Öppnas i en ny flik
LSS Belgium horz white bg2

Operational Excellence genom statistiskt tänkande

Upptäck Statoscopex, vår programvara för statistisk analys online. Den riktar sig till utövare av Six Sigma och statistisk analys som vill utvärdera och fullt ut utnyttja besluts-potentialen i en mängd data.
Statoscopex hjälper utövare av Six Sigma och statistik att identifiera påverkande faktorer, kvantifiera deras effekter och bedöma deras praktiska relevans, vilket möjliggör bättre underbyggda förbättringsbeslut.
Foto YB
Youri Buffe
Master Black Belt

Avancerade funktioner för dina statistiska studier

Statoscopex erbjuder mer än 50 analyser och 100 statistiska beräkningar genom sina funktioner för duglighetsstudier och faktoranalyser, inklusive:

För följande mätetal: kontinuerliga, räknande, binära.

  1. Bestämning av den statistiska noggrannheten för en process felandel
  2. Bestämning av den minsta urvalsstorlek som krävs för att uppskatta en process felandel

För följande parametrar: medelvärde, standardavvikelse, förekomstfrekvens, proportion.

  1. Bestämning av parameterns konfidensintervall
  2. Bestämning av den minsta urvalsstorlek som krävs för att uppskatta den statistiska parametern med en viss noggrannhet

För följande parametrar: medelvärde, standardavvikelse, förekomstfrekvens, proportion.

  1. Översättning av målet att minska felandelen till en måleffekt på den statistiska parametern.
  2. Bestämning av den minsta urvalsstorlek som krävs för att upptäcka effekten på den statistiska parametern som uppnår målet att minska felandelen.

För följande parametrar: medelvärde, standardavvikelse, förekomstfrekvens, proportion.

  1. Upptäcka förekomsten av en effekt under eller över ett tröskelvärde
  2. Bestämma den minsta urvalsstorlek som krävs för att upptäcka en effekt som är minst lika stor som en viss storlek
  3. Bestämma den minsta detekterbara effekten med hjälp av två urval (upplösning)
  4. Bestämma detekteringskraften för en effekt under eller över ett tröskelvärde med hjälp av urval.

Använda tekniker: t-test för två urval, varianstest för två urval, Poisson-test för två urval, proportions-test för två urval

För följande parametrar: medelvärde, standardavvikelse, förekomstfrekvens, proportion.

  1. Upptäcka om en parameter skiljer sig från sitt referensvärde
  2. Bestämma den minsta urvalsstorlek som krävs för att upptäcka om en parameter skiljer sig från sitt referensvärde
  3. Bestämma den minsta detekterbara skillnaden mellan värdet på en parameter och dess referensvärde med hjälp av ett urval (upplösning)
  4. Bestämma detekteringskraften för en parameters avvikelse från dess referensvärde med hjälp av ett urval

Använda tekniker: t-test för ett urval, varianstest, Poisson-test för ett urval, proportions-test.

Kalkylatorer

Varje Statoscopex-analys körs direkt här. Öppna den du behöver — varje panel har sitt eget formulär och resultaten visas direkt på plats.

Tillämpningsområde: ett kontinuerligt kvalitetsmätetal (Y) som följer en normalfördelning. Till exempel: varaktighet, temperatur, storlek etc.

Här bestämmer vi den förväntade (probabilistiska) felandelen utifrån vad som observeras i ett urval. Beräkningen ger också felmarginalen (statistisk precision) för den förväntade felandelen.

Ange följande data:

  • n: urvalsstorlek
  • Xbar: urvalets medelvärde
  • s: urvalets standardavvikelse
  • LSL: den lägre specifikationsgränsen
  • USL: den övre specifikationsgränsen

Tillämpningsområde: ett kontinuerligt kvalitetsmätetal (Y) som följer en normalfördelning. Till exempel: varaktighet, temperatur, storlek etc.

Här bestämmer vi den minsta urvalsstorlek som behöver tas för att känna till den förväntade felandelen inom en acceptabel felmarginal (statistisk precision).

