minitab質(zhì)量分析工具應(yīng)用大全(編輯修改稿)
2025-02-27 19:28 本頁面
【文章內(nèi)容簡介】 確認(rèn)哪個(gè)因子影響收率，利用中心點(diǎn)包括的 22配置法 二次試驗(yàn)－－ (2)統(tǒng)計(jì)性分析 ： 圖形－等值線圖 ： 對因子效果 ttest， 判斷與 Y有意因子 A, B 有意 CtPt P， → 存在曲率效果 . 分散分析 1次效果 有意 曲率效果有意 結(jié)果解釋 通過 等 值線圖 及統(tǒng)計(jì)性分析， 1次模形不有意，具有曲線的情形，因此判斷 2次模形更適當(dāng) → 實(shí)施反應(yīng)表面計(jì)劃 85 — 反映表面實(shí)驗(yàn) ： (1) 因子配置設(shè)計(jì) ： 試驗(yàn)配置 : 中心合成計(jì)劃 (2因子 ) 反應(yīng)值 (Y) : DATA 因數(shù) /水平 : A (Low = 260, High = 330), B (Low = 6, High = 20) 背景：通過最大傾斜法， 在 A= 295, B=13狀態(tài) 下，判 斷 最佳 條 件 會(huì) 出 現(xiàn) 。 求 將變 量透 過 率最大化的最佳 條 件。 Run13 : Block沒有的情況 Run14 : Block有的情況 輸 入 試驗(yàn)結(jié) 果： (2)統(tǒng)計(jì)性分析 ： ※ 實(shí)施對因子效果的 ttest， 判斷有意反應(yīng)值的因子 . 因子的 1次效果及 2次效果有意 。 因子間的交互作用無有意 。 ※ RSq RSq(adj)64%， → 可以信賴回歸模型 ； ※ 通過分散分析，判斷 2次效果的有意性 1次效果、 2次效果有意 ※ 通過 LackofFit Test，判斷模型的 適合性 失 擬 (不有意 )， 因此判斷模型適合 (3) 殘差分析 ： 對殘差的正態(tài)分布假說的研討 － 直方圖 、 正態(tài)分布圖 對分散同質(zhì)假說的研討－與擬合值 ※ 殘差已確定為隨機(jī)分布，可以進(jìn)行分散同質(zhì)假說研討 (3) 坐標(biāo)圖分析 ： 因子的 最佳條件 A: 289 ~ 310 B: 11 ~ 18 → 預(yù)想 Y=. (4) 數(shù)值性分析 ： 最佳化因子水平 初期設(shè)定（大概值） 望大：求最大值； 下限：設(shè)定最小值 望目：設(shè)定目標(biāo)值 Y = ， 滿足度 = 1。 即意味著滿足 目 標(biāo)值 要求； 調(diào)整因數(shù)水平而使透過率更好 。 A= 、 B= 時(shí) ， Y(Max) ＝ I — 反映表面實(shí)驗(yàn) 2： －－多個(gè)反映值 (1) 因子配置設(shè)計(jì) ： 試驗(yàn)配置 : 中心合成計(jì)劃 (2因子 ) 反應(yīng)值 (Y) : Y Y Y3 因數(shù) /水平 : A (Low = 80, High = 90), B (Low = 170, High = 180) 背景：通過最大傾斜法，知道反應(yīng)時(shí)間 A= 85分鐘、反應(yīng)溫度 B=175F是最佳條件。 求可以滿足 3個(gè)反應(yīng)變量 (Y Y Y3)結(jié)果條件的因子的最佳水準(zhǔn)。 輸 入 試驗(yàn)結(jié) 果： A、 B： 選 中后右鍵選擇數(shù) 據(jù)格式轉(zhuǎn)換 成整 數(shù) (2)統(tǒng)計(jì)性分析 ： ※ 誤差項(xiàng)要不要 Pooling? 誤差項(xiàng) Pooling的話 → Lack of fit（失擬） 的 Pvalue要大起來 , → Rsq(adj)要升高 ，或者 Regression（回歸）的 F值要升高 → 不然的話，證明現(xiàn)在的模型更適當(dāng) ? 