GB教材

Table
1. Six Sigma Introduction 9. Regression( 回归分析 )
2. 统计基础 10. DOE （实验计划法）
3. Define 11. RSM( 反应表面实验 )
4. 测量系统分析 12. Case Study
5. 工程能力分析 13. 管理图
6.Graph 分析附录 1. 统计 Table
7. 假设检验附录 2. 利用 Minitab 的统计基

8. ANOVA 础
1. Introduction
2/293 LGENT/Six Sigma Part

Six Sigma 发展 History
改善目标 (Six Sigma 水准 ) 的侧面上通过 Six Sigma 的技法 , 发展为做事方式的效率化
啊 ! 那边有不良不管怎么样都要成为钱顾客所愿的 ! 成为做事方法
• Six Sigma 第 1 代 • Six Sigma 第 2 代 • Six Sigma 第 3 代 • Six Sigma 第 4 代

(1987~1995) (1996~1999) (1998~) (1999~)
制品的品质 , 对于所有 Process 市场品质改善为中心把 Six Sigma 作为
特别是制造品质向上为适用统计性 , 科学性技法对顾客没有 Impact 做事的工具，
主要目的财务成果达成上的改善，就不是改善制造，事务间接部门，
推进 Six Sigma Focusing 研究开发等从事在所有
Business Process
上的人理解 & 活用
的方法论
（ Six Sigma is the way
Itself we work ）
确保持续的，自然的
改善的 Baseline

Paradigm Shift for Six Sigma
1. Customer Focused 3. 以 Data 为基础的议事决定

Customer
Satisfaction In God we trust, but the others
must use data -- Deming --
Positive
Differentiation 4. Hidden Factory
Indifference
Zone 5. 品质和费用
Negative Product Value CoPQ 와 Six Sigma
Differentiation Cost Defect
控制费用
不良率
2. 测量及定量化 2σ
①
Metrics : You can & have to Measure
Everything That Result 3σ ②
In Customer Satisfaction 4σ
5σ
6σ
Quality

Six Sigma 思考
1. 散布概念的扩展
- 问题的核心在于问题原因的散布上 .
- 通常发生问题的原因有散布和平均 .
平均的问题是在 CTQ 的推定 , 改善的方法及改善的难易度方面来说
相对地较容易 .
- 虽然 Group 内散布重要但是 Group 间比较时的散步概念也很重要 .
2. 不良范围扩大
- 把什么看成不良这是很重要 , 把什么看成不良是要改善的意思 .
- 不良的基准
0) Spec Out
1) 不符合目标的全都是不良
2) 做两次都是不良 (Re-work)
3) 比别人差的也是不良
3. 测定及定量化
- 不能测定的就不能管理
- 不能管理就不能改善

Six Sigma 的核心
1. Data 的 Baseline
- 要建立 Data 采集基准以及采集体系 .
- 通常有意义的 Data 以分子 / 分母的形式出现 .
- 一直以来我们关心的焦点是 Q Data 的分子是怎样有效的 Gathering
以及改善的侧面上 .
- 但是更重要的是分子范围 ( 不良的范围 , 分析的范围 , 改善的范围 )
& 分母范围的界限 .
- 在这层次上就出现了 CoPQ 以及 Hidden Factory 概念 .
2. Data 的真实性
- 决议时需要具备的 Data.
- 去掉 Bongo Data.
3. 根据 Data 做决策
- 现有的 Data 在决策时多大程度上被运用 ?
- 单纯地采集 Data 并不重要 , 重要的是我们所需要的 Data 是具备分析所必要的
形式 , 决策时有用的形态 .
当然 , 这样的 Data 还要在经营层决策时被运用 .
- 不要让它成为垃圾 Data.

对事情的价值判断和对问题的对应方法
• 判断价值的根据
• 其根据的恰当性
• 问题的类型
- 那个人平时很正常的 , 可一旦喝酒就会乱来
- 一向是不正常的人
- 一向是个很正常的人
- 平时乱来 , 可一旦喝酒就会变得很正常

Six Sigma 的 3 大领域
Six Sigma is the way ‘ itself ’ we work
量产阶段品质确保
Improve an existing Product
• Manufac- • 最佳工程能力确保
turing 6σ • Field 慢性不良改善
• 利用 IT 的 Real Time Monitoring
Improve an existing Service 间接部门的 Output 极大化

• Cycle Time Reduction
• TQ 6σ • Process Optimization
Improve an existing Process • 业务效率及业务质量的向上
开发阶段设计完成度的确保
• 符合顾客 Needs 的 CTQ 选定
Build 6σquality into new designs • R&D 6σ • 设定合理的 Tolerance
• 考虑工程能力的设计 (Margin 确保 )

Six Sigma Process 的种类
Select Business System Sustain

(Product, Part, Process, People)
IDOV
Design Optimize DMADV
Re-
Verify
Design
Yes Yes
Re-
Define* New Measure Analyze Control
Design
? No
?
No
Improve
DMAIC
* D(Define)DOV is usually named as I(Identify)DOV.

DMAIC Process
一般的问题解决 Process Six Sigma Process
Define 明确要改善的对象 .
了
气
生
婆
老
??? Measure 确认测量系统的精度以及测量

改善对象的现水平 .
? Analysis 选定对改善对象有影响的致命因子 .
么
什
是
由
理
??? Improve 以实验等方法确认使改善对象

达到最佳化的致命因子的各个水平 .
Control 在实际条件下验证改善结果 ,
做
好
要
定
一
我
后
以
并且树立改善结果的维持管理计划 .

ore Process for Easy Six Sigma
行 6σ Project 时为了开展根据 Data 的改善活动 , 以 Core Process 为基准实行

oject 并且以结论为主制作报告书使 Loss 时间最小化 .
Define Measurement Analysis Improvement Control
■ 问题现象及现水平 ■ 测量指标 Y 明确化

■ 假因子分析 ■ 致命因子改善 □ 改善内容维持 / 向上
ex) 迟到次数 1.2 次 / 月 ex) 上班时间 : oo~oo ex) 分析是否对 Y ex) x2, x4 重点改善 ex) 管理方法导出
有影响
C □ Gage R&R (x1,x2,x3,x4) □ 致命因子最优化 ■ Monitoring
■ 改善指标及目标
O ex) %Study ex) 找出最佳条件 ex) Xbar-R Chart
ex) 上班时间
R %Tolerance ■ 致命因子选定 x2, x4 Check Sheet 等
E
□ 预想效果预测 Categories (Vital Few)
ex) 选定对 Y 有影响的■ Y 水平再次评价 □ 标准化
P ex) Z = 6.5σ ex) 标准登录 / 修订
R ■ Y 的现水平测定致命因子
ex) Z = 3.4σ (x2: 道路选择图纸 / 作业指导书
O < 例题 > Update 等
x4: 出发时间 ) ■ 改善效果计算
C
■ 假因子选定 - 定量 : $
E 上班时经常迟到 .
- 定性
S 现在分析为什么 ex) Y = f(x)
S 经常迟到的原因 x1: 交通工具
x2: 道路选择
之后对此要进行
x3: 住的地方
改善 . x4: 出发时间
( 范例 )
■ : 必修项目
□ : 尽可能作为必修项目
* Source : DDM 事业本部

大家是属于哪类型 ?
效率性一旦 Go !
Defect ! 哎呀 , 好象
不是这座山
效
人災人才
果
性
人在人財
Best
笨熊！ Quality !

