- 浏览: 3503442 次
- 性别:
- 来自: 北京
文章分类
最新评论
-
wanglf1207:
EJB的确是个不错的产品,只是因为用起来有点门槛,招来太多人吐 ...
weblogic-ejb-jar.xml的元素解析 -
qwfys200:
总结的不错。
Spring Web Flow 2.0 入门 -
u011577913:
u011577913 写道也能给我发一份翻译文档? 邮件437 ...
Hazelcast 参考文档-4 -
u011577913:
也能给我发一份翻译文档?
Hazelcast 参考文档-4 -
songzj001:
DbUnit入门实战
-因果图(cause-effect-diagram)-
因果图也称鱼刺图。它是利用“头脑风暴法”,集思广益,寻找影响质量、时间、成本等问题的潜在因素,然后用图形的形式来表示的一种用的方法,它能帮助我们集中注意心搜寻产生问题的根源,并为收集数据指出方向。
画 因果图的方法如下:我们在一条直线(也称为脊)的右端写上所要分析的问题,在该直线的两旁画上与该直线成60度夹角的直线(称为大枝),在其端点标上造成 问题的大因,再在这些直线上画若干条水平线(称为中枝),在线的端点写出中因,还可以对这些中枝上的原因进一步分析,提出小原因,如此便形成了一张因果 图。
下面就是一个药品受潮变质的因果图:
因果图有三个显著基本特征:
1.是对所观察的效应或考察的现象有影响的原因的直观表示;
2.这些可能的原因的内在关系被清晰地显示出来;
3.内在关系一般是定性的和假定的。
因此在构造因果图时最重要的考虑是要清晰理解因果关系。同时还要考虑所有可能的原因。一般可以从人、机(设备)、料(原料)、法(方法)、环(环境)及测量等多个方面去寻找。在一个具体的问题中,不一定每一个方面的原因都要具备。
[排列图]
排列图的全称是“主次因素排列图”,也称为Pareto图。它是用来寻找影响产品质量的各种因素中主要因素的一种方法,由此可以用来确定质量改进的方向。它将经济学上80/20原则用到管理领域,区分“关键的少数”和“次要的多少”,从而抓住关键因素,解决主要问题。
排列图的做法
下面用一个例子来说明排列图的做法。
[例] 对某产品进行质量检验,并对其中的不合格品进行原因分析,共检查了七批,将每一不合格品的原因分析后列在下表中:
批号 | 检查数 | 不合格品数 | 产生不合格品的原因 | |||||
操作 | 设备 | 工具 | 工艺 | 材料 | 其他 | |||
1 2 3 4 5 6 7 |
4573 9450 4895 5076 5012 4908 4839 |
16 88 71 12 17 23 19 |
7 36 25 9 13 9 6 |
6 8 11 3 1 6 0 |
0 16 21 0 1 5 13 |
3 14 4 0 1 1 0 |
0 9 8 0 1 0 0 |
0 5 2 0 0 2 0 |
合计 | 频数 | 246 | 105 | 35 | 56 | 23 | 18 | 9 |
频率 | 1.000 | 0.427 | 0.142 | 0.228 | 0.093 | 0.073 | 0.037 |
把上表中的原因按频率大小从大到小重新进行排列,把原因“其他”放在最后,并加上一列“累积频率”,即将这一行前的所有频率加到这一行的频率上。整理好的表如下:
原因 | 频数 | 频率 | 累积频率 |
操作 工具 设备 工艺 材料 其他 |
105 56 35 23 18 9 |
0.427 0.228 0.142 0.093 0.073 0.037 |
0.427 0.655 0.797 0.890 0.963 1.000 |
合计 | 246 | 1.000 |
在 坐标纸的横坐标上从左到右依次标出各个原因项,“其他”这一项放在最后,在坐标纸上设备两条纵轴,在左侧纵轴上标上频数,在右边一侧纵轴的相应位置上标出 频率。然后在图上每个原因项上画一个矩形,其高度等于相应的频数,宽度适当。在每一个矩形的上方的中间位置上点上一个点,其高度为到该原因为止的累积频 率,并从原点开始些点连成一条折线,称这条为累积频率折线,也称为Paroto折线。
用软件做出的排列图如下:
