Statistics Toolbox

주요 특징

  • 선형, 일반화된 선형, 비선형, robust, regularized, ANOVA 및 mixed-effects 모델을 포함한 회귀 기법
  • 대상에 대한 다중 측정을 사용하는 데이터 반복 측정 모델링
  • copulas 및 Gaussian 혼합을 포함한 단일 변량 및 다변량 확률 분포
  • 난수 및 준난수 생성기 및 Markov 체인 샘플러
  • 분포, 분산 및 위치를 위한 가설 검증, 최적화, 성분 분석 및 응답 곡면 설계를 위한 실험 계획(DOE) 법
  • SVM(support vector machine), boosted 및 bagged decision trees, k-nearest neighbor, Naïve Bayes, 및 판별 분석을 포함한 관supervisied machine learning 알고리즘,
  • k-평균 및 hierarchical clustering, Gaussian 혼합, 및 hidden Markov 모델을 포함한 unsupervised machine learning 알고리즘

탐색 데이터 분석

Statistics Toolbox는 데이터 탐색을 위한 방법으로 대화형 그래픽을 통한 통계 플로팅, 클러스터 분석 알고리즘, 대형 데이터세트를 위한 설명적 통계를 제공합니다.

통계 플롯 및 대화식 그래프

Statistics Toolbox는 데이터를 시각적으로 탐색할 수 있는 그래프와 차트를 포함합니다. Toolbox는 확률 그래프, 박스 플롯, 히스토그램, 산점도 그래프, 3차원 히스토그램, 관리도, 분위수대조도를 통해 MATLAB® 플롯 유형을 보강합니다. Toolbox는 또한 dendograms, 행렬도, 병렬 좌표계, Andrews 플롯을 포함한 다변량 분석을 위한 특수 플롯을 포함합니다.

Matrice de nuage de points groupée montrant les interactions entre 5 variables.
5개의 변수 간 상호 작용을 보여주는 그룹 산점도 행렬
다변량 데이터 시각화(예)다양한 통계 플롯을 이용한 다변량 데이터 시각화 방법.
Diagramme en boîte à moustache compact pour réponse groupée par année à la recherche de potentiels effets fixes spécifiques à l’année.
잠재적인 연도별로 고정된 효과를 볼 수 있도록 연도별로 그룹화된 응답을 위한 whisker가 있는 컴팩트 박스 플롯.
Histogramme en nuage de points à l’aide d’une combinaison de nuages de point et d’histogrammes pour décrire la relation entre les variables.
산점도와 히스토그램의 조합으로 변수 간 관계를 설명하는 산점 히스토그램
Diagramme comparant le CDF empirique pour un échantillon depuis une distribution de valeurs extrêmes avec un diagramme du CDF pour la distribution d’échantillonnage.
극단치 분배의 샘플에 대한 경험적 CDF와 샘플링 분배에 대한 CDF 플롯을 비교하는 플롯
일반화된 극단치 분배를 통한 데이터 모델링(예)
최대 가능성 예측을 이용한 일반화된 극단치 분배 피팅 방법.

기술 통계

기술 통계를 사용하여 신속하게 대량의 데이터 세트를 이해하고 설명할 수 있습니다. Statistics Toolbox에는 다음과 같은 계산 함수가 포함되어 있습니다.

이 함수들은 데이터 샘플에서 소수의 매우 가능성 있는 수를 사용하여 값들을 요약할 수 있도록 도와 줍니다.

리샘플링 기술

경우에 따라 모수적 방법을(parametric method) 사용한 요약 통계 예측이 불가능할 수도 있습니다. 이러한 경우를 위해 Statistics Toolbox는 다음을 포함한 리샘플링 기술을 제공합니다:

  • 교체 여부에 관계없이 데이터 세트로부터 임의의 샘플링
  • 리샘플링을 사용한 샘플 통계 예측을 위한 일반화된 bootstrap 함수
  • 데이터 서브세트를 사용한 샘플 통계 예측을 위한 jackknife 함수
  • 신뢰 구간 평가를 위한 bootci 함수

회귀 및 ANOVA

회귀

회귀를 사용하면 하나 이상의 예측자를 가진 함수로서 연속적인 응답 변수를 모델링할 수 있습니다. Statistics Toolbox는 선형 회귀, 일반화된 선형 모델, 비선형 회귀 및 mixed-effects 모델을 포함한 다양한 회귀 알고리즘을 제공합니다.

