JMP-常用工具整理.pptVIP

JMP输出 方差32.66%，希望小于8% 独立分类数=4，希望大 于5 属性RR—利用JMP 打开：“属性MSA.jmp” 分析?质量和过程?变异性/计数量具（多元控制图） 图表类型选“计数”，而非“变异性”。 必须每个测量员1列 上方图示反映每个样本的测量一致性。此处每个操作员自身的一致性算法与MINITAB不同。 重点解释下方的Kappa值（算法同MINITAB） 属性RR—利用JMP 属性RR—利用JMP 22?28=78.5714% JMP里不管Z检验还是t检验，只看“均值检验” 目标值 若数据非正态，点选“非参数检验” 分析输出 e) 比较P值和重要水平： P-value = 0.798， ?= 0.05 所以我们不能否定零假设。 数据不能提供足够的证据否定平均强度等于2.85磅。 单样本 Z: force mu = 2.85 与 ≠ 2.85 的检验 假定标准差 = 0.100492 　　　　平均值 变量 N 平均值 标准差 标准误 95% 置信区间 Z P force 49 2.8463 0.1005 　0.0144 (2.8182, 2.8745) -0.26 0.798 我们首先使用Shapiro-Wilk W检验评估正态分布。 统计 基本统计量 正态性检验 正态检验 Ｐ值＝0.6806＞0.05，服从正态。 单样本 T: Thickness mu = 3 与 ≠ 3 的检验 　　　　　平均值 变量 N 平均值 标准差 标准误 95% 置信区间 　 T P Thickness 18 3.00294 0.00310 0.00073 (3.00140, 3.00448) 4.04 0.001 P值 d) 计算P值：分析 分布 均值检验 e) 因为p=0.001 0.05, 我们否定零假设。 f) 数据提供了足够的证据证明平均厚度不等于3厘米。 收集数据和计算P数值 JMP分析前必须先做数据表的堆叠转换 c.) 随机抽取样本 y Office A: n = 80 = 1.48 s = 0.45 Office B: n = 80 = 1.58 s = 0.51 y 双样本t d.) JMP计算P值 针对已“堆叠”好的新数据表：分析 以X拟合Y 勾选 “假定等方差” 首先按“不等方差”做等方差检验。正态看F检验，非正态看Levene检验，从它们各自的p值是否大于0.05，确定是否“等方差”。 如果“等方差”，则按“均值/方差分析/合并的t”；若“不等方差”，则“t检验”。 P=0.1830.05，均值相等 JMP输出 利用软件检验两个相关的样本是否相等 两个相关的样本必须是随机抽取的 每个抽样总体都应该大致呈正态分布 统计 基本统计量 配对 t 成对t检验 练习 一轮胎公司认为他们新生产的轮胎的里程数较竞争者的有提高。选择了12部车，用新轮胎跑1000哩，再用竞争者的轮胎跑1000哩 。假定里程的差异服从正态分布。 File: Car Mileage.jmp 结论是什么？ 如果我们将数据作双样本t检验会如何？ 试试单样本 t 检验其中的差异。 练习 3水平以上一元方差分析路径图 或直接看“Welch检验” 思考 练习 打开三人快递.jmp 因为数据没有进行堆栈，先运行“表堆叠”。 接着再针对堆叠表，进入“分析以X拟合Y” ；或“分析拟合模型”（可看残差） 。 首先通过JMP的“分布”栏做各组数据的SPC稳定性研究与正态检定。 进入“分析以X拟合Y”。 接着还是做等方差检验（“不等方差”），步骤同前面的“双样本检验”。 如果“等方差”，则看“均值/方差分析”；p0.05说明3个均值至少有一个不等，具体可从“CI菱形图or比较环图”看哪个CI不交叉？哪几个CI有重合？ 若“不等方差”，也是执行“均值/方差分析”，但要直接看输出结果下方的“Welch检验”，其中的“概率F”即p值。 JMP的3水平以上一元ANOVA R2 =0.507 1 2 一元ANOVA的数据分析（“分析以X拟合Y” ） p0.05说明3个均值至少有一个不等，即三者有差异。具体可从“CI菱形图or比较环图”看哪个CI不交叉？哪几个CI有重合？ R-Sq越大，说明X不同水平间的差异（组间变异）越显著，即存在某设置对Y的影响很大。R方值超过50%，应该算是关键因子。 若“不等方差”，也看“均值/方差分析”，但要直接看输