2. 统计基础

Six Sigma 的概念
◆ 总体和样本
测定 10 个 Sample
( 规格 : 100±4)
总体
• 全数检查从时间上 , 规格规格
(N=1,000)
经济上是不可能的 ! 下限 Ⅹ 上限
Ⅹ
Ⅹ Ⅹ Ⅹ
样本
(Sample,10)
Ⅹ Ⅹ Ⅹ Ⅹ Ⅹ
• 利用 Sample 的统计变量 96 97 98 99 100 101 102 103 104

( 平均值和散布 ) 来
推定总体 .
• 总体可以判断它是良品？
1) AQL → Yes : 因为 Sampling 的 10 个测定值都在规格内 → OK
2) SPC → No : 用 Sample Data 推定总体的不良率为 2.8% → Epidemic 水平
* AQL(Average Quality Level) : 合格品质水准

SPC(Statistically Process Control) : 统计性的工程管理

Six Sigma 的概念
平均值 USL
LSL
σ
6.68 % Defect
Probability Area
3σ
σ
σ
-3σ +3σ
• σ(Sigma) 是
- 希腊字母 , 相当于英语的 s
- 表示散布 (Variation) 的尺度
- 散布越大时单个的 σ 值越大 3.4ppm
( 相反 Sigma Level 会减少 ) 6σ
σ
-6σ +6σ
• σ 是表示散布的尺度
在给定的规格之内平均值和规格之内
可以包含 6 个 σ 时我们称它为 6σ 水准 .

Six Sigma 的意义
σ PPM 品质费用
6 3.4 1% 以下 Stretch Goal
5 233 5~15%
4 6,210 15~25% ( 当前的水准 )
为什么以 99% 品质不可以 ?

3 66,807 25~40%
• 韩国每天丢失 579 件邮件
2 308,537( 无竞争力的公司 )
• 每天 15 分钟的时间供应被污染的自来水
▲ (Shift ± 1.5σ)
• 美国主要机场每天发生 2 件着陆事故
Process
Capability • 每月 7 个小时发生停电
ex) 用合格品质水平为 99% 的部品 1,000 个来开发 / 生产显示器时

R
T
Y 显示器的预想品质水平是？
Yield = 0.991000 ? = 0.000043171

Yield = 0.9991000 ? = 0.367695424
Yield = 0.99991000 ? = 0.904832893

Six Sigma 的概念
想不想判断你现在的业务水平为多少？
6σ 自己判断行动，只有自己认定的事项报告给上级 ;
5σ 自己判断行动，不是很顺利的情况下报告给上级 ;
4σ 自己判断行动，所有的行动都报告给上级 ;
3σ 按照自己的意愿想了解决方法后 , 告诉上级 ,
没有特别指示的话 , 就实行 ;
2σ 按照自己的意愿想了解决方法后 , 拿到上级那里；
1σ 按照自己的意愿思考以后 , 拿到上级那里 ;
0.5σ 把问题拿到上级那里 ;
0.2σ 问上级下面要做些什么 ;
0.1σ 接受上级的下面要做什么的指示 ;
0.0σ 什么都不能做 . （不及格）

Six Sigma 的概念
 部品数 / 连续工程的收率变化
Complexity Yield(%)
Parts/Product 2σ 3σ 4σ 5σ 6σ
1 69.12 93.32 99.38 99.98 100.00

2 47.78 87.08 98.76 99.95 100.00
5 15.78 70.77 96.93 99.88 100.00
10 2.49 50.08 93.96 99.77 100.00
20 0.06 25.08 88.29 99.54 99.99
50 0.00 3.15 73.24 98.84 99.93
100 0.00 0.10 53.64 97.70 99.97
200 0.00 0.00 28.77 95.45 99.93
500 0.00 0.00 4.44 89.02 99.83
1000 0.00 0.00 0.20 79.24 99.66
2000 0.00 0.00 0.00 62.79 99.32
5000 0.00 0.00 0.00 31.24 98.31
10000 0.00 0.00 0.00 9.76 96.66
20000 0.00 0.00 0.00 0.95 93.42
50000 0.00 0.00 0.00 0.00 84.36
Cp 0.67 1.00 1.33 1.67 2.00

Cpk 0.17 0.50 0.83 1.17 1.50
PPM 308770.21 66810.63 6209.70 232.67 3.40
* 假设各工程及不良是相互独立的，所测定的结果呈正态分布 . 在小数点的 2 位上四舍五入。

Six Sigma 的概念
 至今为止 …
我们是合格的
LSL USL
I am Data
 以后是 …
Spec-in 就是合格
Spec-out 的话 LSL 要集合在中心 USL 虽然是 Spec-in

就不合格才合格但达不到水准
就不合格
Spec
检出如果散的话就死
不良率
事前预测
隐藏的不良
Spec

Six Sigma 达成方向
第一 : 减少散布意为工程能力向上
第二 : 增大公差意为设计能力向上 , 但是跟随着 Risk( 再试验 , 再验证 )
第三 : 中心值 ( 目标 SPEC) 移动部品 , 设备等的新规投资发生 → Cost ↑(?)
LSL T USL
有秩序的
1. 减少散布上车
LSL T USL
如果为了
把公共汽车的门乘公共汽车
2. 增大公差加大，谁都能够人们无秩序的
容易上车聚在一起的
话
LSL T USL
正确的停靠在
3. 中心值移动人聚集的地方

Six Sigma 达成方向
 在开发 , 生产 , 支援部门， Six Sigma 达成方向是

？
扩大设计 Margin
在开发阶段确保设计完成度
LSL USL
• 顾客 Needs Meet 的 CTQ 选定
R&D 6σ • 合理的 Tolerance 设定
• 考虑工程能力的设计 (Margin 确保 )
平均值移动 / 平均改善
在量产阶段上品质确保
LSL USL
Manufac- • 最佳工程能力确保
turing 6σ • Field 慢性不良改善
• 利用 IT 的 Real Time Monitoring （实时监控）
提高业务質量
间接部门的 Output 最大化
LSL USL
• Cycle Time Reduction
TQ 6σ or
• Process Optimization
• 业务效率及业务质量提高

Data 的表现 : 中心值和散步

Data 的种类
问题解决
资料的类型
资料的类型
属性 (Attribute)
变量 (Variable)
连续型 Data 离散型 Data 命名 (Nominal)
比率 (Ratio)
(Continuous Data) (Discrete Data) 范畴 (Category)
统计特征值
位置 (Location) 统计特征值
散布 (Spread) 缺陷 (Defect)
模样 (Shape)
问题 / Issue 事项
• 连续型 Data : 如长度 , 重量 , 时间等能够使用测定刻度尺的 Data

( 计量型 ) ☞ 所测定的尺度不断能够细分
而且比不连续的 Data 提供更多的情报
• 离散型 Data : 与合格 / 不合格 , 决定数等能用个数表示的 Data

( 计数型 ) ☞ 不能再细分。
 区分 Data 的种类的目的是什么？

工程能力指数
什么是正态分布 (Normal Distribution) ?

→ 正态分布是在棒曲线上柔和地连接棒的中心的 ( 发生频数 ) 呈钟型的曲线
● ●
● ●
根据测定值
频度数
● ●
● ●
● ●
● ●
平均测定值
 正态分布具有的法则是？
 决定正态分布的模样和位置是 ?

工程能力指数
 什么是正态分布 (Normal Distribution) ？

???
LSL USL
1 x-μ
1 - [ ]
2
f(x) = e 2 σ
σ 2π
· 正态分布总面积是 1, 脱离已知规格的
面积 , 那就是所推定的不良率
X-T · 某概率变量 X 到平均值 (μ) 之间距离
Z= σ
除以标准偏差 (σ) 的值用 Z 来表示
Defect !!! · 如果规格上限 (or 下限 ) 用 X 来代替时
超出规格上限的尾部面积可以认为
‘ 有缺陷可能性 ’
Target 平均 (X)
· Z 值是用来测定工序能力 , 跟工序的
Target : 目标值标准偏差不同 ,
Z : 正态分布验证统计量
 不是正态分布的 Data 有哪些？举个例 .

