{"title":"Normality Test","outputs":{"statistics":{"type":"table","title":"Statistics of Percent Fat","rows":[{"Column":"Percent Fat","N":10,"Mean":17.34,"Std Dev":0.5699902533,"Method":"AD","Statistic":0.2184933607,"P-Value":0.7773704367,"Result":"Data is normally distributed."}]},"table_interpretation":{"type":"table","title":"Interpretation of Percent Fat","rows":[{"Case":"Anderson-Darling Test","Method Description":"The Anderson-Darling test is more effective at detecting non-normality in the tails of the distribution. It is particularly good at detecting deviations from normality in the tail regions of the distribution.","Interpretation":"p-value > 0.05(significance level): Fail to reject null hypothesis -> Data appears to follow a normal distribution","Summary":"p-value = 0.78 is greater than the significance level 0.05. The data can be interpreted as normally distributed."}]}}}
curl --location --request POST 'https://zylalabs.com/api/13195/statistical+quality+analytics+api/26905/normality+test' --header 'Authorization: Bearer YOUR_API_KEY'
--data-raw '{"data":[{"Percent Fat":16.9},{"Percent Fat":18.0},{"Percent Fat":17.2},{"Percent Fat":17.9},{"Percent Fat":16.4},{"Percent Fat":17.5},{"Percent Fat":18.1},{"Percent Fat":16.8},{"Percent Fat":17.0},{"Percent Fat":17.6}],"config":{"var_column":"Percent Fat","alpha":0.05,"method_of_analysis":"AD"}}'
{"title":"Descriptive Statistics: value","outputs":{"descriptive_statistics_table":{"type":"table","title":"Statistics","rows":[{"variable":"value","n_total":5,"mean":10.0,"std_dev":0.158113883,"min":9.8,"median":10.0,"max":10.2}]}}}
curl --location --request POST 'https://zylalabs.com/api/13195/statistical+quality+analytics+api/26906/descriptive+statistics' --header 'Authorization: Bearer YOUR_API_KEY'
--data-raw '{"data":[{"value":9.8},{"value":10.2},{"value":9.9},{"value":10.1},{"value":10.0}],"config":{"variables":["value"],"confidence_level":0.95,"statistics_options":["n_total","mean","std_dev","min","median","max"],"graph_options":[]}}'
{"title":"Correlation","outputs":{"method_table":{"type":"table","title":"Method_table","rows":[{"method":"correlation_type","value":"pearson"},{"method":"number_of_rows_used","value":5}]},"pairwise_correlation_table":{"type":"table","title":"Pairwise pearson Correlation_table","rows":[{"sample_1":"x","sample_2":"y","n":5,"correlation":0.9986517556,"p_value":0.0000594154,"ci_low":0.9786605332,"ci_high":0.9999156156}]}}}
curl --location --request POST 'https://zylalabs.com/api/13195/statistical+quality+analytics+api/26907/correlation' --header 'Authorization: Bearer YOUR_API_KEY'
