu na podstawie różnic między średnimi zaobserwowanymi w dwóch próbach. Testuje to zazwyczaj wpływ dwóch różnych warunków operacyjnych (wpływ czynnika X, rozwiązania itp.). Zastosowanym tu testem jest test t dla dwóch prób.

Wprowadź następujące dane:

  • n1 i n2: wielkość każdej z prób
  • Xbar1 i Xbar2: średnia Y w każdej z prób
  • s1 i s2: odchylenie standardowe Y w każdej z prób
  • α: ryzyko, że prawdziwy efekt znajdzie się poza obliczonym przedziałem ufności; wprowadź 5% dla przedziału ufności 95%
  • Emin: próg poszukiwanego efektu

Obszar zastosowania: ciągła zmienna metryczna (Y) o rozkładzie normalnym. Na przykład: czas trwania, temperatura, rozmiar itp.

W tym miejscu wyznaczamy dla testu t dla dwóch prób:

  • Minimalną wielkość próby wymaganą do wykrycia przesunięcia średniej powyżej danego progu
  • Najmniejsze wykrywalne przesunięcie średniej (rozdzielczość) dla danych prób
  • Moc wykrywania przesunięcia średniej powyżej lub poniżej danego progu dla danych prób

Wprowadź następujące dane:

1/ Dla wielkości próby:

  • α: ryzyko błędnego wykrycia efektu
  • β: ryzyko niewykrycia efektu
  • σ: odchylenie standardowe (znane lub szacowane)
  • Emin do wykrycia: minimalny (użyteczny) efekt, który chcesz wykryć

2/ Dla minimalnego wykrywalnego efektu:

  • α: ryzyko błędnego wykrycia efektu
  • β: ryzyko niewykrycia efektu
  • n1 i n2: wielkość każdej z prób
  • σ1 i σ2: odchylenie standardowe każdej próby, jeśli nie jest znane inaczej

3/ Dla mocy:

  • n1 i n2: wielkość każdej z prób
  • σ1 i σ2: odchylenie standardowe każdej próby, jeśli nie jest znane inaczej
  • Emin do wykrycia: minimalny (użyteczny) efekt, który chcesz wykryć

Obszar zastosowania: ciągła zmienna metryczna (Y) o rozkładzie normalnym. Na przykład: czas trwania, temperatura, rozmiar itp.

W tym miejscu wyznaczamy, czy średnia różni się od zakładanej wartości hipotezy na podstawie średniej zaobserwowanej w próbie. Zastosowanym tu testem jest

test t dla jednej próby.

Wprowadź następujące dane:

  • µ0: zakładana wartość hipotezy dla średniej
  • n: wielkość próby
  • Xbar: średnia Y obliczona w próbie
  • s lub σ: odchylenie standardowe Y obliczone w próbie lub rzeczywiste odchylenie standardowe, jeśli jest znane
  • α: ryzyko, że prawdziwa średnia znajdzie się poza obliczonym przedziałem ufności; wprowadź 5% dla przedziału ufności 95%

Obszar zastosowania: ciągła zmienna metryczna (Y) o rozkładzie normalnym. Na przykład: czas trwania, temperatura, rozmiar itp.

W tym miejscu wyznaczamy, w ramach realizacji testu t dla jednej próby:

  • Minimalną wielkość próby wymaganą do wykrycia, czy średnia znajduje się powyżej czy poniżej zakładanej średniej
  • Najmniejsze wykrywalne odchylenie między średnią a zakładać średnią dla danych prób
  • Moc wykrywania odchylenia między średnią a zakładać średnią dla danych prób

Wprowadź następujące dane:

1/ Do wyznaczenia wielkości próby:

  • α: ryzyko błędnego wykrycia odchylenia
  • β: ryzyko niewykrycia odchylenia
  • σ: odchylenie standardowe (znane lub szacowane)
  • εmin do wykrycia: minimalne (użyteczne) odchylenie, które chcesz wykryć

2/ Do wyznaczenia minimalnego wykrywalnego odchylenia:

  • α: ryzyko błędnego wykrycia odchylenia
  • β: ryzyko niewykrycia odchylenia
  • n: wielkość próby
  • σ: odchylenie standardowe z próby, jeśli nie jest znane inaczej

3/ Do wyznaczenia mocy:

  • n: wielkość próby
  • σ: odchylenie standardowe z próby, jeśli nie jest znane inaczej
  • εmin do wykrycia: minimalne (użyteczne) odchylenie, które chcesz wykryć

Obszar zastosowania: ciągła zmienna metryczna (Y) o rozkładzie normalnym. Na przykład: czas trwania, temperatura, rozmiar itp.