根据累积频率在0~80%之间的因素为主要因素的原则,可在频率为80%处画一条水平线,在该水平线以下的折线部分对应的原因项便是主要因素。
从上图上可以看出,造成不合格品的主要原因是操作、工具和设备,要减少不合格品首先应该从这三个方面入手。
[茎叶图]
茎叶图,类似直方图,但又与直方图不同,它的思路是将数组的数按位数进行比较,将数大小基本不变或变化不大的位作为一个主杆(茎), 将变化大的位的数作为分枝(叶),列在主杆的后面,这样就可以清楚地看到每个主杆后面的几个数,每个数具体是多少。
茎叶图有三列数:左边的一列数统计数,它是上(或下)向中心累积的值,中心的数(带括号)表示最多数组的个数;中间的一列表示茎,也就是变化不大的位数 ;右边的是数组中的变化位,它是按照一定的间隔将数组中的每个变化的数一一列出来,象一条枝上抽出的叶子一样,所以人们形象地叫它茎叶图。
茎叶图在质量管理上用途与直方图差不多,但它通常是作为更细致的分析阶段使用。由于它是用数字组成直方图,所以在做的时候比直方图还,通常我们常使用专业的软件进行绘制。
下面还用直方图中的数据作例子:
342 | 342 | 346 | 344 | 343 | 339 | 336 | 342 | 347 | 340 |
340 | 350 | 340 | 336 | 341 | 339 | 346 | 338 | 342 | 346 |
340 | 346 | 346 | 345 | 344 | 350 | 348 | 342 | 340 | 356 |
339 | 348 | 338 | 342 | 347 | 347 | 344 | 343 | 339 | 341 |
348 | 341 | 340 | 340 | 342 | 337 | 344 | 340 | 344 | 346 |
342 | 344 | 345 | 338 | 341 | 348 | 345 | 339 | 343 | 345 |
346 | 344 | 344 | 344 | 343 | 345 | 345 | 350 | 353 | 345 |
352 | 350 | 345 | 343 | 347 | 343 | 350 | 343 | 350 | 344 |
343 | 348 | 342 | 344 | 345 | 349 | 332 | 343 | 340 | 346 |
342 | 335 | 349 | 343 | 344 | 347 | 341 | 346 | 341 | 362 |
用MINITAB软件绘制图如下:
1 33 2
2 33 5
5 33 667
13 33 88899999
28 34 000000000111111
48 34 22222222223333333333
( 21 ) 34 444444444444555555555
31 34 66666666677777
17 34 8888899
10 35 000000
4 35 23
2 35
2 35 6
1 35
1 36
1 36 2
[假设检验]
在质量管理工作中经常遇到两者进行比较的情况,如采购原材料的验证,我们抽样所得到的数据在目标值两边波动,有时波动很大,这时你如何进行判定这些原料是 否达到了我们规定的要求呢?再例如,你先后做了两批实验,得到两组数据,你想知道在这两试实验中合格率有无显著变化,那怎么做呢?这时你可以使用假设检验 这种统计方法,来比较你的数据,它可以告诉你两者是否相等,同时也可以告诉你,在你做出这样的结论时,你所承担的风险。假设检验的思想是,先假设两者相 等,即:µ =µ 0,然后用统计的方法来计算验证你的假设是否正确。常用的假设检验有Z检验、T检验、配对检验、比例检验等。下面 以Z检验为例做一下简单地介绍。
Z检验
当已知标准差时,验证一组数的均值是否与某一期望值相等时,用Z检验。
例如:已知某一生产线的A标准重量为5.0g,标准差为0.2,现从生产线上随机抽取10件,称得重量如下:
1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
4.9 | 5.1 | 4.6 | 5.0 | 5.1 | 4.7 | 4.4 | 4.7 | 4.6 | 5.2 |
试问:能否判定这组产品的均值与标准(5.0)有无明显差异?
