你的数据究竟在告诉你什么？

用按比例划分的圆形扇区展示整体如何分为各个类别。

用长度反映各数量的条形来比较分类或离散数值。

按频次对问题或原因排序，以突出引发多数问题的关键少数。

通过四分位数、中位数、离散程度和异常值来概括数据分布。

用颜色深浅可视化数据点在二维空间中的集中分布位置。

以平面上的点展示两个连续变量之间的关系。

将两个变量相互对照绘图，并在各坐标轴上附加直方图、箱线图、小提琴图或点图，以展示二者的关系及各变量的分布。

量化变量之间线性关系的强度和方向。

在三个坐标轴上展示数据点，以呈现三个变量之间的关系。

在进行能力分析或控制图之前，将数据变换得更接近正态。

将非正态数据变换得更接近正态，以满足分析方法的要求。

跟踪子组均值和极差，以监控计量型数据的过程稳定性。

随时间监控各子组的均值以检测均值偏移。

通过绘制各子组的极差来监控组内变异。

针对较大样本量的计量型数据监控子组均值和标准差。

通过绘制各子组的标准差来监控组内变异。

同时跟踪单值、组间变异和组内变异。

针对单值过程监控单个测量值及其移动极差。

依据 ISO 22514-3 评估机器相对于其规格的短期能力。

在数据近似服从正态分布时，判定过程产出满足客户规格的程度。

在数据不服从正态分布时评估过程能力。

在不假定任何特定数据分布的情况下评估过程能力。

在数据服从正态分布时，并排比较多个过程变量的能力。

将两个或更多相关特性视为单一多元过程，计算一个联合能力指数。

针对以单值或子组形式收集的数据，同时评估稳定性、能力和正态性。

在变异因子组而异时检验过程的稳定性和能力。

为子组之间存在系统性变异的过程计算能力指数。

通过对同一零件的重复测量评估量具固有的重复性和偏倚。

评估测量仪器在其工作范围内的准确度。

为 Gage R&R 研究生成随机化的数据收集工作表。

量化操作员和量具测量相同零件时产生的测量变异。

使用方差分量执行交叉 Gage R&R，并可选加入第三个随机因子（如量具或夹具）。

按零件绘制每个测量值，每位操作员一个面板，作为完整 Gage R&R 之前的快速直观检查。

在每位操作员测量每个零件时评估测量系统变异，数据按 AIAG MSA 手册规定的格式采集。

在操作员无法测量每个零件时评估测量系统变异。

采用 Wheeler 的 EMP 方法评估测量过程，报告组内相关系数，并将量具划分为一级至四级监控器。

在方差已知时检验样本均值是否与已知的总体均值存在差异。

在标准差已知时，根据汇总统计量检验总体均值是否与目标值存在差异。

在总体标准差未知时，将样本均值与目标值进行比较。

在标准差未知时，根据汇总统计量检验总体均值是否与目标值存在差异。

检验两个独立组的均值之间是否存在显著差异。

使用汇总统计量而非原始数据来比较两个独立组的均值。

检验两个相关组的均值之间是否存在显著差异。

根据配对数以及差值的均值和标准差执行配对 t 检验。

检验两种相关方法所得结果是否足够接近以判定为等价。

检验三个或更多独立组的均值之间是否存在显著差异。

在各组响应分别位于独立列中时，检验组均值之间是否存在差异。

检验两个或更多组是否具有相同程度的变异。

展示平均响应如何随研究中各因子水平的变化而变化。

展示一个因子对响应的效应是否取决于另一个因子的水平。

量化每个变异来源对过程或样本集总变异的贡献大小。

比较因子各水平下的组均值及其置信区间。

将各组均值与总均值对照决策限进行比较，并标记存在差异的组。

针对多个分类因子、协变量和交互作用建立响应模型，并提供 III 型方差分析、最小二乘均值和事后比较。

在两个变量之间拟合直线、二次或三次曲线，以展示二者关系及拟合效果。

量化预测变量与连续型响应变量之间的关系。

为稳定性研究生成包含批次、时间和响应列的数据收集工作表。

估计产品随时间推移能维持在其质量规格内的时长。

依据 ICH Q1E 标准估计药品有效期，包含批次可合并性检验、温度投影和外推评估。

建模预测变量与具有三个或更多水平的有序分类响应之间的关系。

建模预测变量与具有三个或更多结果的无序分类响应之间的关系。

建模预测变量与二分类响应之间的关系。

在两个均含测量误差的变量之间拟合其关系。

创建并分析确定性筛选试验，从最多 48 个因子中找出显著因子。

生成因子试验方案并分析各因子及其交互作用的效应。

设计并分析各因子为配料比例且总和恒为常数的试验。

创建并分析 Taguchi 正交表试验，以找出对噪声稳健的因子设置。