工程能力指数
什么是 Z Value ?
Z 值的定义 Z 值的概念
◆ 是为了容易进行统计性分析，
而把各种形态的正态分布标准化成 LSL USL
标准正态分布*所使用的值。 1s
X -T
Z=
σ
◆ 概率函数的随机变量 X ( 在这里是 USL

或者 LSL) 与平均值之间的距离 T=μ
以标准偏差 (σ) 来除的值
 顾客服务 Process 上业务处理的变动
定义为 Z 值 . 即 , 标准偏差 (σ) 逐渐减小 , 已知的
规格内能进入 6 个 σ 水准的话，
把这称谓 Z=6 或 6σ 水准的 Process
◆这与 σ Level 的数字相等 , 能力 ,
这时意为 3.4ppm 即 , 在百万次中
当 Z=6 时，称为 6σ 的水准 . 具有 3~4 次程度缺陷的优秀的 Process 能力。
* 标准正态分布 : 平均为 “ 0”, 标准偏差为 “ 1” 的正态分布

工程能力指数
 什么是工程能力？
• 工程处于安定状态时 , 评价产品生产是否满足规格的尺度
• 反映工程能够生产多少均一品质制品的工程的固有能力
工程能力指数
m T
- 只用正态分布 Z 值无法判断散布好坏
和有无偏移，
因此求 Cp, Cpk. -6σ -3σ +3σ +6σ
1σ
工程变动幅度
- 工程能力指数 Cpk 是考虑平均值的设计裕度
移动而求出的工程能力 .
特征值的最大容许范围 ( 设计裕度 )
Cp =
工程正态变动 ( 工程变动幅度 )
- 用偏移系数 K 来表示平均值偏移
目标值的程度 . | T-μ |
Cpk = Cp (1-K) K=
( 规格上限 - 规格下限 )/2

相关关系
 关系 ( 相关性 ) 是 ?
→ 一般性的 , 一个变数的特征值与其他变数的某个值一起出现的倾向
◆ 关系的表示 → 相关
- 一个变数的值增大时 , 另一个变数的值增大的情况 → 正的相关性
- 一个变数的值增大时 , 另一个变数的值减小的情况 → 负的相关性
◆ 相关关系的表示 - 相关系数 (r)

- 表示相关性的尺度，通常在 -1 和 1 之间
- 受到异常点的影响
r=0 r=0 r=1 r=-1
◆ 相关关系和因果关系的差异点？
◆ 外生变数的影响？
◆ 偶然的相关关系？

累积直通率
 累积直通率是一个产品一次性通过全工程合格的概率
即 , 通过全工程完全没有发生 Re-touch, Re-check, Re-control 等的产品的概率
Input
目的通过品质改善，生产性向上
工程 1 :
99% 合格率累积全工程的不良 , 设备故障 , 无作业，
对象
工程 2 : 92% 直通率 Model Change Loss, 无附加值的作业
管理
工程 3 : 93% Tool 6σ
工程
最终检查不良率 1 人 1 Project ，直接改善，通过 Team
实行
: 97% 管理活动改善
未管理的工程最终
Loss 不良率良品把工厂内所有工程所隐藏的
RTY*= 0.99 X 0.92 X 0.93 X 0.97 = 82.16 %
不良暴露出来，并且进行改善
* RTY(Rolled Throughput Yield) : 累积直通率

画 Graph
• 对 A 公司和 B 公司的 Hinge Force 的水准比较检讨
• Minitab Menu : Stat / Basic Statistics / Display Descriptive Statistics
* Descriptive Statistics : Spec Fix 前 ( 或者没有 Spec 时 ) 要掌握大概的品质水准时使用

画 Graph
Descriptive Statistics
Variable: PK
Anderson-Darling Normality Test

A-Squared: 0.554
P-Value: 0.144
Mean 2.09500
StDev 0.06333 平均
Variance 4.01E-03 标准偏差
Skewness -7.9E-01
Kurtosis 0.801533
1.90 1.95 2.00 2.05 2.10 2.15 2.20
N 40
Minimum 1.91000
1st Quartile 2.06250 参照 Box Plot
Median 2.10500
3rd Quartile 2.13750 的说明
95% Confidence Interval for Mu Maximum 2.19000
95% Confidence Interval for Mu 95% 置信区间上
2.07475 2.11525 推定 Force 值区间
2.08 2.10 2.12 95% Confidence Interval for Sigma
0.05187 0.08131
95% Confidence Interval for Median
95% Confidence Interval for Median
2.08000 2.12000
对于 B 公司用同样的方法进行 Graph Display ，比较评价各公司间 Hinge Force 的水准

画 Graph
• 对 A 公司和 B 公司的 Hinge Force 的水准比较检讨
• Minitab Menu : Stat / ANOVA / one way(un stack) or Graph / Boxplot
Boxplots of A - B
(means are indicated by solid circles)
2.2
2.1
2.0
1.9
A
•A 公司和 B 公司的
One-way Analysis of Variance Hinge Torque 值有
Analysis of Variance
Source DF SS MS F P
差异
Factor 1 0.02664 0.02664 9.84 0.002
Error 78 0.21111 0.00271
Total 79 0.23775
Individual 95% CIs For Mean
Based on Pooled StDev
Level N Mean StDev -+---------+---------+---------+-----
PK 40 2.0950 0.0633 (--------*-------)
RPM 40 2.1315 0.0375 (-------*-------)
-+---------+---------+---------+-----

画 Graph - 对于 Box plot 的理解
5 Max within Upper Limit

Q3:Min 值到 Max 值 75% 的位置
4
3 中央值 (Median)
2
Q1:Min 值到 Max 值 25% 的位置
1 Min within Lower Limit
Data:1,2,3,4,5

画 Graph
• 掌握对于地域别显示器需要的比重
• Minitab Menu : Stat / Quality Tools / Pareto Chart
Pareto Chart for Region
100
60
北美 22.9 50 80
E U 17.9 Cumulative Data
韩国 1.8 40
Percent
60
Count
日本 5.7
中国 2.0 30
印度 0.9 40
亚洲 4.6 20
单纯 Count Data
中南美 3.1 20
10
CIS/ 东欧 2.2
其他 1.9
0 0
U 欧 rs
Defect 北
美 E 日
本
亚
洲
中
美
洲
CI
S/
东
中
国其
他
O
t he
Count 22.9 17.9 5.7 4.6 3.1 2.2 2.0 1.9 2.7
Percent 36.3 28.4 9.0 7.3 4.9 3.5 3.2 3.0 4.3
Cum % 36.3 64.8 73.8 81.1 86.0 89.5 92.7 95.7 100.0

3. Define(Identify)

Define 阶段概要
从顾客的观点上选定 CTQ
 Six Sigma 活动的最终目标在于满足顾客 .

即 , 从顾客的要求项目中选定 CTQ, 并且决定对经营 Cost Impact 最大的
Theme 是什么以及对此进行改善 .
 要改善的课题是从这样的观点来出发更加系统性地接近 .
并且按 Loss 大小顺序把项目列清单之后再选定 ,
也就是从 Top 开始 , 按 Top Down 方式来决定要改善的对象 .
 并且在 D 阶段上 , 要明确讲述选定 Theme 背景及活动目标等 .
 没有 Customer Impact 就不是 CTQ.

Theme 选定领域
Interaction
Six Sigma Activity Focus(CTQs)

Seeds Needs
Project !
• 很高的品质费用
Supplier Customer • 很高的 SVC 不良率
Delivery • 制品性能不足
Cycle time • 很多的废弃 / 再作业
• 很高的生产费用
Price Needs • Long Cycle Time
Seeds Cost • 库存过多
• 交货延期
Quality • 过多的物流费用
Defect • 应答顾客时间延迟
• Billing Accuracy
,,,
Customer and Supplier exchange value
through a Seeds-Needs interaction !!!