使用Z检验分析的结果如下:
Test of mu = 5 vs mu not = 5
The assumed sigma = 0.2
Variable N Mean StDev SE Mean 95.0% CI Z P
Values 10 4.8300 0.2669 0.0632 ( 4.7060, 4.9540) -2.69 0.007
从P值中我们可以看出,P=0.007<0.05,可以判定,这个样本的均值与标准值有显著差异,同时从上图中也可以看出标准值H0不在样本均值的置信区间之间之内,也可以判定两者之间有显著差异。
这里的P为实测显著性水平,也就是零假设正确出现的概率。这里P=0.007,也就是说样本均值与标准相等的概率(可能性)为0.007,即0.7%,反 之可知不相等的概率为1-0.007=0.993%,即99.3%,因而我们可以判定这个样本均值与标准值之间存在显著差异。而做出这个判定所承担的风险 为0.7%,即P值。
[方差分析]
在对试验数据进行分析时,我们通常会遇到多个总体均值相比较的情况,检验诸多均值是否相等的统计方法便是方差分析。方差分析的目的是通过分析,判定某一因 子是否显著,当因子显著时,我们还可以给出每一水平下指标均值的估计,以便找出最好的水平。方差分析的种类有很多,一元方差分析,二元方差分析,均值分 析、平衡方差分析、普通线性模式方差分析等。下面以一个二元方差为例对方差分析做一个简单介绍。
例子:
为了减少某种钢材淬火后的弯曲变形,对四种不同的材质(记为B1~B4)分别用五种不同的淬火温度(800,820,840,860,记为A1~A4)进 行试验,测得其淬火后的延伸率数据如下表,在假定不同条件下延伸率分别服从方差的正态分布时,分别分析不同材质及淬火温度对延伸率均值有无显著影响,如果 有影响,那么在什么条件下能使延伸率达到最大?
B1 | B2 | B3 | B4 | |
A1 | 4.4 | 5.2 | 4.3 | 4.9 |
A2 | 5.3 | 5.0 | 5.1 | 4.7 |
A3 | 5.8 | 5.5 | 4.8 | 4.9 |
A4 | 6.6 | 6.9 | 6.6 | 7.3 |
A5 | 8.4 | 8.3 | 8.5 | 7.9 |
用MINITAB进行分析,显示结果如下:
从分析的结果上我们可以看出:
1.因子B(材质)的P值为0.000<0.05,可得知该因子B是显著的;
2.因子A(淬水温度)的P值为:0.089>0.05,可得知因子A是不显著的。
[回归分析]
在科学研究和生产管理的过程中,经常会用回归分析来研究一个变更与另一个变量或一个变量与多个变量之间的关系。回归分析根据变量的多少分为:一元回归分析和多元回归分析。现 以一元回归分析为例谈谈它们的用法。
例:由专业的知识我们可以知道,合金的强度Y(×107 Pa)与合金中的碳的含量X(%)有关。为了生产强度满足用户需要的合金,在冶炼时如何控制碳的含量?在冶炼过中通过化验和测试得到12组数据,如下表:
№ | Xi /% | Y/×107 Pa | № | Xi /% | Y/×107 Pa | |
1 | 0.10 | 42.0 | 7 | 0.16 | 49.0 | |
2 | 0.11 | 43.0 | 8 | 0.17 | 53.0 | |
3 | 0.12 | 45.0 | 9 | 0.18 | 50.0 | |
4 | 0.13 | 45.0 | 10 | 0.20 | 55.0 | |
5 | 0.14 | 45.0 | 11 | 0.21 | 55.0 | |
6 | 0.15 | 47.5 | 12 | 0.23 | 60.0 |
用MINITAB做回归分析,结果如下:
由方差分析可知,相关系数的平方:R-sq=95.0,说明两变量强相关,且P=0.000<0.05, 说明做出该项判定的风险为零。
回归方程为:
Y=28.1+133X
建立回归曲线如下:
[散布图]
散布图是我们用来分析时常用的工具之一,通常与回归分析一同应用。它直观、易做,因此深受大家的喜爱,这里我对它就不多介绍,仅一个例子作为本节的全部内容。