2個(gè)因子的主效果 、 2次效果都有意 ， 不實(shí)施 Pooling. ? 交互作用 ， Pooling到誤差項(xiàng)時(shí) ， Rsq(adj)和 lack of fit的 P值會(huì)減少 ， 因此不 Pooling. ? A 的 2次效果 (A*A)不有意 ， 故而 Pooling到誤差項(xiàng) . ? 交互作用 (A*B)， Pooling到誤差項(xiàng)時(shí) ， Rsq(adj)和 lack of fit的 P值會(huì)減少因此不 Pooling. ?Pooling 后分析結(jié)果 在 項(xiàng) 中去掉 A*A項(xiàng) 后再次 運(yùn) 行 ?Pooling 后分析結(jié)果 在 項(xiàng) 中去掉 A*A、 A*B項(xiàng) 后再次 運(yùn) 行 ? A、 B的 2次效果 （ AA,BB） 不有意 ， Pooling到誤差項(xiàng) . ? AB交互作用 ， Pooling到誤差項(xiàng)時(shí) ， Rsq(adj)和 lack of fit的 P值會(huì)減少因此不 Pooling. (3) 坐標(biāo)圖分析 ： 位于 Plot的中央部的白色部分是 A和 B因子滿足所有反應(yīng)變量的水平值的范圍 。 Y Y Y3的取 值 范 圍 ； (4) 數(shù)值性分析 ： 調(diào)整因子的水準(zhǔn) ， 接近收率 (Yield)= 、 粘性 Viscosity)=65. 已修訂的因子水準(zhǔn)值 91 XBARR管理圖 ： (1) XbarR （ n10） ① 正常的 xbarR圖 ② 管理界限再計(jì)算（不考慮異常點(diǎn)） XbarR圖 9 控制圖 92 XbarS 管理圖（ n=10） 93 P 管理圖（離散，樣本大小不一定） （ 3） P 管理圖（離散，樣本大小不一定） 按月、按值班組、改善前 (6月 )、按改善前后等 按層區(qū)別在一個(gè)坐標(biāo)圖上區(qū)分標(biāo)注。 如圖可見， 6月散步大， 8月明顯減少； 93 nP 管理圖（離散，樣本大小一定） 94 C 管理圖（離散，不良數(shù)） 95 U 管理圖（離散，不良數(shù)，組大小不定） 10 回歸分析 101 一元線性回歸 Minitab ? 在兩個(gè)以上變量的關(guān)系上建立數(shù)學(xué)函數(shù)的方法 ?Response : 選擇種屬變量 (結(jié)果值 ) Score 2 ?Predictors : 選擇獨(dú)立變量 (輸入值 ) Score 1 101 一元線性回歸 Options... ?Weight:為加重回歸指定有加重值的 Col ?Fit intercept:決定在模型中是否除去絕對項(xiàng) ?Display Variance inflation factors:以 多重空線型判別 (VIF) 影響值，指定 VIF值輸出與否 DurbinWatson statistic :指定檢定殘差自己相關(guān) DurbinWatson統(tǒng)計(jì)量輸出與否 ?Lack of Fit Tests Pure error:指定履行適合性檢定時(shí)純誤差項(xiàng)的 輸出與否 Data subsetting:指定把說明變量細(xì)分而提供類似 反復(fù)效果的算法適用與否 ?Prediction intervals for new observation:推定回歸 式后，按說明變量的值推定 y值 ?Storage Fits:指定是否保存推定的 y Confidence limits:指定是否保存推定 y的信賴水準(zhǔn)的 信賴區(qū)間 SDs of fits:指定是否保存 y的標(biāo)準(zhǔn)偏差 Predicction l
醫(yī)療健康相關(guān)推薦
鄂ICP備17016276號(hào)-1