선형 회귀

선형 회귀는 하나 이상의 예측 변수를 가진 함수로서 연속적인 응답 변수를 설명하는 데 사용되는 통계적 모델링 기술입니다. 이는 복잡한 시스템의 동작을 이해하고 예측하거나 실험 데이터, 금융 데이터 또는 생물학 데이터를 분석하도록 돕습니다.

이 툴박스는 다음을 포함한 몇 가지 선형 회귀 모델 및 피팅 메서드를 제공합니다.

  • 단순: 하나의 예측자로 모델링
  • 다중: 여러 예측자로 모델링
  • 다변량: 여러 응답 변수로 모델링
  • 안정성: 이상값이 있는 모델링
  • 단계적: 자동 변수 선택으로 모델링
  • Regularized: 중복 예측자를 처리할 수 있고 ridge, lasso 및 elastic net 알고리즘을 사용하여 오버피팅을 방지할 수 있는 모델

계산 통계학: MATLAB을 사용한 특징 선택(feature selection), 정규화(regularization) 및 축소 36:51
상호 연관된 데이터가 있을 때 정확한 모델을 개발하는 방법을 알아봅니다.

비선형 회귀

비선형 회귀는 실험 데이터의 비선형 관계를 설명하는 데 도움이 되는 통계적 모델링 기술입니다. 비선형 회귀 모델은 보통 모델이 비선형 방정식으로 설명되는 모수적 모델로 간주됩니다. 일반적으로 비모수적 회귀에는 기계 학습 메서드가 사용됩니다.

이 툴박스는 또한 데이터의 이상값을 처리하기 위한 신뢰할 수 있는 비선형 피팅을 제공합니다.

MATLAB을 사용한 피팅: 통계, 최적화 및 Curve Fitting 38:37
MATLAB을 통해 회귀 알고리즘을 적용합니다.

일반화된 선형 모델

일반화된 선형 모델은 선형 메서드를 사용하는 특별한 경우의 비선형 모델입니다. 이 모델은 응답 변수가 응답의 예상되는 값이 선형 예측자와 어떻게 관련되어 있는지 설명하는 연결 함수와 비정규분포를 갖도록 허용합니다.

Statistics Toolbox는 일반화된 선형 모델을 다음의 응답 분포로 피팅하는 것을 지원합니다.

  • 보통(프로빗 회귀)
  • Binomial(로지스틱 회귀)
  • 포아송
  • 감마
  • 역 Gaussian
일반화된 선형 모델을 통한 데이터 피팅(예)
glmfitglmval을(를) 이용하여일반화된 선형모델을 피팅하고실행하는 방법.

Mixed-Effects 모델

선형 및 비선형 mixed-effects 모델은 그룹으로 수집 및 요약되는 데이터를 위한 선형 및 비선형 모델의 일반화입니다. 이러한 모델은 응답 변수와 독립 변수 사이의 관계를 하나 이상의 그룹화 변수에 따라 변화할 수 있는 계수를 통해 설명합니다.

Statistics Toolbox는 다음을 포함하여 다양한 연구 수행에 사용될 수 있는 중첩 및/또는 교차 임의 효과를 통한 다중 수준 또는 계층적 모델 피팅을 지원합니다.

  • 경시적 분석/패널 분석
  • 반복 측정 모델링
  • 성장 모델링
Graphique comparant le produit intérieur brut de trois états et ajusté à l’aide d’un modèle à effets mixtes multi-niveaux (gauche) et de la méthode des moindres carrés ordinaire (droite). La fonction fitlme de la Statistics Toolbox permet d’améliorer l’exactitude prédictive des modèles lorsque les données sont collectées et classées par groupe.
다중 수준 mixed-effects 모델(왼쪽)과 일반 최소제곱법(오른쪽)을 사용하여 피팅한 3가지 상태에 대한 Gross State Product를 비교하는 플롯. Statistics Toolbox의 fitlme 기능은 데이터를 그룹으로 수집하고 요약할 때 더 높은 예측 정확도로 모델을 생성할 수 있습니다.

모델 평가

Statistics Toolbox를 사용하면 다음과 같은 통계적 중요성과 goodness-of-fit 측정을 위한 테스트를 이용하여 회귀 알고리즘 모델 평가를 수행할 수 있습니다.

  • F-statistic 및 t-statistic
  • R2 및 adjusted R2
  • 평균 제곱 오류의 교차 검증(Cross-Validate)
  • AIC(Akaike information criterion) 및 BIC(Bayesian information criterion)

회귀 계수와 예측값 모두의 신뢰 구간을 계산할 수 있습니다.