Ange följande data:

  • Relativ felmarginal: den acceptabla procentsatsen fel på felandelen
  • Antagen prestanda: en storleksordningsuppskattning av den operativa prestandan, uttryckt som en felandel eller som Sigma

Tillämpningsområde: ett räknande kvalitetsmätetal (Y) som följer en Poisson-fördelning. Till exempel: fel per dator, väntetider per telefonsamtal, fel per dokument etc.

Här bestämmer vi den förväntade (probabilistiska) felandelen utifrån vad som observeras i ett urval. Beräkningen ger också felmarginalen (statistisk precision) för den förväntade felandelen (normalapproximationsmetod). Ange följande data:

  • n: urvalsstorlek
  • λ̂: förekomstfrekvensen i urvalet; vanligtvis fel per enhet (DPU).

Tillämpningsområde: ett räknande kvalitetsmätetal (Y) som följer en Poisson-fördelning. Till exempel: fel per dator, väntetider per telefonsamtal, fel per dokument etc.

Här bestämmer vi den minsta urvalsstorlek som behöver tas för att känna till den förväntade felandelen inom en acceptabel felmarginal (statistisk precision) (normalapproximationsmetod).

Ange följande data:

  • Relativ felmarginal: den acceptabla procentsatsen fel på felandelen
  • Antagen prestanda: en storleksordningsuppskattning av den operativa prestandan, uttryckt som en felandel eller som Sigma

Tillämpningsområde: ett binärt kvalitetsmätetal (Y) som följer en binomialfördelning. Till exempel: avbrutna samtal, felaktiga fakturor, defekta detaljer etc.

Här bestämmer vi den förväntade (probabilistiska) felandelen utifrån vad som observeras i ett urval. Beräkningen ger också felmarginalen (statistisk precision) för den förväntade felandelen (normalapproximationsmetod). Ange följande data:

  • n: urvalsstorlek
  • p: andelen defekta enheter i urvalet

Om ingen defekt enhet observerades i urvalet, ange ett värde för p som är lika med 1/(n+2).

Tillämpningsområde: ett binärt kvalitetsmätetal (Y) som följer en binomialfördelning. Till exempel: avbrutna samtal, felaktiga fakturor, defekta detaljer etc.

Här bestämmer vi den minsta urvalsstorlek som behöver tas för att känna till den förväntade felandelen inom en acceptabel felmarginal (statistisk precision) (normalapproximationsmetod).

Ange följande data:

  • Relativ felmarginal: den acceptabla procentsatsen fel på felandelen
  • Antagen prestanda: en storleksordningsuppskattning av den operativa prestandan, uttryckt som en felandel eller som Sigma

Tillämpningsområde: ett kontinuerligt mätetal (Y) som följer en normalfördelning. Till exempel: varaktighet, temperatur, storlek etc.

Här bestämmer vi 1-α konfidensintervallet för medelvärdet µ utifrån vad som observeras i ett urval.

Ange följande data:

  • α: risken att det sanna värdet på medelvärdet hamnar utanför konfidensintervallet. För ett 95 % konfidensintervall, ange α = 5 %
  • n: urvalsstorlek
  • Xbar: urvalets medelvärde
  • σ eller s: den sanna standardavvikelsen (om den är känd) eller urvalets standardavvikelse

Tillämpningsområde: ett kontinuerligt mätetal (Y) som följer en normalfördelning. Till exempel: varaktighet, temperatur, storlek etc.

Här bestämmer vi den minsta urvalsstorlek som behöver tas för att känna till medelvärdet µ inom en vald felmarginal (statistisk precision).

Ange följande data:

  • σ eller s: den sanna standardavvikelsen (om den är känd) eller urvalets standardavvikelse
  • Felmarginal: den önskade halvbredden för 1-α konfidensintervallet för medelvärdet
  • α: risken att det sanna värdet på medelvärdet hamnar utanför konfidensintervallet. Det sätter därför konfidensnivån 1-α för felmarginalen. För ett 95 % konfidensintervall, ange α = 5 %

Tillämpningsområde: ett kontinuerligt mätetal (Y) som följer en normalfördelning. Till exempel: varaktighet, temperatur, storlek etc.

Här bestämmer vi den förskjutning i medelvärdet som krävs, vid konstant standardavvikelse, för att uppnå målet om minskad felandel.