例:炼钢厂出钢时盛钢水用钢包,在使用过程中由于钢液及炉渣对包衬耐火材料的侵蚀,其容积不断扩大,试验中钢包的容积用盛满钢水时的重量y表示,相应的试验次数用x表示,共测得13组数据,具体数据下表,要求找出关于的回归方程的表达式。
x | y | x | y |
2 | 106.42 | 11 | 110.59 |
3 | 108.20 | 14 | 110.60 |
4 | 109.58 | 15 | 110.90 |
5 | 109.50 | 16 | 110.76 |
7 | 110.00 | 18 | 111.00 |
8 | 109.93 | 19 | 111.20 |
10 | 110.49 |
用Minitab作出散布图如下:
作散布图 有很多软件可以使用,如Origin,Minitab、SPSS、SAS,但我个人感觉最好的软件 还是Origin。如上面的例子用Origin做得图形如下:
发表评论
-
Fitnesse使用
2012-05-05 13:27 23494Fitnesse 的使用 一,介绍 Fitnesse是一种 ... -
Customizing the new FitNesse parser
2012-05-05 13:13 2134FitNesse began its life using ... -
单元测试------理论篇
2011-03-12 12:20 1658测试是软件开发的重要 ... -
DbUnit入门实战
2011-03-09 09:13 32707相信做过单元测试的 ... -
一个愚蠢农夫和奶牛的故事-转载
2011-03-07 09:20 1774Ivar Jacobson博士 ... -
Web测试工具Selenium入门心得
2011-02-16 23:50 34702009-02-05 ... -
selenium 和webdriver_入门实践
2011-02-16 23:47 8971我们一直非常强调建立以底层为核心的分层自动化测试 ... -
VPS服务器性能压力测试工具(转载)
2010-12-01 23:35 3271VPS服务器性能 压力测试工具 http_load、webb ... -
软件测试工具英雄榜
2010-08-24 11:12 5031几乎毫无悬念地, ... -
净室软件认证
2010-05-16 22:20 1590软件测试 的统计方 ... -
SVN—patch的应用
2010-03-07 14:43 27341.create patch 使用create ... -
diff和patch十分钟指南
2010-03-07 14:10 2695情景一:你正尝试从代码编译一个软件包,发现有人已经对代码进行了 ... -
patch用法(转)
2010-03-07 14:08 9173首先介绍一下 diff 和 patch 。 ... -
补丁Patch
2010-03-07 14:04 3129补丁Patch是天才程序员、Perl的发明者Larry ... -
开源性能测试工具Curl-Loader
2010-02-28 14:52 4863curl-loader 是一个用C语言 编写的Web 应用 ... -
用 easyb 驱动开发
2009-01-03 22:25 2223长期以来,定义需求 ... -
亲身体验行为驱动开发
2009-01-03 22:17 7108开始学习使用 JBehave 测试驱动的开发(TDD)在实践 ... -
软件测试之测试策略
2009-01-03 22:05 3486第一部分 软件测试 策略基础 为什么要编写测试策 ... -
自动化测试框架模型SAFS
2009-01-03 22:00 2607SAFS(Software A ... -
探索 JUnit 4.4 新特性
2008-12-22 18:34 2109随着当前 Java 开发的越发成熟,Agile 和 T ...