비모수적 회귀

또한 Statistics Toolbox는 예측자와 응답 사이의 관계를 설명하는 모델을 지정하지 않고 가장 적합한 모델을 개발하기 위한 비모수적 회귀 기술을 지원합니다. 비모수식 회귀 기법은 회귀에 대한 관리식 기계 학습 아래에 보다 포괄적으로 분류될 수 있으며 의사 결정 트리와 boosted 및 bagged 회귀 트리를 포함합니다.

비모수적(Nonparametric) 피팅 4:07
변수 간의 관계를 기술하는 함수를 지정할 수 없을 경우, 예측 모델을 개발합니다.

ANOVA

ANOVA(Analysis of variance)는 서로 다른 소스에 샘플 변수를 할당하고 변수가 한 모집단 내에서 유래하는지 아니면 서로 다른 모집단에서 유래하는지 결정합니다. Statistics Toolbox는 다음과 같은 ANOVA 알고리즘과 관련 기술을 포함합니다.

기계 학습

기계 학습 알고리즘은 연산 메서드를 사용하여 미리 결정된 방정식을 모델로 가정하지 않고 데이터로부터 직접 정보를 “학습”합니다. 학습에 사용 가능한 샘플 수를 늘리면 그에 따라 성능을 향상시킬 수 있습니다.

MATLAB을 활용한 기계 학습 3:02
MATLAB®으로 데이터를 준비하고 기계 학습을 훈련합니다

분류화

분류화 알고리즘을 사용하면 하나 이상의 예측자를 가진 함수로서 범주형 응답 변수를 모델링할 수 있습니다. Statistics Toolbox는 다음을 포함한 다양한 모수적 및 비모수적 분류화 알고리즘을 제공합니다.

분류화 소개 9:00
데이터를 분류하기 위한 예측 모델을 개발합니다.

다음과 같은 기술을 사용하여 생성된 분류화 모델의 적합도를 평가할 수 있습니다.

클러스터 분석

Statistics Toolbox는 k-평균, hierarchical clustering, Gaussian 혼합 모델 또는 hidden Markov 모델을 사용하여 데이터를 분석하는 여러 알고리즘을 제공합니다. 클러스터 수를 알 수 없을 때 클러스터 평가 기법을 통해 지정된 메트릭을 기준으로 데이터에 존재하는 클러스터의 수를 파악할 수 있습니다.

Graphique montrant des modèles naturels dans les profils d’expression génique obtenus à partir de levure de boulanger. La procédure d’analyse en composantes principales et les algorithmes de classement par k-means sont utilisés pour trouver des clusters dans les données de profils.
제빵에 쓰이는 이스트에서 얻은 유전자 발현 프로파일의 자연 패턴을 보여주는 플롯. PCA(Principal component analysis)와 k-평균 클러스터링 알고리즘은 프로파일 데이터에서 클러스터를 찾는 데 사용됩니다.
K-평균을 사용한 유전자 클러스터링(예)
유전자 발현 데이터를 조사함으로써 유전자 발현 프로파일에서 패턴을 감지하는 방법을 배우십시오.
Modèle de mélange gaussien à deux composants qui s’adapte à un mélange de gaussiennes bivariées.
이변(bivariate) Gaussian의 혼합에 맞는 2개 요소(two-component) Gaussian 혼합 모델
Sortie à partir de l’application d’un algorithme de classement sur le même exemple.
동일한 예에 클러스터링 알고리즘을 적용한 결과
Dendrogramme qui affiche un modèle avec 4 clusters.
4개의 클러스터를 가진 모델을 보여주는 Dendrogram 플롯
클러스터 분석(예)
k-평균 및 계층 클러스터링을 사용하여 데이터의 자연적 그룹화를 찾습니다.

회귀

회귀 알고리즘을 사용하면 하나 이상의 예측자를 가진 함수로서 연속 응답 변수를 모델링할 수 있습니다. Statistics Toolbox는 다음을 포함한 다양한 모수적 및 비모수적 분류화 알고리즘을 제공합니다.

계산 통계학: MATLAB을 사용한 특징 선택(feature selection), 정규화(regularization) 및 축소 36:51
상호 연관된 데이터가 있을 때 정확한 모델을 개발하는 방법을 알아봅니다.