Ange följande data:

Översiktlig beräkning (om du redan känner till den ursprungliga felandelen):

  • Di: den ursprungliga felandelen
  • Dc: målet för felandelen
  • σ: standardavvikelsen för Y

Detaljerad beräkning:

  • LSL: den lägre specifikationsgränsen
  • USL: den övre specifikationsgränsen
  • µi: det ursprungliga (nuvarande) medelvärdet
  • σ: standardavvikelsen för Y
  • τred. (%): den önskade minskningen av felandelen

Tillämpningsområde: ett kontinuerligt mätetal (Y) som följer en normalfördelning. Till exempel: varaktighet, temperatur, storlek etc.

Här bestämmer vi den minsta urvalsstorlek som krävs för att upptäcka den förskjutning i medelvärdet som, vid konstant standardavvikelse, skulle uppfylla det målsatta målet för minskning av felprocenten.

Ange följande data:

  • α: risken att felaktigt dra slutsatsen att den begärda effekten finns
  • β: risken att inte upptäcka den begärda effekten
  • Di: den ursprungliga felandelen
  • Dc: målet för felandelen

Tillämpningsområde: ett kontinuerligt mätetal (Y) som följer en normalfördelning. Till exempel: varaktighet, temperatur, storlek etc.

Här avgör vi om en förskjutning i medelvärdet över eller under en given tröskel kan fastställas utifrån skillnaderna mellan medelvärdena i två urval. Detta testar vanligtvis effekten av två olika driftsförhållanden (effekten av ett X, av en lösning osv.). Testet som används här är t-test för två urval.

Ange följande data:

  • n1 och n2: storleken på varje urval
  • Xbar1 och Xbar2: medelvärdet av Y i varje urval
  • s1 och s2: standardavvikelsen för Y i varje urval
  • α: risken att den sanna effekten hamnar utanför det beräknade konfidensintervallet; ange 5 % för ett 95 % konfidensintervall
  • Emin: tröskeln för den sökta effekten

Tillämpningsområde: ett kontinuerligt mätetal (Y) som följer en normalfördelning. Till exempel: varaktighet, temperatur, storlek etc.

Här bestämmer vi, för ett t-test för två urval:

  • Den minsta urvalsstorlek som krävs för att upptäcka en förskjutning i medelvärdet över en given tröskel
  • Den minsta detekterbara förskjutningen i medelvärdet (upplösning) för givna urval
  • Styrkan att upptäcka en förskjutning i medelvärdet över eller under en given tröskel, för givna urval

Ange följande data:

1/ För urvalsstorleken:

  • α: risken att felaktigt detektera en effekt
  • β: risken att inte detektera effekten
  • σ: standardavvikelse (känd eller skattad)
  • Emin att detektera: den minsta (användbara) effekt du vill detektera

2/ För den minsta detekterbara effekten:

  • α: risken att felaktigt detektera en effekt
  • β: risken att inte detektera effekten
  • n1 och n2: storleken på varje urval
  • σ1 och σ2: standardavvikelsen för varje urval, om den inte är känd på annat sätt

3/ För styrkan:

  • n1 och n2: storleken på varje urval
  • σ1 och σ2: standardavvikelsen för varje urval, om den inte är känd på annat sätt
  • Emin att detektera: den minsta (användbara) effekt du vill detektera

Tillämpningsområde: ett kontinuerligt mätetal (Y) som följer en normalfördelning. Till exempel: varaktighet, temperatur, storlek etc.

Här avgör vi om ett medelvärde skiljer sig från sitt hypotesiserade värde, utifrån det medelvärde som observerats i ett urval. Testet som används här är

t-test för ett urval.

Ange följande data:

  • µ0: det hypotesiserade värdet på medelvärdet
  • n: urvalsstorleken
  • Xbar: medelvärdet av Y beräknat i urvalet
  • s eller σ: standardavvikelsen för Y beräknad i urvalet, eller den sanna standardavvikelsen om den är känd
  • α: risken att det sanna medelvärdet hamnar utanför det beräknade konfidensintervallet; ange 5 % för ett 95 % konfidensintervall

Användningsområde: kontinuerlig variabel (Y) som följer en normalfördelning. Exempelvis: tidslängd, temperatur, storlek osv.