CTQ 和找出问题的 Tool
CTQ 的定义选定 CTQ 的 Tool
●Critical To Quality 是从顾客的观点上定义的 ,

在顾客的立场上评定的对产品 ,Service 或者 • 顾客调查
Process 有致命影响的特性值 • Focus Groups Interview(FGI)
• 顾客的要求事项 Mapping(CNM)
●不管是什么 , 只要影响顾客的满足度 , • 品质功能展开（ QFD ）
都能选定为 CTQ. • Quick Market Intelligence
例 ) • 特定部品的 Spec. • Logic Tree, 特性要因图
• 维修所需要的时间 • Pareto Diagram
• 亲切度 • FMEA, FTA
• FAST
●CTQ 能区分成 CTQP(Performance) 和 • IOC Chart 等
CTQS (Spec.)
为了规定问题的领域以及找出改善对象
在 6σ 的 Definition 阶段我们可以利用
只选定在顾客的立场上认为最重要的特性值并且对此多种 Tool. 并且根据问题的性质以及
进行改善 / 管理成 6σ 的水平是管理 CTQ 的最大的目的 . 按情况使用最适合的 Tool
这说明我们的目的并不是只是努力工作 , 而是要睿智地做事 .
(Do thing right → Do right thing)

Define 事例 - Process Mapping
为了调查情报的流程和为了把 Process 文字化而使用 , 想要明确改善方向的时候所使用的 Tool
• 前框 • CDT • 螺丝 • 基板 • 扭矩的大小
• 目视检查 • 搬运力 • 扭矩的大小 • 目视检查 • 目视检查
Input • 酒精 • 目视检查 • 消磁线圈 ,,, ,,,
(X) • 标签 • 地线 • 线扎
,,, ,,, • 目视检查
,,,
前框 CDT CDT 基板基板
Process
投入投入固定投入固定
• Y: 前框投入 • Y1 ：地线的安装 • Y1 ：配合程度 • Y: 基板的投入 • Y 1 : 配合程度

• Y2 ： CDT 的投入 • Y2 ：消磁线圈的安装
Output
(Y) • Yield:0.69 • Yield ： 0.88 • Yield ： 0.92 • Yield:0.90 • Yield :0.98
• Yield ： 0.92 • Yield ： 0.88
前框不良较多为最大原因
选定为改善 Theme !!!

Define 事例 - Pareto Chart
 一般 80% 的问题是由于 20% 的原因而发生 .(2:8 的法则
)
FB000 型号的不良现况
首先要改善的 Theme !!!
100
Vital
300 Few
80
Percent
60
Count
200 Trivial
Many
40
100
20
0 0
te r we
r
i n c us as i re con t ers
Defect H- L Fo N oR Mo Mi s Sp
o
N op
o
Oth
Count 84 80 73 35 27 19 12 11
Percent 24.0 22.9 20.9 10.0 7.7 5.4 3.4 3.1
Cum % 24.0 46.9 67.7 77.7 85.4 90.9 94.3 97.4

Define 事例 - Logic Tree
 为了对现象进行分析和问题的导出 , 按照 MECE* 的思考方式，把主要项目展开成 Tree
形态的 Tool .
No
No Raster
Raster 高压部 Vcp Power on/off
Mode change
偏向部 DPM Change
水平输出 TR ST on/off
偏向 IC 放电 /ESD/PLT
CS 转换段
X-Ray Icp Dummy T Sat
CS 转换时过渡
CTQ
选定项目 Mute
DY Lp min
ASO 过渡时不要侵犯 ASO 领域

Drive T
Drive 条件 Drive 输出 Duty
Worst 时温度
C/S 共振部 Hfe min/max
H Size min/max
•MECE : Mutually, Exclusively, Collectively Exhaustive Freq Low/High
相互不重复而且没有遗漏的

Define 事例 – 特性要因图 (Cause & Effect Diagram)
 以 4M 或者 6M 1E 或者 8M 2E 为基准 , 推定预备 CTQ.
生产计划作成
MAN MACHINE
电算活用能力对策 SKILL
交货日程
生产 CAPA 分析
人际关系作业条件
交流技巧查找 SKILL 生产计划频繁事故
检查 SKILL 个别入库计划资材供给
KNOWHOW 确定设备
计划变更 NECK ITEM

无作业
营业邀请
专用资材作业条件
及时查找品质问题
生产计划不良率
厂家管理
CAPA 分析确切的资材
2 次厂家情报传达预想新 MODEL 多样发放比率
现行日遵守控制能力
作业日数分析 METHOD MATERIAL

efine 事例 – Process Mapping(1)
有关 Process 改善及 Cycle Time 的 Theme 是从当前的 Process Mapping 出发 .
Define 阶段事例 : Process Mapping
Input Process Output 顾客 KPI
教育日程, 对象
教育方向树立
• Start 和 End Point 是从哪到
教育方向教育者掌握被教育者所愿的教育的
教育主体
方向哪为止 ?
教案作成树立教育作成计划(书) 教育者树立实效性的计划
必要 Data Data 检讨 Data 检讨结果教育者确保充分的资料 • Process 要怎样详细地展开 ?

补充分
教案 Guide Line 作成
- 其事情的意义
教案作成方法教案 Guideline 教育者
- Output 的差异
教案作成教案被教育者教案的充实性
依靠教案检讨教案检讨委托书(书) 教案检讨者明确的检讨邀请内容

• Input 和 Output, 顾客要明确
教案检讨教案检讨结果教育者快捷有深度的教案

• Process 别的 KPI 必须选定
No
教案确定确定的教案被教育者教案的充实性
Feedback
教育被教育者Feedback 教育者教案上充实的教育
充分的F/B可能的教育
•考虑Function Deployment上的 Function重要度(顺序)，选定实施 Process Mapping的该当 Function，实施对选定的Function.
•
Copyright : MNT 설계실 신익주 Revision : 99.06.03 LG Electronics MNT OBU 설계실

efine 事例 – Process Mapping(2)-As is mapping
 使用 CTR(Cycle Time Reduction) 技法时 .
Function 量产中组装性问题发生开始到模具修正 / 改造上再量产投入为止
问量 NO
制造 Gr. 题产
点进
发行及
生及
(
改行找更
(
Sample
问设及
Report (
资合有
)
题善计最
点案材意关
设计室导
担管终部
,
接模当理合
收出具者者意查门变
及接检
变修讨
)
掌收正
握更后
资材 Gr.
)
原
因发
检
开发 Part 악 讨模
( PDM 利用 ) 及具
变修否模
更正可具
承内以结
认容？构 YES
模具厂家上
修
正
是
制
不
射出厂家品
投
检良
出品
入
The Time Min 0.2 日 Min 0.2 日 Min 0.2 日 Min 0.2 日 Min 0.5 日 Min 3 日
Required Max 0.5 日 Max 0.5 日 Max 0.5 日 Max 0.5 日 Max 2 日 Max 5 日

efine 事例 – Activity Matrix
TQ Six Sigma 的情况课题或者 Process 开始活用 Activity Matrix, 选定改善对

.
课题 Needs 1Needs 2Needs 3Needs 4Needs 5Needs 6Needs 7合计
课题 1 1 3 • 4 为什么使用 1,3,9 的尺度 ( 关联性 ) ?
课题 2 3 1 4
课题 3 9 3 12
课题 4 9 顾客 Needs 9 CTQ
9 或者 3 •30 是否选定 Only 1 theme ?
课题 5 3 3 3 9 是否选定好几个 theme ?
课题 6 3 1 4
课题 7 9 9
课题 8 1 1 Process
课题或者 1 1 1 •与课题或者
5 Needs 有关的人是谁 ?
课题 9 9 3 3 1 3 9 28
课题 10 1 3 1 3 9 17
합계 32 18 9 5 22 20 16 122
• 方法 1 : 单纯选定方法
- 课题 4, 课题 9
- Needs 1, Needs 5 等
• 方法 2 : Pareto Chart