创建并分析中心复合设计、Box-Behnken 设计或 D 最优设计，以对弯曲响应进行建模和优化。

在不假定正态分布的情况下比较三个或更多独立组。

根据所有数值对计算 Walsh 平均值、Hodges-Lehmann 位移估计或 Theil-Sen 斜率。

使用秩而非均值来比较两个独立组。

通过统计高于和低于总体中位数的数值个数来比较两个或更多组的中位数。

检验一组数值的排列顺序是否真正随机。

使用基于秩的非参数检验比较三个或更多相关组。

检验样本中位数是否等于指定的目标值。

使用符号秩检验样本中位数是否等于目标值。

将众多相关变量降维为一组数量更少的不相关成分。

用少数潜在因子解释众多变量之间的相关性，并可选进行方差最大化旋转。

使用线性或二次判别函数将观测值归入已知组，并报告交叉验证的准确率。

根据观测值在多个变量上的相似性，将各行聚合成树状图。

根据相关性或距离将各列聚合成树状图。

将观测值划分为 K 个聚类，使聚类内变异最小。

在少数几个维度中，将两个分类变量之间的关联映射为行点和列点。

同时探索三个或更多分类变量之间的关系。

使用 Cronbach α 系数度量多项目量表或测验的内部一致性。

确定在设定置信水平下证明可靠性目标所需的试验样本量和持续时间。

确定估计可靠性参数所需的样本量和持续时间。

将原始的保修现场退货数据整理为可用于可靠性分析的形式。

建模可修复系统的失效率如何随累计运行时间而变化。

基于已拟合的可靠性模型预测未来预期的保修退货量。

在每个应力水平下拟合寿命数据，并使用 Arrhenius、逆幂律或线性模型建立寿命与应力的关系，以外推至使用条件。

在执行拟议的加速寿命试验之前，模拟其预期精度。

拟合多个应力水平下的分组成功数与试验数，并估计达到指定响应百分比（如 ED50）所需的应力。

在不假定模型的情况下，估计修复数据或复发事件数据的平均累积函数。

将测量变量对时间作图，以揭示一段时期内的趋势和变化。

拟合线性、二次、指数增长或 S 曲线趋势，并预测未来值。

以加法或乘法方式将季节性序列分解为趋势、季节和残差成分。

使用尾随移动平均对序列进行平滑，并预测未来各期。

使用单一平滑权重对无明显趋势的序列进行平滑和预测。

使用 Holt 的水平和趋势权重对有趋势的序列进行平滑和预测。

对同时具有趋势和季节性的序列进行平滑和预测。

计算序列的滞后差分，例如在进一步分析之前去除趋势。

创建序列的滞后副本，并与原序列并列绘图。

针对合格/不合格计数型数据构建 AQL 检验方案。

针对连续测量的质量特性创建 AQL 检验方案。

针对连续测量数据构建验收抽样方案。

利用操作特性曲线（OC 曲线）逐一并排比较各抽样方案。

将现有的计量型抽样方案应用于测量样本，并给出接收或拒收的判定。

根据 AQL、RQL 以及生产方风险和使用方风险，为不合格品数计算一次抽样方案 (n, c)。

在相同的 OC、AOQ 和 ATI 曲线上比较多个计数型抽样方案 (n, c)。

针对单样本 t 检验，在给定其余两项的情况下求解样本量、可检测差值或功效。

求出在目标误差范围内估计均值或比率所需的样本量。

求出正态容差区间达到所需置信度和覆盖率所需的样本量。

针对单样本 Z 检验，在给定其余两项的情况下求解样本量、可检测差值或功效。

针对双样本 t 检验，在给定其余两项的情况下求解样本量、可检测差值或功效。

针对配对 t 检验，在给定其余两项的情况下求解样本量、可检测配对差值或功效。

针对单因素方差分析，在给定其余两项的情况下求解每个水平的样本量、可检测差值或功效。

针对单比率检验，在给定其余两项的情况下求解样本量、可检测比率或功效。

针对双比率检验，在给定其余两项的情况下求解每组样本量、可检测比率或功效。

通过比较供试品与标准品的对数剂量-反应平行线来估计相对效价。

当各制剂共享相同基线反应时，根据剂量-反应斜率之比估计相对效价。

通过同质性检验将多次独立检定的效价估计合并为单一加权结果。

当生物反应为二元结果而非连续测量时，估计有效剂量和相对效价。

通过拟合四参数逻辑斯蒂 S 形曲线估计相对效价，适用于 ELISA 等免疫测定。

采用 USP 圆筒平板 5+1 设计，根据琼脂平板抑菌圈估计抗生素效价。

构建两个分类变量的双向表，给出行、列和总百分比，并进行卡方关联检验。

统计所选各列中每个值的出现次数，并给出百分比和累积合计。

将数值变量的描述性统计制成表格，并可选按最多两个分类变量进行拆分。

从 26 种分布中的任意一种生成随机数据，包括正态、二项、泊松、Weibull 和多元正态分布。