Här bestämmer vi, inom ramen för genomförandet av ett t-test för ett urval:

  • Den minsta urvalsstorlek som krävs för att upptäcka om medelvärdet ligger över eller under det hypotesiserade medelvärdet
  • Den minsta detekterbara avvikelsen mellan medelvärdet och det hypotesiserade medelvärdet, för givna urval
  • Styrkan att upptäcka en avvikelse mellan medelvärdet och det hypotesiserade medelvärdet, för givna urval

Ange följande data:

1/ För bestämning av urvalsstorlek:

  • α: risken att felaktigt detektera en avvikelse
  • β: risken att inte detektera avvikelsen
  • σ: standardavvikelse (känd eller skattad)
  • εmin att detektera: den minsta (användbara) avvikelse du vill detektera

2/ För bestämning av minsta detekterbara avvikelse:

  • α: risken att felaktigt detektera en avvikelse
  • β: risken att inte detektera avvikelsen
  • n: urvalsstorleken
  • σ: urvalets standardavvikelse, om den inte är känd på annat sätt

3/ För bestämning av styrkan:

  • n: urvalsstorleken
  • σ: urvalets standardavvikelse, om den inte är känd på annat sätt
  • εmin att detektera: den minsta (användbara) avvikelse du vill detektera

Tillämpningsområde: ett kontinuerligt mätetal (Y) som följer en normalfördelning. Till exempel: varaktighet, temperatur, storlek etc.

Här bestämmer vi 1-α-konfidensintervallet för standardavvikelsen σ utifrån vad som observeras i ett urval.

Ange följande data:

  • α: risken att det sanna värdet för standardavvikelsen hamnar utanför konfidensintervallet. För ett 95 % konfidensintervall, ange α = 5 %
  • s: standardavvikelsen för Y i urvalet
  • n: urvalsstorlek

Tillämpningsområde: ett kontinuerligt mätetal (Y) som följer en normalfördelning. Till exempel: varaktighet, temperatur, storlek etc.

Här bestämmer vi den minsta urvalsstorlek som behöver tas för att känna till standardavvikelsen σ inom en vald felmarginal (statistisk precision).

Ange följande data:

  • s: standardavvikelsen för Y i urvalet
  • Felmarginal: den önskade halvbredden för 1-α konfidensintervallet för medelvärdet
  • α: risken att det sanna värdet för standardavvikelsen hamnar utanför konfidensintervallet. Det sätter därmed felmarginalens konfidensnivå 1-α. För ett 95 % konfidensintervall, ange α = 5 %

Tillämpningsområde: ett kontinuerligt mätetal (Y) som följer en normalfördelning. Till exempel: varaktighet, temperatur, storlek etc.

Här bestämmer vi den minskning i standardavvikelsen som krävs, vid konstant medelvärde, för att uppfylla det målsatta målet för minskning av felprocenten.

Ange följande data:

Översiktlig beräkning (om du redan känner till den ursprungliga felandelen):

  • Di: den ursprungliga felandelen
  • Dc: målet för felandelen

Detaljerad beräkning:

  • SL: specifikationsgränsen för Y (nedre eller övre)
  • LSL: den nedre specifikationsgränsen för Y
  • USL: den övre specifikationsgränsen för Y
  • µ: medelvärdet
  • σi: den initiala (nuvarande) standardavvikelsen
  • τred. (%): den önskade minskningen av felandelen

Tillämpningsområde: ett kontinuerligt mätetal (Y) som följer en normalfördelning. Till exempel: varaktighet, temperatur, storlek etc.

Här avgör vi om en minskning eller ökning av standardavvikelsen över eller under en given tröskel kan fastställas utifrån skillnaderna mellan standardavvikelserna i två urval. Detta testar vanligtvis effekten av två olika driftsförhållanden (effekten av ett X, av en lösning osv.). Testet som används här är

test av två varianser (F-test)

.

Ange följande data:

  • n1 och n2: storleken på varje urval
  • s1 och s2: standardavvikelsen för Y i varje urval
  • α: risken att den sanna effekten hamnar utanför det beräknade konfidensintervallet; ange 5 % för ett 95 % konfidensintervall
  • Emin: tröskeln för den sökta effekten

Tillämpningsområde: ett kontinuerligt mätetal (Y) som följer en normalfördelning. Till exempel: varaktighet, temperatur, storlek etc.