Define 事例 - QFD Step 1
 顾客要求事项和技术性要求事项的理解
① 顾客要求事项的收集及构成
. 与营业及其他部门共同作业
. 要从顾客的立场上想
. 把顾客的要求事项按照阶层别制作 (Segmentation)
. 顾客的要求事项打分从 1 分与 5 分之间的分数
QFD 会议实施
② 技术性要求事项收集及构成
. 检讨当前规格 , 产品试验规格 , 设计 Manual
. 有关 PL 的内容是在标准顾客的立场上想 ① Step-1: 设计室 , Marketing, 营业 ,
. 制作可以测定的设计要求事项 LIST PL 委员 , 品质部门 , 商品企划
. 要开发的目标值必须参加
. 技术性难易度 ② Step-2: 设计室其他 team 员及采购 , 品质 ,
. 竞争社 Benchmarking 结果 PL 委员 , 生产部门有必要参与 .
- 消费者 / 消费者团体的评价 ③ CTQ 选定 : 制造 , 品质管理 , PL 委员 ,
- 技术性试验评价设计室必须参加
. SVC 不良率及有关资料 ( 产品不良 , 使用不便 )
开会之前注意事项 : 参加者在开会之前
③ 制作顾客要求事项和技术性要求事项的相关图
对于本案件要充分理解和整理好部门的
. 把焦点放在致命少数因子和琐碎的多数因子代表性意见之后再参加会议。
. 打分 : 强 (9 分 ), 中 (3 分 ), 弱 (1 分 )
. 相关读加重值乘顾客重要度值之后横向合算
* QFD : Quality Function Deployment

Define 事例 - QFD Step 1( 事例 )
技术性要求事项
STAND 组装构造
HINGE 动作角度
HINGE FORCE
外观品质
动作性
构造
STAND 重量
重要度 ( 等级 )
外观 Design
原材料特性
顾客重要度
顾客的要求事项
动作性
Tilt 调整要容易 ● ◇ ◇ 5
SWIVEL 动作要容易 ● ◇ ◇ 4
角度调整范围要大 ● 4
组装性
组装性要好 ● 2
外观品质
外观要好看 ◇ ● 3
可靠性
动作时做到不断 ● 2
SET 固定时要不流下来 ● ◇ 5
动作时要有安全感 ● 5
技术性重要性 126 50 21 45 27 27

Define 事例 - QFD Step 2
 技术性要求事项转换成 CTQ 特性值
① 转换技术性要求事项和顾客重要度
. 推出要考虑的部品有关的技术性要求事项 .
. 补充落掉的技能要求事项。
- 竞争社 Benchmarking
- 消费者团体的评价
- 技术性试验评价
- SVC 不良率及有关资料 ( 产品不良 , 使用不便 )
- 组装性问题点
- 法规 ( 规格 , PL 法 ), 社内基准 ( 设计基准书 , 外观品质 / 表面处理표면처리분과회 회의록 )
. 为了技术性重要度计算容易赋予值
② 检讨初期图纸和预想部品，对技术性要求事项定义要素部品的特性。
. 要开制造 , 生技及资材部门和公式性的检讨会。
. 作成要素特性和技术性要求事项事项间的关系图 .
. 计算对各部品的重要度。
. 自问这个是不是在进行中要测定的问题点。
③ 所有图纸的 CTQ 标示为以下。
CTQ
想要成功地开展QFD
想要成功地开展和最终要选定CTQ
QFD和最终要选定时必须从工程学的角度来判断. .
CTQ时必须从工程学的角度来判断

Define 事例 - QFD Step 2( 事例 )
 转换为技术性要求事项的 CTQ 特性值
HINGE COVER 使用
SPRING NUT
Stand Design
BRACKET
部品特性
评分选定表
技术性重要度
原材料
润滑油
强的关联性 : ● (9 分 )
中间关联性 : ○ (3 分 )
圈数粗度角度裁决量
弱的关联性 : ◇ (1 分 )
技术性要求事项
动作性
HINGE FORCE ● ● ● ● ◇ ◇ 126
HINGE 动作角度 ● 50
构造
STAND 组装构造 ○ ● 21
STAND 重量 ◇ 45
原材料的特性 ● 27
外观品质
外观 Design ○ ● ● 27
CTQ 重要度 1215 1134 1134 1134 450 126 414 306 432
统计性处理的必要性 CTQ CTQ CTQ CTQ

Define 事例 - FMEA
 在开发阶段为了确保设计可靠性以及除去顾客的不满意事项 , 列举所有有可能性的
故障 Mode, 故障影响 , 可能会发生的要因并且树立有关对策时所使用的 Tool.
型号名 : 000 制作日 : ‘00.01.15
实施目的 : 000 LCD Model 的早期品质确保
主管者 : 刘久标制作者 : 李白
Rev. No: 0 参加者 : 西施 , 杨贵妃 , 王昭君 , 貂禅
深
部品及故障 Mode 故障 Mode 发生感知 RPN CTQ
故障 Mode 刻现在的的管理方法对策 / 验证方法
技能影响发生原因频度程度选定
度
• 不做单品管理 • IQC Sample Test
• Fuse Open 10 • B/L 动作不行 • Inrush Current 1 1 10 • 问题发生时设计 • Margin 确保
Spec Over Feedback
• Tans 温度 Spec
Inverter • Trans 燃烧 10 Over • 初期 Margin 确保
• B/L 动作不行
• B/L 落电发生
4 1 40 CTQ • 温度特性管理
• IQC Aging Test
• Trans 单品作业
不良 Trans 温度
• 共振用 Cap. 10 • B/L 动作不行 • Cap. 温度 Spec 2 1 20 CTQ • 温度特性管理 • IQC Aging Test
燃烧 Over
Cap. 温度
• 单品不做管理 • Module 及 Monitor 放热
Adapter • 1 次平滑 10 • Adapter 输出电压 • 温度 Spec Over 1 1 10 CTQ • Cap. 温度特性对策
Cap 燃烧 • Ripple 电流过大 • IQC Aging Test
管理
1 次平滑 Cap. 温度
• Module 及 Monitor 放热
• 液晶特性热化 8 • 液晶特性用热化 • 液晶温度 Spec 4 1 32 • IQC Aging Test
对策
黑化现象发生 Over
• IQC Aging Test
Module
1
• FMEA : Failure Modes & Effect Analysis

故障模式失效分析
Define 事例 - IOC Chart
 以 System 及 Subsystem 的功能为目的把 Input 和 Output 及 Constraint 等内容图表化之后 ,

确定 Input 和 Output 的原因和结果 , 并且规定 Latitude( 变化的界限值 ) 的方法 .
Functional Inputs Main Function Functional Outputs

1. Brkt Side(R) 的 Opener Door
回转 Boss 高度及内径 : 7±0.05, 1. Eject 时 Door 和 CST 的
Φ3.54+0.05/-0 Gap : 3.8±2mm
2. Opener Door 驱动部尺寸 :
62.8±0.15, 6.2±0.05, Φ2.4±0.08 Eject( 喷射 ) 时 Door 开放 2. Door 和 Top Case 的 Gap :
3. Opener Door 终动部尺寸 : 0.8~1.5mm
2.05±0.8, 15.9±0.12, Φ2±0.15
4. Guide Rack 高度尺寸 :14.9+0/-0.1
3. Opener Door 驱动高度 :
5.Gear Rack Cam 高度尺寸 :13.1+0/- 58.8~60.2mm
0.1
,,,,,,
Constraints
逆功能 Inputs 逆功能 Outputs
 Set 高度
 环境条件 : 温度 0~60℃  CST VHS 规格 (Cassette 厚度 )  CST 和 Door 的干涉
湿度 25~80%RH  Eject 不良
 变形 ( 部品入库时 )  Door 的损失
弯曲 ( 工作中 )  动作噪音
* IOC : Input, Output, Constraint

问题的推出 (Theme 选定 ) 时注意事项
1. 开发型号 ( 的 Event) 和联系 :