W tym miejscu wyznaczamy przedział ufności 1-α dla odchylenia standardowego σ na podstawie obserwacji w próbie.

Wprowadź następujące dane:

  • α: ryzyko, że prawdziwa wartość odchylenia standardowego znajdzie się poza przedziałem ufności. Dla przedziału ufności 95% wprowadź α = 5%
  • s: odchylenie standardowe Y w próbie
  • n: wielkość próby

Obszar zastosowania: ciągła zmienna metryczna (Y) o rozkładzie normalnym. Na przykład: czas trwania, temperatura, rozmiar itp.

W tym miejscu wyznaczamy minimalną wielkość próby, jaką należy pobrać, aby poznać odchylenie standardowe σ w granicach wybranego marginesu błędu (precyzji statystycznej).

Wprowadź następujące dane:

  • s: odchylenie standardowe Y w próbie
  • Margines błędu: pożądana połowa szerokości przedziału ufności 1-α dla średniej
  • α: ryzyko, że prawdziwa wartość odchylenia standardowego znajdzie się poza przedziałem ufności. Określa ono zatem poziom ufności 1-α dla marginesu błędu. Dla przedziału ufności 95% wprowadź α = 5%

Obszar zastosowania: ciągła zmienna metryczna (Y) o rozkładzie normalnym. Na przykład: czas trwania, temperatura, rozmiar itp.

W tym miejscu wyznaczamy redukcję odchylenia standardowego wymaganą, przy stałej średniej, do osiągnięcia docelowej redukcji poziomu wadliwości.

Wprowadź następujące dane:

Uproszczone obliczenie (jeśli znasz już początkowy poziom wadliwości):

  • Di: początkowy poziom wadliwości
  • Dc: docelowy poziom wadliwości

Szczegółowe obliczenie:

  • SL: granica specyfikacji dla Y (dolna lub górna)
  • LSL: dolna granica specyfikacji Y
  • USL: górna granica specyfikacji Y
  • µ: średnia
  • σi: początkowe (obecne) odchylenie standardowe
  • τred. (%): pożądana redukcja poziomu wadliwości

Obszar zastosowania: ciągła zmienna metryczna (Y) o rozkładzie normalnym. Na przykład: czas trwania, temperatura, rozmiar itp.

W tym miejscu wyznaczamy, czy można wyciągnąć wniosek o spadku lub wzroście odchylenia standardowego powyżej lub poniżej danego progu na podstawie różnic między odchyleniami standardowymi zaobserwowanymi w dwóch próbach. Testuje to zazwyczaj wpływ dwóch różnych warunków operacyjnych (wpływ czynnika X, rozwiązania itp.). Zastosowanym tu testem jest

test dwóch wariancji (test F)

.

Wprowadź następujące dane:

  • n1 i n2: wielkość każdej z prób
  • s1 i s2: odchylenie standardowe Y w każdej z prób
  • α: ryzyko, że prawdziwy efekt znajdzie się poza obliczonym przedziałem ufności; wprowadź 5% dla przedziału ufności 95%
  • Emin: próg poszukiwanego efektu

Obszar zastosowania: ciągła zmienna metryczna (Y) o rozkładzie normalnym. Na przykład: czas trwania, temperatura, rozmiar itp.

W tym miejscu wyznaczamy dla testu dwóch wariancji (testu F):

  • Minimalna wielkość próby wymagana do wykrycia spadku lub wzrostu odchylenia standardowego powyżej lub poniżej danego progu
  • Najmniejsza wykrywalna redukcja odchylenia standardowego (rozdzielczość) dla danych prób

Obliczenia zakładają moc 79.16% i α = 5%.

Wprowadź następujące dane:

1/ Dla wielkości próby: E

min

do wykrycia: minimalny (użyteczny) efekt, który chcesz wykryć

2/ Dla minimalnego wykrywalnego efektu: n1 i n2: wielkość każdej próby

Obszar zastosowania: ciągła zmienna metryczna (Y) o rozkładzie normalnym. Na przykład: czas trwania, temperatura, rozmiar itp.

