0206离散数据置信区间和假设检验.pptVIP

第6部分:;目的:; 工具 用途 1. Pareto - 找出少数关键 的 缺陷类型 2. 图形 - 找出变化规律以确定哪些X影 响缺陷 3. 比例的置信区间 - 量化变差，以确定变化是 和假设检验 否具有统计显著性 四种类型： 单样本，p接近 .5 双样本，p接近 .5 单样本，p.1 双样本，p.1 4.??比例的卡方(?2)检验 - 具有多水平独立变量的比较。 - 研究两个变量间的关系。;;;;;问题: 降低客户培训服务电话的比例 (百分比)。 处理离散的响应变量时，您想知道的是缺陷比例如何随潜在X变量的变化而变化。 注释:; 正态 泊松(Poisson) 近似法 近似法;p + z* p(1-p)/n;下图显示何时使用正态法、何时使用泊松(Poisson)法。合理方法的选择取决于样本容量和缺陷比例。;另外，我们将使用以下重要的Z-值 (来自正态表):; ( 大n, np10, n(1-p)10);假设我们希望上页的置信区间为 + .010, 而不是 + .020，我们需要多大的样本容量？;(大n, np10, n(1-p)10);GE商品质量举例 : 服务质量 某厂商提供与GE相同的服务， 其客户不满意的比例比GE的要高。厂商声称造成这种现象的原因是样本容量太小，而并不承认是由于自己的服务质量低于GE。 确定对厂商的服务不满意的客户比例是否显著地高于GE，或者说，分析这种差异是否是由于偶然因素产生的。;GE商品质量举例 : 服务质量;例: 延迟付款的供应商比例 n = 42 个样本 (被审计的发票数量) k = 1 个缺陷 (延迟付款) 缺陷比例的最可能估算值是： p = k / n = 1 / 42 = .024, 或 2.4% 在缺陷率很低的情况下，正态近似是不准确的。 使用Poisson近似法计算一个比例的置信区间。;要计算缺限比例的90%、双边置信区间： 1. 从表中查找1个缺陷的上限和下限值 (.355 和 4.744). 2. 除以样本容量： 下限 = .355 / 42 = .0085, 或 .85% 上限 = 4.744 / 42 = .113, 或 11.3% 延迟付款的供应商的比例取值范围是 (.85%, 11.3%)。;假设您抽取10倍多的样本，发现10倍多的缺陷。 现在的置信区间是： 下限 = 6.169 / 420 = .0147 or 1.47% 上限 = 16.96 / 420 = .0404 or 4.04% 比较两个置信区间： 最可 90% 2-边 样本 故障 能的 置信 容量(n) 数量(k) (k/n) 估算值 区间 42 1 2.4% (.85, 11.3) 420 10 2.4% (1.4, 4.04) 样本容量的增加导致新的置信区间 (1.4%, 4.04%) 比原来的小得多。;课堂练习: 现场检验发动机故障 一年中现场检验300台发动机，发现两个缺陷。 计算这个总体中存在缺陷的发动机比例95% 的双边置信区间。 n是什么? K是什么? 表格中的缺陷下限是多少？ 缺陷上限是多少？ ; 例: 涂漆表层的黑斑 涂漆部门希望通过变更油漆供应商，来减少由于黑斑导致的缺陷数量。 确定是否有足够的证据证明，在置信度为95％的情况下，供应商1比供应商2生产的次品少（单边检验）。 由于涉及到的是大样本容量、小缺陷次数的两个比例之间的比较，我们需要使用“ 精确二项式”方法。 此方法请详见附录。 ; Stat Basic Statistics 1 Proportion ; Stat Basic Statistics 2 Proportions; Stat Basic Statistics 1 Proportion;拟合好坏检验 (多比例的互等性): Ho : p1 = p2 = p3 = ... = pn Ha : 至少一个等式不相等 (此方法可详见附录) ; 举例: 冰箱缺陷 我们希望依据以下变量对某一厂家生产的冰箱的缺陷进行分类： (1) 缺陷类型 (2) 生产班次 3个班次共有 n = 309个冰箱缺陷记录。这些缺陷各属4类之一 (1, 2, 3和4)。检验零假设Ho: 缺陷类型与班次无关，而备择假设 Ha: 缺陷类型与班次有关，置信度取95%。 缺陷‘1’: 凹