跟开发型号联系，才能够为了业务 Load 少，改善案的验证等 88 种基准
种基准
容易收集 Sample.
日常性的业务 . 综合性 ,, 相对性地
综合性相对性地
检讨之后
检讨之后
2. 顾客 Needs 符合度 :
有没有改善的价值 , 选定最佳的 Theme
选定最佳的 Theme
即检讨能不能用经营成果来体现
3. 深刻度 : 问题的深刻度
4. 问题发生的频度参考 : IBM 的 5-UP’s*
5. 要可定量化 : 要可测定 1. 从顾客的观点上定义缺陷

2. 把缺陷作为基本指标用 σ 值表示
6. 与现在的条件 (6M 1E*) 联系 - CTQ 选定的优先顺序 3. 尺度是具体的
 先把现在的 5M( 人员 , 设备 , 材料 , 机械 , 方法 ) 固定不动
4. 根本原因接近
改善可能性最高的
 第二为了改善，要变更现在的 5M ，但没有追加的投资或 5. 能够直接行动的尺度
需要轻微的投资 6. 按照顾客的价值基准设定先后顺序
③ Cost 与投资同伴时，比较改善前与改善后的 Cost
改善的结果大的
7. 能够预测顾客满足度变化的尺度
在之中 是最好的 CTQ, 然后是 , 其后是 ( 改善前和改善后的 Digit 比较可能 )
7. 问题的原因在哪里？ ( 原因掌握的难易程度 ) * 5-UP’s : 为充分满足顾客的要求，定量化重要要因，

持续评价数值的向上与否的基准
8. 必要时有关人员 ( 部门 ) 的协议或合意
6M 1E: 在现存的 4M 上，追加 Measurement( 测定方法 , 试验方法 , 其他作业方法 ), Management, Environment 的 .

按情况追加 Money ,Mind, Equipment 之后使用 8M 2E.
Define 阶段简要
Define 阶段 Project Review Point
❏ 选定的 Theme 是不是经营上的重要 lssue 事项？
❏ CTQ 选定背景是否恰当？
( 顾客 Needs 的反映程度 , Field 不良改善程度等 )
❏ 活动的范围 , 日程 , 活动人员等资源是否确切？
❏ 活动的目标及 Benefit 是否被量化 ?
❏ 问题 “ Y” 是否明确地被定义 , 记述 ?
❏ 与投入的资源相比较时树立的活动目标是不是可达成的目标 ?
❏ 为了找出问题而所使用的 Tool 是不是较符合此 Theme 性质 ?

4. 测量系统的可信度
(Gage R&R)

正规性验证 (Normality Test)
• Six Sigma 所使用的大部分的统计 Tool 通常都是假设作为分析基础的 Data 是正态分

布的前提下
使用的 .
• But, 自然界的 Data 并不都满足正态分布 ( 例 : 寿命 , 故障率等 ), 这时利用正态分布

以外的分布
( 例 : 威布尔分布 ) 来做统计性分析 .
• 有时 , 即使是本身应该具有正态分布特性的 Data 也有可能因为 Data 采集上的问题而

可能会
被判断为不是正态分布 . 这是由于工程不稳定而发生群内变动或者由于工程的外部要
因而
发生群间变动或者 Data 处理过程上的 Error(Key-in Error 等 ) 而会出现 .
• 由于这样的原因
1) 采集 Data 之后
2) 利用 Normality Test 验证是不是满足正态分布
3) 如果不是正态分布的话
- 再检讨，重新测量或重新抽样
- 如果还是不满足正态分布 ( 非正态分布特性的数据 ) 的话 , 将 Data 转换
(Transformation) 成
正态分布之后求 Cp, Cpk 等值 55/293 LGENT/Six Sigma Part
• 某特性值的 Data(N = 30) 如下 :
• 正规性验证 Minitab Menu : Stat / Basic Statistics / Normality Test
CTQ Normal Probability Plot
44
.999
42 .99
45 .95
40 .80
Probability
44 .50
47 .20
37 .05
44 .01
45 .001
40
37 42 47
40
40 Average: 42.0333
Arrival Time
因为 P 值小于 0.05 !!!
StDev: 2.55266 A-Squared: 0.839
41 N: 30 P-Value: 0.027
41
44
45 * 大家想一想 : 假如数据不满足正态分布 , 那么其理由是什么 ?
45 1. Another distribution
39 2. Sampling 错误
46 3. 测量上的 Error & Key-in Error etc
41
40
40 56/293 LGENT/Six Sigma Part
进行 Box-cox Transformation
Minitab Menu : Stat / Control Charts / Box-cox Transformation
Box-Cox Plot for Arrival Time
Last Iteration Info
2.75 Lambda StDev

Low 0.617 2.599
Est 0.674 2.599
Up 0.730 2.599
2.70
StDev
Est 的 Lambda
2.65 值是在 Box-cox
推定的 Best 值
2.60
-5 -4 -3 -2 -1 0 1 2 3 4 5
Lambda

• 用已求的 Lambda ，求工程能力

• Minitab Menu : Stat / Quality Tools / Capability Analysis(Normal)
前面所求的
Est 的 Lambda 值

Process Capability Analysis for Arrival Time
LSL USL
Process Data
USL 50.0000
Within
Target *
LSL 35.0000 Overall
Mean 42.0333
Sample N 30
StDev (Within) 2.59922
StDev (Overall) 2.57476
Process Capability Analysis for Arrival Time Potential (Within) Capability
Box-Cox Transf ormation, With Lambda

Cp
CPU
= 0.6740.96
1.02
LSL* CPL
Cpk
0.90
0.90
USL*
Process Data
USL 50.0000 34 36 38 40 42 44 46 48 50
Cpm *
USL* 13.9671 Within
Target * Overall Capability Observed Performance Exp. "Within" Performance Exp. "Overall" Performance
Target* * Pp 0.97 PPM < LSL Overall 0.00 PPM < LSL 3405.52 PPM < LSL 3150.94
PPU 1.03 PPM > USL 0.00 PPM > USL 1088.25 PPM > USL 986.92
LSL 35.0000 PPL 0.91 PPM Total 0.00 PPM Total 4493.76 PPM Total 4137.86
LSL* 10.9825 Ppk 0.91
Mean 42.0333
Mean* 12.4203
Sample N 30
StDev (Within) 2.59922
StDev* (Within) 0.51805
StDev (Overall) 2.57476
StDev* (Overall) 0.51271
Potential (Within) Capability

Cp 0.96
与不做正态分布变换时
CPU
CPL
1.00
0.93
所求的值相比较
Cpk 0.93 11.0 11.5 12.0 12.5 13.0 13.5 14.0
???
Cpm *
Overall Capability Observed Performance Exp. "Within" Performance Exp. "Overall" Performance
Pp 0.97 PPM < LSL 0.00 PPM < LSL* 2756.99 PPM < LSL* 2521.42
PPU 1.01 PPM > USL 0.00 PPM > USL* 1414.43 PPM > USL* 1277.04
PPL 0.93 PPM Total 0.00 PPM Total 4171.42 PPM Total 3798.46
Ppk 0.93

MSA(Measurement System Analysis) Rational Sub-grouping
 Rational Subgrouping 即合理分组是使群內只发生群内变动 (White Noise), 群間只发