Här bestämmer vi, för ett test av två varianser (F-test):

  • Den minsta urvalsstorlek som krävs för att upptäcka en minskning eller ökning av standardavvikelsen över eller under en given tröskel
  • Den minsta detekterbara minskningen i standardavvikelsen (upplösning), för givna urval

Beräkningarna antar en styrka på 79.16 % och α = 5 %.

Ange följande data:

1/ För urvalsstorleken: E

min

att detektera: den minsta (användbara) effekt du vill detektera

2/ För den minsta detekterbara effekten: n1 och n2: storleken på varje urval

Tillämpningsområde: ett kontinuerligt mätetal (Y) som följer en normalfördelning. Till exempel: varaktighet, temperatur, storlek etc.

Här avgör vi om en standardavvikelse skiljer sig från sitt hypotesiserade värde, utifrån den standardavvikelse som observerats i ett urval. Testet som används här är test av en varians (F-test).

Ange följande data:

  • σ0: det hypotesiserade värdet för standardavvikelsen
  • n: urvalsstorleken
  • Xbar: medelvärdet av Y beräknat i urvalet
  • s: standardavvikelsen för Y beräknad i urvalet
  • α: risken att den sanna standardavvikelsen hamnar utanför det beräknade konfidensintervallet; ange 5 % för ett 95 % konfidensintervall

Tillämpningsområde: ett räknande kvalitetsmätetal (Y) som följer en Poisson-fördelning. Till exempel: fel per dator, väntetider per telefonsamtal, fel per dokument etc.

Här bestämmer vi den minskning i förekomstfrekvensen som krävs för att uppfylla det målsatta målet för minskning av felprocenten.

Ange följande data:

Översiktlig beräkning (om du redan känner till den ursprungliga felandelen):

  • Di: den ursprungliga felandelen
  • Dc: målet för felandelen

Detaljerad beräkning:

  • λi: den initiala (nuvarande) förekomstfrekvensen
  • τred. (%): den önskade minskningen av felandelen

Tillämpningsområde: ett räknande kvalitetsmätetal (Y) som följer en Poisson-fördelning. Till exempel: fel per dator, väntetider per telefonsamtal, fel per dokument etc.

Här bestämmer vi den minsta urvalsstorlek som krävs för att upptäcka den minskning i förekomstfrekvensen som skulle uppfylla det målsatta målet för minskning av felprocenten.

Ange följande data:

  • α: risken att felaktigt dra slutsatsen att den begärda effekten finns
  • β: risken att inte upptäcka den begärda effekten
  • Di: den ursprungliga felandelen
  • Dc: målet för felandelen

Tillämpningsområde: ett räknande kvalitetsmätetal (Y) som följer en Poisson-fördelning. Till exempel: fel per dator, väntetider per telefonsamtal, fel per dokument etc.

Här avgör vi om en minskning eller ökning av förekomstfrekvensen över eller under en given tröskel kan fastställas utifrån skillnaderna mellan förekomstfrekvenserna i två urval. Detta testar vanligtvis effekten av två olika driftsförhållanden (effekten av ett X, av en lösning osv.). Testet som används här är Poisson-test för två urval.

Ange följande data:

  • n1 och n2: storleken på varje urval
  • d1 och d2: antalet fel som räknats i varje urval
  • α: risken att den sanna effekten hamnar utanför det beräknade konfidensintervallet; ange 5 % för ett 95 % konfidensintervall
  • Emin: tröskeln för den sökta effekten, λ2 – λ1

Användningsområde: kvalitetsvariabel (Y) för räkning som följer en Poisson-fördelning. Exempelvis: antal fel per dator, antal parkeringar per telefonsamtal, antal fel per dokument osv.

