{"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"}}'
Após se cadastrar, cada desenvolvedor recebe uma chave de acesso à API pessoal, uma combinação única de letras e dígitos para acessar nosso endpoint de API. Para autenticar com a Análise Estatística da Qualidade API basta incluir seu token Bearer no cabeçalho Authorization.
| Cabeçalho | Descrição |
|---|---|
Authorization
|
Obrigatório
Deve ser Bearer access_key. Veja "Sua chave de acesso à API" acima quando você estiver inscrito.
|
Sem compromisso de longo prazo. Faça upgrade, downgrade ou cancele a qualquer momento. O teste gratuito inclui até 50 requisições.
(Economize 2 meses com cobrança anual 🎉)
Empresas líderes confiam em nós
A API de Análise da Qualidade Estatística traz estatísticas de nível de engenharia para qualquer aplicativo por meio de uma interface HTTP simples. Envie uma tabela de dados de medição e um pequeno objeto de configuração e receba resultados JSON limpos e estruturados. É construída para equipes de manufatura, engenharia de qualidade, laboratório e dados que precisam de resultados estatísticos defensáveis para relatórios, painéis, auditorias e pipelines automatizados
Calcule estatísticas descritivas (média, desvio padrão, quartis, intervalos de confiança), testes de normalidade (Anderson-Darling, Shapiro-Wilk, Kolmogorov-Smirnov), correlação (Pearson, Spearman, Kendall com intervalos de confiança e valores p) e capacidade de processo (Cp, Cpk, Pp, Ppk, Cpm com PPM). Cada endpoint tem a mesma forma: um array de dados mais um objeto de configuração e retorna tabelas JSON rotuladas. Os resultados são validados numericamente com alta precisão em comparação com software de referência padrão da indústria
Cada ponto final retorna dados JSON estruturados Por exemplo o ponto final do Teste de Normalidade fornece estatísticas como estatística do teste e valor p enquanto o ponto final Estatísticas Descritivas retorna métricas resumidas como média desvio padrão e quartis
Os campos-chave variam de acordo com o endpoint. Para o Teste de Normalidade, os campos incluem "Estatística" e "Valor-P." Em Estatísticas Descritivas, os campos incluem "média," "dp" e "mín." A resposta de cada endpoint é adaptada à sua análise específica
Os dados de resposta estão organizados em tabelas rotuladas. Cada tabela contém linhas de estatísticas ou interpretações relevantes. Por exemplo, o endpoint de Correlação inclui uma "tabela_de_correlação_por_par" com valores de correlação e valores de p para cada par de variáveis
Cada endpoint aceita um array de dados e um objeto de configuração Por exemplo o Teste de Normalidade requer uma coluna numérica e o método de teste escolhido (Anderson-Darling Shapiro-Wilk ou Kolmogorov-Smirnov) como parâmetros
Os usuários podem personalizar solicitações especificando as colunas numéricas a serem analisadas e selecionando os métodos estatísticos no objeto de configuração. Por exemplo, no endpoint de Correlação, os usuários podem escolher entre os métodos de Pearson, Spearman ou Kendall
Casos de uso típicos incluem controle de qualidade na manufatura, relatórios estatísticos para auditorias e análise de dados em laboratórios. Os usuários podem aproveitar a API para gerar dashboards ou automatizar pipelines de análise estatística
A precisão dos dados é mantida por meio da validação numérica em comparação com software de referência padrão da indústria Isso garante que os resultados estatísticos fornecidos pela API sejam confiáveis e defensáveis para aplicações de engenharia de qualidade
Os usuários podem esperar padrões de dados consistentes entre os pontos de extremidade, como estatísticas resumidas em Estatísticas Descritivas e coeficientes de correlação no ponto de extremidade de Correlação. Os resultados são estruturados para facilitar a interpretação e integração em relatórios