다변량 통계

다변량 통계는 여러 변수를 분석할 수 있는 알고리즘과 함수를 제공합니다. 일반적인 응용 프로그램에는 기능 변형 및 기능 선택을 통한 차원 축소, 산점도 행렬과 일반적인 다차원 확장과 같은 시각화 기술을 통한 변수 간 관계 탐구가 포함됩니다.

주 성분 분석(PCA)을 사용한 직교 회귀 피팅(예)
데밍(Deming) 회귀(총 최소 제곱)를 구현합니다.

기능 변환

기능 변환(기능 추출이라고도 함)은 기존 기능을 설명 기능이 덜 손실되는 새로운 기능(예측자 변수)으로 바꾸는 차원 축소 기술입니다. 이 툴박스는 기능 변환을 위해 다음 접근 방법을 제공합니다.

부분 최소 제곱 회귀 및 주 구성 요소 회귀(예)
상호 연관성이 높은 예측자가 존재하는 응답 변수를 모델링합니다.

기능 선택

특징 선택은 데이터 모델링에 있어서 최적의 예측력을 제공하는 측정된 기능(예측자 변수)의 하위 집합만 선택하는 차원 축소 기법입니다. 고차원 데이터를 처리하거나 비용 문제로 모든 기능에 대한 데이터 수집이 어려울 때 유용합니다.

특징 선택 메서드에는 다음이 포함됩니다.

  • 단계적 회귀는 예측 정확도가 더 이상 향상될 수 없을 때까지 기능을 순차적으로 추가하거나 제거합니다. 선형 회귀 또는 일반화된 선형 회귀 알고리즘과 함께 사용할 수 있습니다.
  • 순차적 기능 선택은 단계적 회귀와 유사하며 모든 관리식 학습 알고리즘 및 사용자 지정 성능 측정과 함께 사용할 수 있습니다.
  • 정규화(lasso 및 elastic nets)는 축소 추정을 사용하여 무게(계수)를 0으로 줄임으로써 중복 기능을 제거합니다.

특징 선택의 용도:

  • 기계 학습 알고리즘의 정확도 향상
  • 매우 고차원적인 데이터의 성능 향상
  • 모델 해석 가능성을 향상
  • 오버피팅 방지
고차원적 데이터 분류를 위한 기능 선택(예)
암 감지를 위한 중요 기능 선택.

다변량 시각화

Statistics Toolbox는 다음을 포함하여 다변량 데이터를 시각적으로 탐색할 수 있는 그래프와 차트를 제공합니다.

  • 산점도 행렬
  • Dendogram
  • 행렬도 분석
  • 평행 좌표계
  • Andrews 플롯
  • 그림문자 플롯
Matrice de nuage de points groupée montrant comment l’année du modèle a un impact sur les différentes variables.
모델 연식의 서로 다른 변수에 대한 영향을 보여주는 그룹 산점도 행렬
Diagramme de double projection montrant les trois premiers chargements à partir de l’analyse en composantes principales.
주 성분 분석(PCA)에서 불러온 첫 3개 결과를 보여주는 행렬도 분석
Diagramme d’Andrews montrant comment le pays d’origine a un impact sur les variables.
원산지의 변수에 대한 영향을 보여주는 Andrews 플롯

확률 분포

[Statistics Toolbox]는 모수 및 비모수적 확률 분포 작업을 위한 함수와 응용 프로그램을 제공합니다.

다음을 포함한 40가지 이상의 분포로부터 샘플을 연산, 피팅 및 생성할 수 있습니다.

전체 지원 분포 목록을 참조하십시오.

이러한 툴로 다음과 같은 작업이 가능합니다.

  • 데이터에 대한 분포 피팅
  • 통계 플롯을 사용하여 적합도 평가
  • 확률 밀도 함수와 누적 밀도 함수와 같은 주요 함수 연산
  • 확률 분포로부터 난수 및 준난수 스트림 생성

데이터에 대한 분포 피팅

Toolbox의 Distribution Fitting 응용 프로그램에서는 사전 정의된 단일 변량 확률 분포, 비모수적(kernel smoothing) 추정, 또는 사용자 정의 분포를 사용하여 데이터를 피팅할 수 있습니다. 이 응용 프로그램은 완전한 데이터와 중도 절단된(신뢰도) 데이터를 모두 지원합니다. 데이터를 제외하고 세션을 저장 및 로드하며 MATLAB 코드를 생성할 수 있습니다.

