Введение
Анализ данных путем объединения инженерии и статистики.
Инженерная статистика объединяет инженерию и статистику, используя научные методы для анализа данных. Инженерная статистика включает данные, касающиеся производственных процессов, такие как: размеры компонентов, допуски, тип материала и контроль технологических процессов. В инженерном анализе используется множество методов, которые часто представляются в виде гистограмм для визуализации данных, а не только в числовом виде. Примеры методов:
Дизайн экспериментов (DOE) – это методология формулирования научных и инженерных задач с использованием статистических моделей. Протокол определяет процедуру рандомизации эксперимента и специфицирует первичный анализ данных, особенно при проверке гипотез. В ходе вторичного анализа статистик дополнительно исследует данные, чтобы предложить другие вопросы и помочь в планировании будущих экспериментов. В инженерных приложениях целью часто является оптимизация процесса или продукта, а не проверка научной гипотезы на предмет ее прогностической адекватности. Контроль качества и управление процессами используют статистику как инструмент для обеспечения соответствия производственных процессов и их продукции спецификациям. Вероятностное проектирование, включающее использование вероятности при разработке продуктов и систем.
Идентификация системы использует статистические методы для построения математических моделей динамических систем на основе измеренных данных. Идентификация системы также включает оптимальное проектирование экспериментов для эффективного получения информативных данных для подгонки таких моделей.
Engineering statistics combines engineering and statistics using scientific methods for analyzing data. Engineering statistics involves data concerning manufacturing processes such as: component dimensions, tolerances, type of material, and fabrication process control. There are many methods used in engineering analysis and they are often displayed as histograms to give a visual of the data as opposed to being just numerical. Examples of methods are:
Design of Experiments (DOE) is a methodology for formulating scientific and engineering problems using statistical models. The protocol specifies a randomization procedure for the experiment and specifies the primary data analysis, particularly in hypothesis testing. In a secondary analysis, the statistical analyst further examines the data to suggest other questions and to help plan future experiments. In engineering applications, the goal is often to optimize a process or product, rather than to subject a scientific hypothesis to test of its predictive adequacy. Quality control and process control use statistics as a tool to manage conformance to specifications of manufacturing processes and their products. Probabilistic design involving the use of probability in product and system design
System identification uses statistical methods to build mathematical models of dynamical systems from measured data. System identification also includes the optimal design of experiments for efficiently generating informative data for fitting such models.
История
Инженерная статистика берет свое начало в 1000 г. до н.э., когда был разработан абакус как средство для вычисления числовых данных. В 1600-х годах началось развитие методов обработки информации для систематического анализа и обработки данных. В 1654 году Роберт Биссакер разработал логарифмическую линейку для выполнения сложных вычислений. В 1833 году британский математик Чарльз Бэббидж разработал концепцию автоматического компьютера, которая вдохновила разработчиков из Гарвардского университета и IBM на создание первого механического автоматического вычислителя с программным управлением, известного как MARK I. Внедрение компьютеров и вычислительных машин в промышленность обеспечило более эффективные методы анализа данных и положило начало развитию инженерной статистики.
Факториальный экспериментальный дизайн
Факториальный эксперимент – это эксперимент, в котором, в отличие от стандартного подхода к проведению экспериментов, предполагающего изменение только одной независимой переменной при поддержании всех остальных постоянными, одновременно исследуются несколько независимых переменных. Такая конструкция позволяет статистическим инженерам оценить как прямое влияние каждой независимой переменной (главный эффект), так и потенциальные эффекты взаимодействия, возникающие, когда совместное воздействие нескольких независимых переменных дает результат, отличный от того, который был бы получен при их индивидуальном воздействии.
Шесть Сигм
Шесть сигм – это набор методов повышения надежности производственного процесса. В идеале, все продукты должны соответствовать точно заданным спецификациям, однако многочисленные недостатки реального производства делают это невозможным. Фактические спецификации продукта считаются центрированными вокруг среднего значения, при этом каждый отдельный продукт отклоняется от этого значения в соответствии с нормальным распределением. Цель Six Sigma – обеспечить, чтобы допустимые пределы спецификаций находились на расстоянии шести стандартных отклонений от среднего значения распределения; иными словами, чтобы вероятность возникновения дефекта на каждом этапе производственного процесса составляла не более 0,00034%.