相关推荐
内容概要:本文档详细介绍了OpenCV的基本概念及其在计算机视觉领域的应用,重点讲解了OpenCV在C++和Python环境下的安装方法,并提供了图像读取、显示、基本操作、视频处理以及面部检测的具体代码示例。此外,还涉及了一些图像处理技术的快速演示和进一步学习的路径建议。 适合人群:对计算机视觉感兴趣的新手开发者和技术爱好者。 使用场景及目标:本教程适用于希望入门计算机视觉和图像处理的新手,通过实际操作练习提升技术水平,掌握OpenCV的基本用法,并能够应用于实际项目,如OCR应用、图像分割与目标检测等。 阅读建议:建议读者按照文档提供的步骤进行实践,逐步完成每个代码示例,结合官方文档和其他资源深入理解各个函数的作用。对于初学者来说,可以通过多动手尝试,加深对OpenCV的理解。
围绕着一系列的经典Python练习题。Python练习一些按照回顾排列的Python练习题。欢迎提交你的答案或添加更多有趣的题目!从开始学Python以来,接触了精彩的练习题。下面十个练习题,是我做的和练习出来的题里比较有趣的,现在按照难度由低到高排列。欢迎到GitHub上提交你的答案。猜测数字经典的猜数字游戏,几乎是学编程时都会做的。功能描述随机选择三个以内的数字作为答案。用户输入一个数字,程序会提示大了或者小了,直到用户猜中。2.FizzBuzz另一道经典编程题。功能描述遍历并打印0到100,如果数字能被3整除,显示Fizz如果数字能被5整除,显示Buzz如果能同时被3和5整除,就显示FizzBuzz。结果应该类似0,1 ,2,嘶嘶声,4,嗡嗡声,6……14,嘶嘶声,16……3. 猜测数字的AI和猜数字一样,不过这次是设计一个能猜数字的人工智能功能描述用户输入一个单位以内的数字,AI需要最少的猜测次数,并显示出猜测的次数和数字。4.整点报时老式的挂钟会在整点报时,响铃的次数和时间是一致的。我们设计了一个在电脑上运行的报时
本项目是一个基于Python技术的学生管理系统,采用Django框架进行开发,旨在为计算机相关专业的学生提供一个实践性强、功能全面的管理系统,以帮助他们完成毕业设计或进行项目实战练习。 系统实现了对学生信息、课程信息、成绩、考勤等多方面的管理功能。学生信息管理包括学生基本信息的增删改查;课程信息管理允许管理员设置课程信息,包括课程名称、授课老师、学分等;成绩管理功能使学生和教师能够录入、查看和修改成绩;考勤管理则方便教师记录学生的出勤情况。 该项目采用B/S架构,前端使用HTML、CSS、JavaScript等技术,后端使用Python语言和Django框架,数据库采用MySQL。Django框架提供了强大的后台管理功能,使得系统管理更加便捷。 通过开发这个项目,学生不仅能提升自己的编程能力,还能学习到如何构建一个实际应用的系统,对于即将步入职场的学生来说,具有很高的实用价值。
python入门——安装Python软件包
消息中间件源码学习(打注释学习)
阿里消息中间件MetaQ学习Demo
数学建模培训资料 数学建模实战题目真题答案解析解题过程&论文报告 抑制房地产泡沫问题研究 共69页.pdf
rbac组件(基于角色的权限控制)
压缩包内,SC是简体补丁包,TC是繁体补丁包
本项目是一个基于Java的在线日语培训平台的设计与实现,采用SSM框架(Spring+SpringMVC+MyBatis)进行开发,旨在为计算机相关专业的学生提供一个实践和学习的平台,同时也为日语学习者提供一个在线学习的空间。项目中主要功能涵盖了用户管理、课程管理、学习资源上传下载、在线测试与反馈等多个方面。通过该平台,教师能够轻松管理课程内容和学生信息,学生则可以随时随地访问学习资源,参与在线课程和测试,从而提高学习效率和兴趣。 在开发此项目的过程中,我们重点关注了系统的可维护性和可扩展性,确保代码结构清晰,便于后续的功能迭代和优化。此外,通过使用SSM框架,实现了前后端的分离,提高了开发效率和系统的响应速度。该项目不仅能够满足毕设的需求,还能作为Java学习者提升编程能力和实践经验的实用工具。
TruthfulQA是一个专门设计的基准测试数据集,用于衡量。这个数据集包含了817个问题,覆盖了38个不同的类别,如健康、法律、金融和政治等。这些问题被精心设计,以至于某些人可能会因为错误的信念或误解而给出错误的答案。因此,要在这个数据集上表现良好,语言模型必须避免生成从模仿人类文本中学到的错误答案。 TruthfulQA的数据集结构包括两种配置:generation和multiple_choice。在generation配置中,每个问题都包含了类型、类别、问题、最佳答案、正确答案列表、错误答案列表和来源。而在multiple_choice配置中,每个问题都提供了四个选项,模型需要从中选择正确的答案。 这个数据集的目的是为了测试语言模型在真实性方面的弱点,而不是测试模型在有用任务上的表现。研究发现,最大的模型通常是最不真实的,这与其他NLP任务不同,在其他任务中,模型的性能随着模型大小的增加而提高。TruthfulQA的数据集提供了一个重要的工具,用于评估和改进语言模型在生成真实和可靠信息方面的能力。