Tutaj wyznaczamy, czy odchylenie standardowe różni się od swojej wartości hipotezy, na podstawie odchylenia standardowego zaobserwowanego w próbie. Zastosowano tu test jednej wariancji (test F).

Wprowadź następujące dane:

  • σ0: wartość hipotezy dla odchylenia standardowego
  • n: wielkość próby
  • Xbar: średnia Y obliczona w próbie
  • s: odchylenie standardowe Y obliczone w próbie
  • α: ryzyko, że prawdziwe odchylenie standardowe znajdzie się poza obliczonym przedziałem ufności; wprowadź 5% dla przedziału ufności 95%

Obszar zastosowania: ilościowa metryka jakościowa (Y) o rozkładzie Poissona. Na przykład: liczby wad na komputer, liczby zawieszeń na połączenie telefoniczne, liczby błędów na dokument itp.

Tutaj wyznaczamy redukcję wskaźnika występowania wymaganą do osiągnięcia docelowej redukcji poziomu wadliwości.

Wprowadź następujące dane:

Uproszczone obliczenie (jeśli znasz już początkowy poziom wadliwości):

  • Di: początkowy poziom wadliwości
  • Dc: docelowy poziom wadliwości

Szczegółowe obliczenie:

  • λi: początkowy (obecny) wskaźnik występowania
  • τred. (%): pożądana redukcja poziomu wadliwości

Obszar zastosowania: ilościowa metryka jakościowa (Y) o rozkładzie Poissona. Na przykład: liczby wad na komputer, liczby zawieszeń na połączenie telefoniczne, liczby błędów na dokument itp.

Tutaj wyznaczamy minimalną wielkość próby potrzebną do wykrycia redukcji wskaźnika występowania, która odpowiadałaby docelowej redukcji poziomu wadliwości.

Wprowadź następujące dane:

  • α: ryzyko błędnego wyciągnięcia wniosku o istnieniu wymaganego efektu
  • β: ryzyko niewykrycia wymaganego efektu
  • Di: początkowy poziom wadliwości
  • Dc: docelowy poziom wadliwości

Obszar zastosowania: ilościowa metryka jakościowa (Y) o rozkładzie Poissona. Na przykład: liczby wad na komputer, liczby zawieszeń na połączenie telefoniczne, liczby błędów na dokument itp.

Tutaj wyznaczamy, czy można wnioskować o spadku lub wzroście wskaźnika występowania powyżej lub poniżej danego progu, na podstawie różnic między wskaźnikami występowania zaobserwowanymi w dwóch próbach. To zazwyczaj testuje wpływ dwóch różnych warunków operacyjnych (wpływ X, rozwiązania itp.). Zastosowano tu test Poissona dla dwóch prób.

Wprowadź następujące dane:

  • n1 i n2: wielkość każdej z prób
  • d1 i d2: liczba wad zliczona w każdej próbie
  • α: ryzyko, że prawdziwy efekt znajdzie się poza obliczonym przedziałem ufności; wprowadź 5% dla przedziału ufności 95%
  • Emin: próg poszukiwanego efektu, λ2 – λ1

Zakres zastosowania: jakościowa metryka zliczeniowa (Y) zgodna z rozkładem Poissona. Na przykład: liczba wad na komputer, liczba oczekiwań na połączenie telefoniczne, liczba błędów w dokumencie itp.

W ramach wdrażania testu Poissona dla dwóch prób wyznaczamy tutaj:

  • Minimalna wielkość próby wymagana do wykrycia spadku lub wzrostu wskaźnika występowania powyżej danego progu
  • Najmniejszy wykrywalny spadek lub wzrost wskaźnika występowania dla danych prób
  • Moc wykrywania spadku lub wzrostu wskaźnika występowania powyżej lub poniżej danego progu dla danych prób

Wprowadź następujące dane:

1/ Do wyznaczenia wielkości próby:

  • α: ryzyko błędnego wykrycia efektu
  • β: ryzyko niewykrycia efektu
  • λ1: referencyjny wskaźnik występowania
  • λ2: porównawczy wskaźnik występowania odpowiadający progowi efektu do wykrycia, Emin = λ2 – λ1

2/ W celu wyznaczenia minimalnego wykrywalnego efektu:

  • α: ryzyko błędnego wykrycia efektu
  • β: ryzyko niewykrycia efektu
  • n1 i n2: wielkość każdej z prób
  • λ1: referencyjny wskaźnik występowania

3/ Do wyznaczenia mocy:

  • n1 i n2: wielkość każdej z prób
  • λ1: referencyjny wskaźnik występowania
  • λ2: porównawczy wskaźnik występowania odpowiadający progowi efektu do wykrycia, Emin = λ2 – λ1

Zakres zastosowania: metryka zliczeniowa (Y) zgodna z rozkładem Poissona. Na przykład: liczba wad na komputer, liczba oczekiwań na połączenie telefoniczne, liczba błędów w dokumencie itp.

Określamy tutaj, czy współczynnik występowania różni się od wartości hipotezowanej, na podstawie współczynnika występowania zaobserwowanego w próbie. Zastosowanym tutaj testem jest test Poissona dla jednej próby.

Wprowadź następujące dane:

  • λ0: wartość hipotezy dla wskaźnika występowania
  • n: wielkość próby
  • d: liczba wad zliczona w próbie
  • α: ryzyko, że prawdziwa średnia znajdzie się poza obliczonym przedziałem ufności; wprowadź 5% dla przedziału ufności 95%

Zakres zastosowania: metryka zliczeniowa (Y) zgodna z rozkładem Poissona. Na przykład: liczba wad na komputer, liczba oczekiwań na połączenie telefoniczne, liczba błędów w dokumencie itp.

W ramach wdrażania testu Poissona dla jednej próby wyznaczamy tutaj:

  • Minimalna wielkość próby wymagana do wykrycia, czy wskaźnik występowania znajduje się powyżej czy poniżej swojej wartości hipotezy
  • Najmniejsze wykrywalne odchylenie między wskaźnikiem występowania a jego wartością hipotezy dla danych prób
  • Moc wykrywania odchylenia między wskaźnikiem występowania a jego wartością hipotezy dla danych prób

Wprowadź następujące dane:

1/ Do wyznaczenia wielkości próby:

  • α: ryzyko błędnego wykrycia odchylenia
  • β: ryzyko niewykrycia odchylenia
  • λ0: wskaźnik występowania przyjęty w hipotezie
  • λ: porównawczy wskaźnik występowania taki, że εmin = λ – λ0

2/ Do wyznaczenia minimalnego wykrywalnego odchylenia:

  • α: ryzyko błędnego wykrycia odchylenia
  • β: ryzyko niewykrycia odchylenia
  • n: wielkość próby
  • λ0: wskaźnik występowania przyjęty w hipotezie

3/ Do wyznaczenia mocy:

  • n: wielkość próby
  • λ0: wskaźnik występowania przyjęty w hipotezie
  • λ: porównawczy wskaźnik występowania taki, że εmin = λ – λ0

Obszar zastosowania: dwustanowa (binarna) zmienna metryczna (Y) o rozkładzie dwumianowym. Na przykład: porzucone połączenia, błędne faktury, wadliwe części itp.

Tutaj wyznaczamy cel redukcji proporcji wymagany do osiągnięcia celu redukcji poziomu wadliwości.

Wprowadź następujące dane:

  • πi: początkowy poziom wadliwości
  • τred.: pożądana redukcja poziomu wadliwości

Obszar zastosowania: dwustanowa (binarna) zmienna metryczna (Y) o rozkładzie dwumianowym. Na przykład: porzucone połączenia, błędne faktury, wadliwe części itp.

Tutaj wyznaczamy minimalną wielkość próby potrzebną do wykrycia redukcji proporcji, która odpowiadałaby docelowej redukcji poziomu wadliwości.

Wprowadź następujące dane:

  • α: ryzyko błędnego wyciągnięcia wniosku o istnieniu wymaganego efektu
  • β: ryzyko niewykrycia wymaganego efektu
  • Di: początkowy poziom wadliwości
  • Dc: docelowy poziom wadliwości

Obszar zastosowania: dwustanowa (binarna) zmienna metryczna (Y) o rozkładzie dwumianowym. Na przykład: porzucone połączenia, błędne faktury, wadliwe części itp.