--data-raw '{"data":[{"x":1,"y":2.1},{"x":2,"y":3.9},{"x":3,"y":6.2},{"x":4,"y":7.8},{"x":5,"y":10.1}],"config":{"var_column":["x","y"],"confidence_level":0.95,"methods_of_analysis":"pearson","graph_opption":[]}}'
{"title":"Normal Capability Analysis","outputs":{"statistics_table":{"type":"table","title":"Process Data","rows":[{"Mean":74.006,"StDev (Overall)":0.0172378321,"N":15,"USL":74.05,"LSL":73.95,"Target":74.0,"Variable":"Diameter","StDev (Within)":0.0200630553}]},"capability_statistics":{"type":"table","title":"Capability Statistics","rows":[{"Cp":0.8307142857,"Cpl":0.9304,"Cpu":0.7310285714,"Cpk":0.7310285714,"Pp":0.9668655852,"Ppl":1.0828894554,"Ppu":0.850841715,"Ppk":0.850841715,"Cpm":0.7958862146}]},"capability_ppm":{"type":"table","title":"Capability PPM","rows":[{"Type":"PPM Below LSL","Observed":0.0,"Exp. Overall":579.7328456759,"Exp. Within":2625.6506421635},{"Type":"PPM Above USL","Observed":0.0,"Exp. Overall":5347.2594868867,"Exp. Within":14150.6020432928},{"Type":"PPM Total","Observed":0.0,"Exp. Overall":5926.9923325626,"Exp. Within":16776.2526854563}]}}}
curl --location --request POST 'https://zylalabs.com/api/13195/statistical+quality+analytics+api/26908/normal+capability+analysis' --header 'Authorization: Bearer YOUR_API_KEY'
--data-raw '{"data":[{"Diameter":74.03},{"Diameter":74.0},{"Diameter":74.01},{"Diameter":74.02},{"Diameter":73.99},{"Diameter":73.98},{"Diameter":74.01},{"Diameter":74.0},{"Diameter":74.02},{"Diameter":74.03},{"Diameter":74.0},{"Diameter":73.97},{"Diameter":74.01},{"Diameter":74.02},{"Diameter":74.0}],"config":{"variable":"Diameter","subgroup_size":5,"lower_spec":73.95,"upper_spec":74.05,"target_number":74.0,"methods_of_analysis":"rbar"}}'
साइन अप करने के बाद, प्रत्येक डेवलपर को एक पर्सनल API एक्सेस की असाइन की जाती है, जो अक्षरों और अंकों का एक यूनिक संयोजन होता है, जिसका उपयोग हमारे API एंडपॉइंट तक पहुंचने के लिए किया जाता है। प्रमाणीकरण के लिए सांख्यिकी गुणवत्ता विश्लेषण API के साथ बस अपने बेयरर टोकन को Authorization हेडर में शामिल करें।
| हेडर | विवरण |
|---|---|
Authorization
|
आवश्यक
होना चाहिए Bearer access_key. जब आप सब्सक्राइब हों तो ऊपर "Your API Access Key" देखें।
|
कोई लंबी अवधि की प्रतिबद्धता नहीं। कभी भी अपग्रेड, डाउनग्रेड या कैंसल करें। फ्री ट्रायल में 50 रिक्वेस्ट तक शामिल हैं।
(वार्षिक बिलिंग के साथ 2 महीने बचाएँ 🎉)
अग्रणी कंपनियों का भरोसा
सांख्यिकीय गुणवत्ता विश्लेषण एपीआई किसी भी एप्लिकेशन के लिए इंजीनियरिंग-ग्रेड सांख्यिकी को एक सरल HTTP इंटरफेस के माध्यम से लाता है। मापन डेटा का एक तालिका और एक छोटी कॉन्फ़िगरेशन ऑब्जेक्ट भेजें, और साफ, संरचित JSON परिणाम प्राप्त करें। यह निर्माण, गुणवत्ता इंजीनियरिंग, प्रयोगशाला और डेटा टीमों के लिए बनाया गया है जिन्हें रिपोर्टों, डैशबोर्ड, ऑडिट और स्वचालित पाइपलाइनों के लिए सुरक्षा योग्य सांख्यिकीय परिणामों की आवश्यकता होती है
