msa_bias_linearity — SPC `msa` op

• Datenarten: table → table

• Aufruf: import fullseye as fs; fs.ledger.msa_bias_linearity(table, reference='reference', measured='measured') (die Implementierung direkt: import spc; spc.msa_bias_linearity(table, reference='reference', measured='measured'); aus dem Register: opsspc.get("msa_bias_linearity"))

Verwendung

Systematische Abweichung gegenüber einem Referenzwert und deren Abhängigkeit vom Referenzwert (Linearität) (`table`).

> Die ausführliche Beschreibung unten ist der Originaltext — Zusammenfassung und Überschriften sind übersetzt.

偏り `bias = measured - reference` を基準値に回帰する

(`bias = intercept + slope * reference`)。傾きが 0 でなければ、測定系は

測定範囲の場所によって違う量だけずれている = 直線性の問題。

返りは基準値ごとの平均偏り(`ref / bias_mean / n`)と、回帰の

`intercept / slope` / それぞれの標準誤差・t 値・p 値、全体平均偏り。

★門にできる厳密な性質: 雑音の無い `bias = a + b*ref` を渡すと最小二乗は

a と b を厳密に返す(残差 0)。そのとき標準誤差は 0 なので t は `inf` /

p は 0 —— これは欠陥ではなく完全適合の正しい報告なので、そのまま返す。

Referenzen (Beispieldaten, Literatur)

• Katalog der Beispieldaten (Download-URLs / Lizenzen) — 2-D nutzt skimage.data (BSD/Public Domain) plus synthetische Bilder, 3-D nennt Download-URLs echter Datenquellen (Stanford, PDS, …).

• Herkunft und Literatur der Operatoren — die Quellen der Forschung/Verfahren, auf denen diese Operatorfamilie beruht.

• Der kanonische Algorithmus (Autor, Jahr) und seine Anwendungen stehen im Familienleitfaden oben.

Ausführbare Beispiele (verifizierte Samples, die diesen Operator wirklich aufrufen)

• poc_measurement_system_analysis — py -3.11 examples/poc_measurement_system_analysis.py

Typkompatible Folge-Operatoren (nehmen `table` als Eingabe)

msa_anova_table · msa_gauge_rr · msa_attribute_agreement · gum_standard_uncertainty · gum_propagate · gum_expanded · gum_monte_carlo · gum_validate

Gleiche Kategorie (`msa`)

msa_anova_table · msa_gauge_rr · msa_attribute_agreement

*Provenance: spc.py — SPC Operator-Registry. Diese Notiz wird von tools/opdocs.py md erzeugt (nicht von Hand bearbeiten).*

msa_bias_linearity — SPC msa op