Tutaj wyznaczamy, czy można wnioskować o spadku lub wzroście proporcji powyżej lub poniżej danego progu, na podstawie różnic między proporcjami zaobserwowanymi w dwóch próbach. To zazwyczaj testuje wpływ dwóch różnych warunków operacyjnych (wpływ X, rozwiązania itp.). Zastosowano tu

test dwóch proporcji

.

Wprowadź następujące dane:

  • n1 i n2: wielkość każdej z prób
  • D1 i D2: liczba wadliwych jednostek zliczona w każdej próbie
  • α: ryzyko, że prawdziwy efekt znajdzie się poza obliczonym przedziałem ufności; wprowadź 5% dla przedziału ufności 95%
  • Emin: próg poszukiwanego efektu, π2 – π1

Obszar zastosowania: dwustanowa (binarna) zmienna metryczna (Y) o rozkładzie dwumianowym. Na przykład: porzucone połączenia, błędne faktury, wadliwe części itp.

Dla testu dwóch proporcji wyznaczamy tutaj:

  • Minimalna wielkość próby wymagana do wykrycia spadku lub wzrostu proporcji powyżej danego progu
  • Najmniejszy wykrywalny spadek lub wzrost proporcji (rozdzielczość) dla danych prób
  • Moc wykrywania efektu dotyczącego proporcji powyżej lub poniżej danego progu dla danych prób

Wprowadź następujące dane:

1/ Do wyznaczenia wielkości próby:

  • α: ryzyko błędnego wykrycia efektu
  • β: ryzyko niewykrycia efektu
  • π1: proporcja referencyjna
  • π2: proporcja porównawcza odpowiadająca progowi efektu do wykrycia, Emin = π2 – π1

2/ W celu wyznaczenia minimalnego wykrywalnego efektu:

  • α: ryzyko błędnego wykrycia efektu
  • β: ryzyko niewykrycia efektu
  • n1 i n2: wielkość każdej z prób
  • π1: proporcja referencyjna

3/ Do wyznaczenia mocy:

  • n1 i n2: wielkość każdej z prób
  • π1: proporcja referencyjna
  • π2: proporcja porównawcza odpowiadająca progowi efektu do wykrycia, Emin = π2 – π1

Zakres zastosowania: binarna jakościowa metryka (Y) zgodna z rozkładem dwumianowym. Na przykład: porzucone połączenia, błędne faktury, wadliwe części itp.

Określamy tutaj, czy proporcja różni się od wartości hipotezowanej, na podstawie proporcji zaobserwowanej w próbie. Zastosowanym tutaj testem jest test dla jednej proporcji.

Wprowadź następujące dane:

  • π0: wartość hipotezy dla proporcji
  • n: wielkość próby
  • D: liczba wadliwych jednostek zliczona w próbie
  • α: ryzyko, że prawdziwa średnia znajdzie się poza obliczonym przedziałem ufności; wprowadź 5% dla przedziału ufności 95%

Obszar zastosowania: dwustanowa metryka jakościowa (Y) o rozkładzie dwumianowym. Na przykład: porzucone połączenia, błędne faktury, wadliwe części itp.

Dla testu jednej proporcji wyznaczamy tutaj:

  • Minimalna wielkość próby wymagana do wykrycia, czy proporcja znajduje się powyżej czy poniżej swojej wartości hipotezy
  • Najmniejsze wykrywalne odchylenie między proporcją a jej wartością hipotezy dla danej próby
  • Moc wykrywania odchylenia między proporcją a jej wartością hipotezy dla danej próby

Wprowadź następujące dane:

1/ Dla wielkości próby:

  • α: ryzyko błędnego wykrycia odchylenia
  • β: ryzyko niewykrycia odchylenia
  • π0: proporcja przyjęta w hipotezie
  • π: proporcja porównawcza taka, że εmin = π – π0

2/ W celu wyznaczenia minimalnego wykrywalnego odchylenia:

  • α: ryzyko błędnego wykrycia odchylenia
  • β: ryzyko niewykrycia odchylenia
  • n: wielkość próby
  • π0: proporcja przyjęta w hipotezie

3/ Dla mocy:

  • n: wielkość próby
  • π0: proporcja przyjęta w hipotezie
  • π: proporcja porównawcza taka, że εmin = π – π0
enENarARcsCSdaDAdeDEesESfiFIfrFRitITnlNLnoNOplPLpt-brPTpt-ptPTskSKslSLsvSVtrTR
No results