Affichage graphique de distribution et de statistiques récapitulatives.
분포 데이터(왼쪽) 및 요약 통계(오른쪽)의 시각적 플롯 Distribution Fitting 응용 프로그램을 사용하면 평균과 분산으로 일반적인 분포를 추정할 수 있습니다(이 예제에서는 각각 16.9와 8.7).

명령줄에서 분포 매개변수를 추정하거나 제어 매개변수에 대응하는 확률 분포를 구성할 수 있습니다.

또한 Gaussian 혼합 및 일반 다변량, 다변량 t 및 Wishart 분포를 포함한 다변량 확률 분포를 만들 수 있습니다. copula를 사용하여 상관 관계 구조를 통해 임의의 주변 분포를 연결함으로써 다변량 분포를 만들 수 있습니다.

Copula를 사용한 종속 난수 시뮬레이션(예)
모델이 다변량 데이터와 상호 연관된 분포를 생성합니다.

이 Toolbox를 통해 사용자 정의 분포를 지정하고 최대공산 추정값을 사용하여 이러한 분포를 피팅할 수 있습니다.

사용자 정의 단일 변량 분포 피팅(예)
truncated, weighted 또는 bimodal 데이터의 최대공산 추정을 수행합니다.

적합도 평가

Statistics Toolbox는 데이터 세트가 지정한 분포에 얼마나 적합한지 평가하는 통계 플롯을 제공합니다. Toolbox는 일반, 지수, 극단치, lognormal, Rayleigh 및 Weibull을 비롯한 다양한 표준 분포에 대한 확률 플롯을 포함합니다. 완전한 데이터 세트와 중도 절단된 데이터 세트에서 확률 플롯을 생성할 수 있습니다. 또한 quantile-quantile 플롯을 사용하여 주어진 분포가 표준 일반 분포와 일치하는 정도를 평가할 수 있습니다.

Statistics Toolbox는 또한 데이터 세트가 서로 다른 확률 분포와 일관되는지 결정할 수 있는 가설 검증을 제공합니다. 특정 테스트에는 다음이 포함됩니다:

  • Chi-Square 적합도 테스트
  • 단면 및 양면 Kolmogorov-Smirnov 테스트
  • Lilliefors 테스트
  • Ansari-Bradley 테스트
  • Jarque-Bera 테스트

확률 분포 분석

Statistics Toolbox는 다음을 포함하여 확률 분포 분석을 위한 함수를 제공합니다.

  • 확률 밀도 함수
  • 누적 밀도 함수
  • 역 누적 밀도 함수
  • Negative log-likelihood 함수

난수 생성

Statistics Toolbox는 확률 분포로부터 의사난수 및 준난수 스트림을 생성하는 함수를 제공합니다. 임의의 방식을 적용하여 피팅했거나 제작한 확률 분포로부터 난수를 생성할 수 있습니다.

Code MATLAB pour la construction d'une distribution de Poisson avec une moyenne spécifique et pour la génération d'un vecteur de nombres aléatoires qui correspondent à la distribution.
특정한 평균으로 푸아송 분포(Poisson Distribution)를 만들고 분포와 일치하는 난수 벡터를 생성하는 MATLAB 코드

Statistics Toolbox는 또한 다음을 위한 함수를 제공합니다.

  • t, normal, copulas 및 Wishart와 같은 다변량 분포로부터 임의의 샘플을 생성
  • 유한 모집단으로부터 샘플링
  • Latin 초입방 샘플링 수행
  • Pearson and Johnson 분포 시스템에서 샘플 생성

준난수 스트림도 생성할 수 있습니다. 준난수 스트림은 단위 초입방으로부터 매우 균일한 샘플을 생산합니다. 준난수 스트림은 종종 전체 범위를 다루는 데 필요한 샘플 수가 적기 때문에 Monte Carlo 시뮬레이션을 가속하기도 합니다.

코드 생성

MATLAB Coder를 통해 확률 분포 및 기술 통계를 포함하여 100개 이상의 Statistics Toolbox 함수를 위한 이식과 해독이 가능한 C 코드를 생성할 수 있습니다. 생성된 코드는 다음 용도로 사용할 수 있습니다.