Här bestämmer vi, inom ramen för genomförandet av ett Poisson-test för två urval:

  • Den minsta urvalsstorlek som krävs för att upptäcka en minskning eller ökning av förekomstfrekvensen över en given tröskel
  • Den minsta detekterbara minskningen eller ökningen av förekomstfrekvensen, för givna urval
  • Styrkan att upptäcka en minskning eller ökning av förekomstfrekvensen över eller under en given tröskel, för givna urval

Ange följande data:

1/ För bestämning av urvalsstorlek:

  • α: risken att felaktigt detektera en effekt
  • β: risken att inte detektera effekten
  • λ1: referensförekomstfrekvensen
  • λ2: jämförelseförekomstfrekvensen som motsvarar den effekttröskel som ska detekteras, Emin = λ2 – λ1

2/ För bestämning av minsta detekterbara effekt:

  • α: risken att felaktigt detektera en effekt
  • β: risken att inte detektera effekten
  • n1 och n2: storleken på varje urval
  • λ1: referensförekomstfrekvensen

3/ För bestämning av styrkan:

  • n1 och n2: storleken på varje urval
  • λ1: referensförekomstfrekvensen
  • λ2: jämförelseförekomstfrekvensen som motsvarar den effekttröskel som ska detekteras, Emin = λ2 – λ1

Användningsområde: variabel (Y) för räkning som följer en Poisson-fördelning. Exempelvis: antal fel per dator, antal parkeringar per telefonsamtal, antal fel per dokument osv.

Här avgör vi om en förekomstfrekvens skiljer sig från dess hypotetiska värde, baserat på den förekomstfrekvens som observerats i ett urval. Testet som tillämpas här är Poisson-test för ett urval.

Ange följande data:

  • λ0: det hypotetiska värdet för förekomstfrekvensen
  • n: urvalsstorleken
  • d: antal fel som räknats i urvalet
  • α: risken att det sanna medelvärdet hamnar utanför det beräknade konfidensintervallet; ange 5 % för ett 95 % konfidensintervall

Användningsområde: variabel (Y) för räkning som följer en Poisson-fördelning. Exempelvis: antal fel per dator, antal parkeringar per telefonsamtal, antal fel per dokument osv.

Här avgör vi, inom ramen för att genomföra ett Poisson-test för ett urval:

  • Den minsta urvalsstorlek som krävs för att upptäcka om förekomstfrekvensen ligger över eller under dess hypotetiska värde
  • Den minsta upptäckbara avvikelsen mellan förekomstfrekvensen och dess hypotetiska värde, för givna urval
  • Styrkan att upptäcka en avvikelse mellan förekomstfrekvensen och dess hypotetiska värde, för givna urval

Ange följande data:

1/ För bestämning av urvalsstorlek:

  • α: risken att felaktigt detektera en avvikelse
  • β: risken att inte detektera avvikelsen
  • λ0: den hypotetiska förekomstraten
  • λ: jämförelseförekomstraten så att εmin = λ – λ0

2/ För bestämning av minsta detekterbara avvikelse:

  • α: risken att felaktigt detektera en avvikelse
  • β: risken att inte detektera avvikelsen
  • n: urvalsstorleken
  • λ0: den hypotetiska förekomstraten

3/ För bestämning av styrkan:

  • n: urvalsstorleken
  • λ0: den hypotetiska förekomstraten
  • λ: jämförelseförekomstraten så att εmin = λ – λ0

Tillämpningsområde: binär måttstorlek (Y) som följer en binomialfördelning. Exempelvis: avbrutna samtal, felaktiga fakturor, defekta detaljer etc.

Här bestämmer vi det mål för proportionsminskning som krävs för att nå målet för minskning av andelen defekter.

Ange följande data:

  • πi: den initiala defektfrekvensen
  • τred.: den önskade minskningen av defektfrekvensen

Tillämpningsområde: en binär måttstorlek (Y) som följer en binomialfördelning. Till exempel: avbrutna samtal, felaktiga fakturor, defekta detaljer etc.

Här bestämmer vi den minsta urvalsstorlek som behövs för att upptäcka den minskning i proportionen som skulle uppfylla målet för minskning av defektfrekvensen.

Ange följande data:

  • α: risken att felaktigt dra slutsatsen att den begärda effekten finns
  • β: risken att inte upptäcka den begärda effekten
  • Di: den ursprungliga felandelen
  • Dc: målet för felandelen

Tillämpningsområde: en binär måttstorlek (Y) som följer en binomialfördelning. Till exempel: avbrutna samtal, felaktiga fakturor, defekta detaljer etc.