生
群间变动 (Black Noise) 的分组方法 → 可以区分长 / 短期工程能力 .
Gabbage in → Gabbage out

群间变动 Rational Subgroups Diamond in → Diamond out
(Black Noise)
Response
Process
群内变动
(White Noise)
Time
 Rational Subgroup 要包含的要素 (Sub grouping 基准 )
( 一般以可能会影响 Process 变动的‘ X’ 因子做为基准做 Subgrouping, 通常使用 6M 1E)
- Man : 作业者变更 , 昼夜交替工作 , 新作业者等
- Machine(Equipment) : 机械设定值变更 , 设备保修 & 维护等
- Material : 入库 Lot, 作业配置 , 原材料等
- Method : 作业者之间的作业方法差异等
- Measurement : 测量者的变动 , 测量装备误差等
- Management & Environment
- (Mind & Money)
MSA(Measurement System Analysis)
 群内变动和群间变动
•为什么要 Rational Subgrouping( 合理分组 )?
• Rational Subgrouping 是 Six Sigma 的一个强有力的 Tool
• 可以区分工程上短期工程能力或长期工程能力的关键的方法
- 可以了解所出现的问题是平均值偏移问题还是散布问题
- 把问题特性化的初步阶段
• 群内变动 (white noise)

• white noise 是因工程上的日常要因而发生的变动 ( 偶然原因 )
• 在目前的技术水平上不可控制的变动
• 通常对工程散布有影响
• 受工程上的琐碎的多数因子的影响
• 用 Zst 来表示
• 群间变动 (black noise)

• black noise 是工程因受到外部要因的影响而中心值偏移 ,
通常是可以查究原因的变动 ( 异常原因 )
• 在目前的工程上可以控制的变动
• 通常平均值偏离工程的目标值
• 可以知道时间的工程能力的实际变化情况

MSA(Measurement System Analysis) 测量 System 的变动
 Measurement System Variation = Measurement System Precision

+ Gage linearity & Accuracy
.. . .
.... .... .
. .. . . .
.
Accurate and precise precise but not accurate Accurate but not precise Not accurate or precise
1. Precision : variation you see when you measure the same part repeatedly with same device
• Minitab Menu : Stat / Quality Tools / Gage R&R Study or Gage Run chart
• Repeatability : the variation due to the measuring device,
the variation observed when the same operator measures the same part repeatedly with same device
• Reproducibility : the variation due to the measurement system
the variation when different operators measure the same parts using the same device
2. Linearity & Accuracy : difference between the measurement and the part’s actual value
• Minitab Menu : Stat / Quality Tools / Gage Linearity and Accuracy study
• Linearity : the difference in the observed accuracy values through the expected range of measurements
• Accuracy : the difference between the observed average measurement and a master value
• Stability : the total variation obtained with a particular device, on the same part,
when measuring a single characteristic over time

MSA(Measurement System Analysis) 测量 System 的变动
 测量的 Data( 观察值 ) 是实际真值和测量误差的和
1. 测量误差的效果
• 平均 : μ 全体 = μ 生产品 + μ 测量 → 测量 System 的偏差 ( 检 / 校准 ,Calibration Study)
• 散布 : σ2 全体 = σ2 生产品 + σ2 测量 → Gage R&R
2. 产生散布的可能要因
工程的观察散布
实际工程散布测量散布
长期工程散布短期工程散布样本内散布测量者引起 Gage 引起

的散布的散布
Precision 再现性
再现性
(Reproducibility)
(Reproducibility)
Accuracy
反复性
反复性正确性安定性线形性
(Repeatability)
(Repeatability) (Calibration) (Stability) (Linearity)
Accuracy
* 测量误差 : 观察值偏离真值的所有产生变动的效果
MSA(Measurement System Analysis) 测量者 System 的散布
Gage 正确性的散布 Gage 安定性的散布测量者再现性的散布
真平均观察平均
LSL USL LSL USL LSL USL
测量
测量测量者 A
时间 A
时间 B 测量者 B
• 正确度 : 测量值的观察平均和真平均之间的差异
• 安定性 : 至少两次以上在不同时期 , 对于同样的部品 , 使用同样 Gage 所得到的测量值平均的差异

( 根据计测器的保管 , 管理状态而随时间经过所出现的差异 , 也包含产品的安定性 )
• 再现性 : 用同样 Gage, 几个人对同样的部品测量几次时所出现的差异
• 反复性 : 用同样 Gage, 一个人对同样的部品反复测量几次时所出现的差异
• 线型性 : 所期待的制作范围全部通过的正确性值的差异，用计测器能够量出来的 Range 的误差
Gage 反复性的散布 Gage 线型性的散布

真平均观察平均
LSL USL LSL LSL USL USL
Gage
正确性正确性
( 下限 ) ( 上限 )

MSA(Measurement System Analysis) Gage R&R 的意义
 什么是 Gage R&R ？
指的是计测器的测量误差和测量者之间所发生的误差 . 并且这样的测量 System 本身对工程整体的

变动
有多少影响用比率来定量化的统计 Tool.
反复性
≥80% ( 计测器误差 )
测量
散布
再现性
≤20% ( 测量者误差 )
整体其他正确性
变动变动安定性
线形性等
 Gage R&R 判定基准 ?
≤ 20% → Accept, 21% ~ 29% → 有条件 Accept

＞ 29% → 不可使用 ( 测量系统改善 )
 计测器的选定 ( 测量精度 )
• Gage 的精度要达到 Process 的变动或是 Spec 允许误差的 10% 以下的水平 .
ex) Gap 的公差为 ±0.1 mm 时 Gage 的精度要达到≤ 0.01 mm.

 对 Gage R&R 结果的解释及对策事项是？
• 在显示器设计室 , 开发 Heat sink 时在 PCB 部位发生了很多有关 Heat sink Hole 的不良 ,

为了改善这个问题 , 分析 Heat sink Hole 的工程能力之前 , 先确认了测量 System 精度 .
做 Gage R&R 的结果 , 得到了如下结果 .
• Minitab Menu : Stat / Quality Tools / Gage R&R Study(crossed)
Spec : 12 ± 0.3
测定者王智勇刘肖峰
Sampl e 1次测定 2次测定 1次测定 2次测定
1 12. 37 12. 36 12. 35 12. 34
2 12. 33 12. 29 12. 35 12. 32
3 12. 32 12. 31 12. 29 12. 3
4 12. 30 12. 30 12. 32 12. 31
5 12. 31 12. 31 12. 31 12. 28
6 12. 34 12. 35 12. 34 12. 33
7 12. 35 12. 34 12. 35 12. 35
8 12. 32 12. 31 12. 29 12. 3
9 12. 31 12. 33 12. 29 12. 32
10 12. 35 12. 34 12. 32 12. 32

 对 Gage R&R 结果的解释及对策事项是？必须选择 ANOVA.

用 ANOVA 方法时
不仅可以分析出
试料及测量者的主效果 ,
而且还可以分析出
测量者和试料间的交互作用 .
- 5.15 is Defaulted Number

- 5.15(*Sigma) means
① the number of StDev needed
to capture 99% of process
measurements
② the width of the interval you
need to capture 99% of your
process measurements
输入测量对象的公差范围
没有公差时 , 在原封不动的状态下
点 OK , 之后不用 %Tolerance 而
用 % Study Var 来判断 Gage R&R
结果 .

Two-Way ANOVA Table With Interaction ※ 参考

1. % Contribution
Source DF SS MS F P d + e = c, b + c = a, a + f = g
2. %Study Var & %Tolerance
sample 9 0.01369 1.52E-03 5.24521 0.01069
man 1 0.00064 6.40E-04 2.20690 0.17156 d2 + e2 = c2, b2 +c 2 = a2,
man*sample 9 0.00261 2.90E-04 2.00000 0.09440 a 2 + f 2 = g2
Repeatability 20 0.00290 1.45E-04
Total 39 0.01984
能够区分部品和部品间差异的
Gage R&R
Source VarComp StdDev 5.15*Sigma 测量 System 的能力
( 工程管理用 )
Total Gage R&R 2.35E-04 1.53E-02 0.078948
Repeatability 1.45E-04 1.20E-02 0.062014
Reproducibility 9.00E-05 9.49E-03 0.048857
man 1.75E-05 4.18E-03 0.021544
在部品规定的公差范围内
man*sample 7.25E-05 8.51E-03 0.043851
Part-To-Part 3.08E-04 1.75E-02 0.090350 可以区分认定与否的
Total Variation 5.43E-04 2.33E-02 0.119983 测量 System 的能力
(Gage R&R 最终合格与否判定 )
Source %Contribution %Study Var %Tolerance
aTotal Gage R&R 43.30 65.80 13.16

bRepeatability 26.71 51.69 10.34
cReproducibility 16.58 40.72 8.14
dman 3.22 17.96 3.59
eman*sample 13.36 36.55 7.31 能够区分部品间变动的 Gage 能力
fPart-To-Part 56.70 75.30 15.06 ( 不重叠的测量部品置信区间的个数 )
gTotal Variation 100.00 100.00 20.00 测量部品的置信区间的个数越多说明测量者和测量
虽然有反复，但是测量的精度很高 .
Number of Distinct Categories = 2 如果 , 置信区间的个数少说明 ( 即 , 重叠的置信区间多
的意思 ) 测量的变动很大 .