  • 독립 실행
  • 다른 소프트웨어와의 통합
  • 통계 알고리즘 가속
  • Embedded 구현

병렬 컴퓨팅을 이용한 통계 연산 가속

Statistics Toolbox는 Parallel Computing Toolbox™와 함께 사용하여 연산 시간을 단축할 수 있습니다. 이 툴박스는 교차 검증, 부트스트래핑과 같은 알고리즘을 위한 기본 병렬 컴퓨팅 지원을 포함하며 Monte Carlo 시뮬레이션 또는 기타 통계 문제를 가속합니다.

Statistics Toolbox에서의 병렬 컴퓨팅 기본 지원은 통계 연산을 병렬로 실행하여 속도를 높이고 프로그램 또는 함수의 실행 시간을 단축합니다.

재현 가능한 병렬 연산

난수 생성을 가속하는 동시에 병렬화 없이 생성된 난수와 동일한 통계적 속성을 유지할 수 있습니다. 따라서 이러한 난수를 사용한 연산을 완벽히 재현할 수 있습니다.

가설 검증, 실험 설계, 통계적 공정 제어

가설 검증

무작위 변동은 다른 환경에서 추출한 표본이 실제로 다른지 아닌지 판별하는 것을 어렵게 만듭니다. 가설 검증은 표본간 차이점이 명백한지, 더 많은 평가가 필요한지, 또는 무작위 및 기대값의 분산과 일치하는지를 분석하는 데 효과적인 도구입니다.

Statistics Toolbox는 다음을 포함하여 널리 사용되는 모수적, 비모수적 가설 검증 절차를 지원합니다.

  • 단일 및 이표본 t 검증
  • 단일 표본, 쌍체 표본, 이원 독립 표본을 위한 비모수적 검증
  • 분포 검증(카이 제곱, Jarque-Bera, Lillifors, Kolmogorov-Smirnov)
  • 분포 비교(이원 표본 Kolmogorov-Smirnov)
  • 자기상관 및 임의성 검정
  • 회귀 계수에 대한 선형 가설 검증
샘플 크기 선택(예)
가설 검증에 필요한 샘플 크기를 계산합니다.

실험 계획

실험 계획(DOE) 함수는 통계 모델링에 사용할 데이터를 수집하기 위해 실제 계획을 작성하고 테스트할 수 있게 도와줍니다. 이 계획들은 입력 데이터들이 데이터 출력에 미치는 영향에 대한 정보를 수집하기 위해 순차 입력 데이터를 어떻게 조정하는지 보여줍니다. 지원되는 설계 유형에는 다음과 같은 것이 있습니다.

  • 전체 계승
  • 부분 계승
  • 반응 표면(중심 합성 및 Box-Behnken)
  • D-optimal
  • Latin 초입방

Statistics Toolbox를 사용하여 사용자 정의된 DOE를 정의, 분석, 시각화할 수 있습니다. 예를 들어, ANOVA, 선형 회귀, 반응 표면 모델링을 사용하여 입력 효과 및 입력 교호작용을 예측할 수 있고 주 효과 및 교호작용 플롯 또는 다변량 차트를 통하여 결과를 시각화할 수 있습니다.

Ajustement d'un arbre de décision aux données.
의사결정 트리를 데이터에 피팅. Statistics Toolbox의 피팅 기능을 사용하여 의사결정 규칙과 그룹 과제의 도표를 그려 의사결정 트리를 시각화할 수 있습니다.
Modélisation d'une réaction chimique pour une expérience à l'aide du plan d'expériences et des capacités d'ajustement de la surface de Statistics Toolbox.
Statistics Toolbox의 실험 계획(DOE)과 표면 fitting 기능을 사용한 실험 화학 반응 모델링 그래프

통계적 공정 관리

Statistics Toolbox는 통계적 공정 관리(SPC)를 지원하는 함수 세트를 제공합니다. 이 함수들은 공정 변동을 평가하여 제품 또는 공정을 관찰하고 개선할 수 있습니다. SPC 함수를 통해 다음을 할 수 있습니다.

  • 계측기 반복성 및 재현성 연구 수행
  • 공정 기능 예측
  • 제어 도표 작성
  • 관리도를 제어하기 위한 Western Electric 및 Nelson 제어 규칙 적용
Diagrammes de contrôle montrant les données du processus et les violations des règles de contrôle de Western Electric.
공정 데이터와 Western Electric 제어 규칙 위반을 보여주는 제어 도표. Statistics Toolbox는 제품 또는 공정을 관찰하고 개선하기 위한 다양한 제어 도표 및 제어 규칙을 제공합니다.

Statistics Toolbox 평가판 사용

평가판 신청

Introduction to MATLAB

웨비나 보기