Här avgör vi om en minskning eller ökning av proportionen över eller under en given tröskel kan fastställas, utifrån skillnaderna mellan observerade proportioner i två urval. Detta testar vanligtvis effekten av två olika driftsförhållanden (effekten av ett X, av en lösning osv.). Testet som används här är

test av två proportioner

.

Ange följande data:

  • n1 och n2: storleken på varje urval
  • D1 och D2: antalet räknade defekta enheter i varje urval
  • α: risken att den sanna effekten hamnar utanför det beräknade konfidensintervallet; ange 5 % för ett 95 % konfidensintervall
  • Emin: tröskeln för den sökt effekten, π2 – π1

Tillämpningsområde: en binär måttstorlek (Y) som följer en binomialfördelning. Till exempel: avbrutna samtal, felaktiga fakturor, defekta detaljer etc.

Här bestämmer vi, för ett test av två proportioner:

  • Den minsta urvalsstorlek som krävs för att upptäcka en minskning eller ökning av proportionen över en given tröskel
  • Den minsta upptäckbara minskningen eller ökningen av proportionen (upplösning), för givna urval
  • Styrkan att upptäcka en effekt på proportionen över eller under en given tröskel, för givna urval

Ange följande data:

1/ För bestämning av urvalsstorlek:

  • α: risken att felaktigt detektera en effekt
  • β: risken att inte detektera effekten
  • π1: referensproportionen
  • π2: jämförelseproportionen som motsvarar effekttröskeln att upptäcka, Emin = π2 – π1

2/ För bestämning av minsta detekterbara effekt:

  • α: risken att felaktigt detektera en effekt
  • β: risken att inte detektera effekten
  • n1 och n2: storleken på varje urval
  • π1: referensproportionen

3/ För bestämning av styrkan:

  • n1 och n2: storleken på varje urval
  • π1: referensproportionen
  • π2: jämförelseproportionen som motsvarar effekttröskeln att upptäcka, Emin = π2 – π1

Tillämpningsområde: binär kvalitetsmåttstorlek (Y) som följer en binomialfördelning. Exempelvis: avbrutna samtal, felaktiga fakturor, defekta detaljer etc.

Här avgör vi om en proportion skiljer sig från dess hypotetiska värde, baserat på den proportion som observerats i ett urval. Testet som tillämpas här är test av en proportion.

Ange följande data:

  • π0: det hypotetiska värdet på proportionen
  • n: urvalsstorleken
  • D: antalet räknade defekta enheter i urvalet
  • α: risken att det sanna medelvärdet hamnar utanför det beräknade konfidensintervallet; ange 5 % för ett 95 % konfidensintervall

Tillämpningsområde: ett binärt kvalitetsmätetal (Y) som följer en binomialfördelning. Till exempel: avbrutna samtal, felaktiga fakturor, defekta detaljer etc.

Här bestämmer vi, för ett test av en proportion:

  • Den minsta urvalsstorlek som krävs för att upptäcka om proportionen ligger över eller under dess hypotetiska värde
  • Den minsta upptäckbara avvikelsen mellan proportionen och dess hypotetiska värde, för ett givet urval
  • Styrkan att upptäcka en avvikelse mellan proportionen och dess hypotetiska värde, för ett givet urval

Ange följande data:

1/ För urvalsstorleken:

  • α: risken att felaktigt detektera en avvikelse
  • β: risken att inte detektera avvikelsen
  • π0: den hypotetiska proportionen
  • π: jämförelseproportionen så att εmin = π – π0

2/ För den minsta upptäckbara avvikelsen:

  • α: risken att felaktigt detektera en avvikelse
  • β: risken att inte detektera avvikelsen
  • n: urvalsstorleken
  • π0: den hypotetiska proportionen

3/ För styrkan:

  • n: urvalsstorleken
  • π0: den hypotetiska proportionen
  • π: jämförelseproportionen så att εmin = π – π0
enENarARcsCSdaDAdeDEesESfiFIfrFRitITnlNLnoNOplPLpt-brPTpt-ptPTskSKslSLsvSVtrTR
No results