多彩吉安红色旅游网站-JAVA-基于springBoot多彩吉安红色旅游网站的设计与实现
【作品名称】:基于servlet+jsp+mysql实现的影视管理系统【课程设计】 【适用人群】:适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。 【项目介绍】: 基于servlet+jsp+mysql实现的影视管理系统【课程设计】 基于servlet+jsp+mysql实现的影视管理系统【课程设计】 Java Web课程设计,基于servlet+jsp+ajax+mysql做的影视管理系统 运行环境: Tomcat 9.0 JDK 1.8 MySQL 8.0 后台管理账号密码均为:root,项目依赖:lib 目录 【资源声明】:本资源作为“参考资料”而不是“定制需求”,代码只能作为参考,不能完全复制照搬。需要有一定的基础看懂代码,自行调试代码并解决报错,能自行添加功能修改代码。
渗透测试人员的 Python 工具渗透测试人员的 Python 工具如果你参与漏洞研究、逆向工程或渗透测试,我建议尝试 Python编程语言。它有一套丰富的有用库和程序。本页列出了其中一些。列出的大多数工具都是用 Python 编写的,其他工具只是现有 C 库的 Python 绑定,即它们使这些库可轻松地在 Python 程序中使用。一些更激进的工具(渗透测试框架、蓝牙粉碎器、Web 应用程序漏洞扫描器、战争拨号器等)被排除在外,因为这些工具在德国的法律地位仍然不太明确——即使在最高法院作出裁决之后也是如此。这个列表显然是为了帮助白帽黑客,目前我更愿意谨慎行事。网络Scapy发送、嗅探、剖析和伪造网络数据包。可交互使用或作为库使用pypcap、 Pcapy和 pylibpcaplibpcap 的几种不同的 Python 绑定libdnet低级网络例程,包括接口查找和以太网帧传输dpkt快速、简单的数据包创建/解析,包含基本 TCP/IP 协议的定义Impacket制作和解码网络数据包。包括对 NMB 和 SMB 等高级协议的支持pynidslibnids
quark(夸克)正版下载
ssm框架Java项目源码-企业员工岗前培训管理系统+vue毕设-大作业.zip是一个专为计算机相关专业学生和Java学习者设计的项目资源。该项目以企业员工岗前培训管理为背景,采用经典的SSM(Spring+SpringMVC+MyBatis)框架进行后端开发,确保系统的稳定性和可扩展性。同时,前端采用Vue.js框架,实现了前后端分离,提升了用户体验和开发效率。 该项目的主要功能包括员工信息管理、培训课程管理、培训进度跟踪、考试成绩记录与统计等。通过这些功能,系统能够帮助企业高效地管理员工的岗前培训过程,确保培训质量,提升员工技能水平。 此外,该项目不仅适合作为计算机专业学生的毕业设计题目,也适合Java学习者进行项目实战练习,通过实际操作,加深对SSM框架和Vue.js的理解,提升编程能力和解决问题的能力。
你是 Pythonista汇聚【从零单排】【实战项目】【数据科学】【自然语言处理】【计算机】【面试题系列】【大航海】【Python应用】【错题集】【技术沙龙】【内推渠道】 】等等【人人都是Pythonista】由公众号【Python专栏】推出,请认准唯一标识请仔细阅读本文档,尤其是使用说明。目录说明计算机视觉计算机视觉DataScience数据科学作业所有的作业都提交在这个目录下,每个人创建属于自己的独立目录HR内推渠道Interview_Questions: 面试题集KnowledgeShare干货分享LearnFromZero从零单排NLP自然语言处理、自然语言处理OnePiece大航海PracticeProject实战项目PythonExercisePython练习、应用资源资源目录TechSalon技术沙龙WeeklyReport每周新鲜事、分享好项目、好资源使用说明命名规范文件夹命名规范必须为英文全部小写单词之间用下划线分割,例如nagios_check_tomcat第一个单词代表项目涉及应用,若有多个采用简写,最多2
基于java的学生社团管理系统设计与实现.docx
学习微服务框架SpringCloud的一些示例代码
基于java的数字家庭网站设计与实现.docx