विवरणात्मक सांख्यिकी (औसत, मानक विचलन, चौथाई, विश्वास अंतर), सामान्यता परीक्षण (एंडरसन-डार्लिंग, शापिरो-विल्क, कोल्मोगोरोव-स्मिरनोव), सहसंवेदना (पियर्सन, स्पीयरमैन, केंडल के साथ विश्वास अंतर और पी-वैल्यू), और प्रक्रिया क्षमता (Cp, Cpk, Pp, Ppk, Cpm के साथ PPM) की गणना करें। हर एंडपॉइंट एक ही आकार लेता है: एक डेटा एरे और एक कॉन्फ़िग ऑब्जेक्ट, और लेबल किए गए JSON तालिकाओं को लौटाता है। परिणामों की उद्योग-मानक संदर्भ सॉफ़्टवेयर के खिलाफ उच्च सटीकता के लिए संख्यात्मक रूप से सत्यापित किया जाता है
प्रत्येक एंडपॉइंट संरचित JSON डेटा लौटाता है उदाहरण के लिए नॉर्मैलिटी टेस्ट एंडपॉइंट परीक्षण सांख्यिकी और p-value जैसे आंकड़े प्रदान करता है जबकि विवेचनात्मक सांख्यिकी एंडपॉइंट सारांश मेट्रिक्स लौटाता है जैसे औसत मान मानक विविधता और चौमासिक
कुंजी क्षेत्र endpoint के अनुसार भिन्न होते हैं सामान्यता परीक्षण के लिए क्षेत्र "सांख्यिकी" और "पी-मान" शामिल हैं वर्णनात्मक सांख्यिकी में क्षेत्र "मीन" "मानक विचलन" और "न्यूनतम" शामिल हैं प्रत्येक endpoint की प्रतिक्रिया उसकी विशिष्ट विश्लेषण के अनुसार होती है
उत्तर डेटा को लेबल किए गए तालिकाओं में व्यवस्थित किया गया है प्रत्येक तालिका में संबंधित आंकड़ों या व्याख्याओं की पंक्तियाँ होती हैं उदाहरण के लिए सहसंबंध endpoint में "जोडी सहसंबंध तालिका" शामिल है जिसमें प्रत्येक चर जोड़ी के लिए सहसंबंध मान और p-मूल्य होते हैं
प्रत्येक एंडपॉइंट एक डेटा एरे और एक कॉन्फ़िगरेशन ऑब्जेक्ट को स्वीकार करता है उदाहरण के लिए, नॉर्मेलिटी टेस्ट को एक संख्या स्तंभ और चयनित परीक्षण विधि (एंडरसन-डार्लिंग, शापिरो-विल्क, या कोलमोगोरोव-स्मिरनोव) की आवश्यकता होती है
उपयोगकर्ता अनुरोधों को कस्टमाइज़ कर सकते हैं संख्या वाले कॉलम को विश्लेषण करने के लिए निर्दिष्ट करके और विन्यास ऑब्जेक्ट में सांख्यिकीय तरीकों का चयन करके उदाहरण के लिए सहसंबंध एंडपॉइंट में उपयोगकर्ता पियरसन स्पीयर्मन या केंडल तरीकों के बीच चुन सकते हैं
निपुण उपयोग मामलों में विनिर्माण में गुणवत्ता नियंत्रण, ऑडिट के लिए सांख्यिकी रिपोर्टिंग और प्रयोगशालाओं में डेटा विश्लेषण शामिल हैं उपयोगकर्ता डैशबोर्ड बनाने या सांख्यिकीय विश्लेषण पाइपलाइनों को स्वचालित करने के लिए एपीआई का लाभ उठा सकते हैं
डेटा की सटीकता उद्योग मानक संदर्भ सॉफ़्टवेयर के खिलाफ संख्यात्मक सत्यापन के माध्यम से बनाए रखी जाती है यह सुनिश्चित करता है कि एपीआई द्वारा प्रदान किए गए सांख्यिकीय परिणाम विश्वसनीय और गुणवत्ता इंजीनियरिंग अनुप्रयोगों के लिए रक्षा योग्य हैं
उपयोगकर्ता विभिन्न एंडपॉइंट्स में सुसंगत डेटा पैटर्न की अपेक्षा कर सकते हैं जैसे कि वर्णात्मक सांख्यिकी में सारांश सांख्यिकी और संग correelatiiv सेटिंग में सहसंबंध गुणांक परिणाम आसान व्याख्या और रिपोर्ट में एकीकरण की सुविधा के लिए संरचित हैं