解释 :
Gage name:
Date of study :
Gage R&R (ANOVA) for data Reported by :
Tolerance:
Misc:
Xbar Chart by man man*sample Interaction

12.37 1 2 12.37 man
12.36 12.36 1
Sample Mean
12.35 3.0SL=12.35 12.35 2
Average
12.34 12.34
12.33 12.33
12.32 X=12.32 12.32
12.31 12.31
12.30 -3.0SL=12.30 12.30
12.29 12.29
0 sample 1 2 3 4 5 6 7 8 9 10
R Chart by man By man

0.05 1 2 12.37
3.0SL=0.04247 12.36
Sample Range
0.04 12.35
0.03 12.34
12.33
0.02 12.32
R=0.01300 12.31
0.01 12.30
12.29
0.00 -3.0SL=0.00E+00 12.28
0 man 1 2
Components of Variation By sample

100 12.37
%Total Var 12.36
%Study Var 12.35
12.34
Percent
%Toler
12.33
50 12.32
12.31
12.30
12.29
0 12.28
Gage R&R Repeat Reprod Part-to-Part sample 1 2 3 4 5 6 7 8 9 10

MSA(Measurement System Analysis) – 破坏检查
测量者对每个部品只能测一次比如像破坏检查时 , 我们要进行另一种 Gage R&R.
Minitab Menu:Gage R&R(Nested)
像破坏检查这种情况 , 所有部品必须是从一个批次选出来 .. 必须确保其具有同质性 .
only, 只能确认反复性 (Repeat,,), 无法确认人与人之间的再现性 (Repro,,).
例 ) 3 个人对 5 个不同的 Sample 反复测量 2 次 .

part 测量者测量值 part 测量者测量值 part 测量者测量值
1 1 15. 4257 1 2 13. 1025 1 3 14. 0156
1 1 16. 8677 1 2 15. 5494 1 3 15. 0697
2 1 15. 5018 2 2 13. 8316 2 3 14. 7948
2 1 15. 1268 2 2 14. 2388 2 3 14. 8448
3 1 15. 7251 3 2 16. 8403 3 3 14. 2155
3 1 12. 8191 3 2 14. 325 3 3 13. 7057
4 1 15. 1429 4 2 15. 1448 4 3 16. 4566
4 1 13. 8563 4 2 14. 5478 4 3 16. 2174
5 1 14. 1119 5 2 16. 3736 5 3 15. 0697
5 1 16. 5675 5 2 17. 5779 5 3 16. 3231

MSA(Measurement System Analysis) – 破坏检查
Nested ANOVA Table

Source DF SS MS F P
man 2 0.0336 0.01678 0.00887 0.99117

part (man) 12 22.6950 1.89125 1.59203 0.19564
Repeatability 15 17.8192 1.18795
Total 29 40.5478
Gage R&R
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 1.18795 77.16

Repeatability 1.18795 77.16
Reproducibility 0.00000 0.00
Part-To-Part 0.35165 22.84
Total Variation 1.53960 100.00
StdDev Study Var %Study Var

Source (SD) (5.15*SD) (%SV)
Total Gage R&R 1.08993 5.61315 87.84

Repeatability 1.08993 5.61315 87.84
Reproducibility 0.00000 0.00000 0.00
Part-To-Part 0.59300 3.05396 47.79
Total Variation 1.24081 6.39015 100.00
Number of Distinct Categories = 1

Gage R&R 综合问题
设计室结构 Group 想要改善 Hinge Force.

并且找到了可能会影响 Hinge force 的 4 个假因子 .
对 4 个假因子各自实施 Gage R&R 结果如下 .
请说明每一个计策器是否可以使用并且它的改善方向是什么 .
%study var %tolerance

预备 CTQ A Tot al R&R 43. 9 9. 3
( 计策仪 A) Repeat abi l i t y 23. 5 5. 6
Repr oduci bi l i t y 37. 1 7. 4
预备 CTQ B Tot al R&R 11. 6 14. 0
( 计策仪 B) Repeat abi l i t y 8. 6 10. 5
预备 CTQ C Tot al R&R 19. 5 67. 9
( 计策仪 C) Repeat abi l i t y 13. 2 32. 5
预备 CTQ D Tot al R&R 45. 4 56. 0
( 计策仪 D) Repeat abi l i t y 35. 3 43. 2

MSA(Measurement System Analysis) 官能判断 / 离散型 Data 时 : 例题 1
 对于 Gage R&R 适用结果的解释及对策事项是？
测量者 A 测量者 B
% Gage R&R = 3/20 * 100% = 15%
Sample No 第 1 次测量值第 2 次测量值第 1 次测量值第 2 次测量值
1 Good Good Good Good
3 No Good Good Good Good
如果测量者之间的测量结果全部都是 Good
4 No Good No Good No Good No Good 或者 Not Good 的话 , 我们可以认为
5 Good Good Good Good 测量者和 Gage 是良好的 .
7 No Good No Good No Good No Good 例 ) Sample 1 , 2 , 4 , 7 的情况
8 No Good No Good Good Good
9 Good Good Good Good 测量者之间测量结果不同或者同一个测量者
11 Good Good Good Good 反复测量的结果不同时
13 Good No Good Good Good 例 ) Sample 3 , 8 , 13 的情况
15 Good Good Good Good 首先 : 分析测量者之后如果判断测量者是优秀的话
16 Good Good Good Good 把 Gage 修理或者更换 .
18 Good Good Good Good 其次 : 如果需要更换成新的装备时 , 必须分析投资对比
19 Good Good Good Good 产出之后才能实施 .
部品之间偏差

离散型 Data 的 Gage R&R - %Gage R&R 官能判断 / 离散型 Data 时 : 例题 2
对显示器的 Back Cover 做外观检查时我们通常判定成良品或者不良品 , 但是目前存在的问题是检查者之间

判断良品或不良品时出现了比较严重的偏差 . 现在对 30 个 Sample,2 名检查者 , 反复 2 次检查的结果如下 :
样本检查者 A-1 次检查者 A-2 次检查者 B-1 次检查者 B-2 次

1
2
Y
Y
Y
Y
Y
N
Y
Y
总测量次数 : 30
3 Y
Y
Y
Y
Y
Y
Y
N
不一致数量 : 12
4
5 N N N N % Gage R&R: 12/30 = 42
6 Y Y N N
7 N N Y N 问题是什么 ?
8
9
Y
N
Y
N
Y
N
Y
N
不一致个数 12 个中
10
11
Y
Y
Y
Y
Y
Y
N
Y
测定者间不一致 : 1
12 Y N N Y 测定者本身的不一致
13 N N N N
14 N N N Y -A:1
N N N N
15
16 Y Y Y Y - B : 11
17 Y Y Y Y
18 N N Y N
19 Y Y Y Y
20 Y Y Y Y 通过离散型 Data 的 Gage R&R
21
22
Y
N
Y
N
Y
Y
Y
N
结果可以知道的内容是
23 Y Y N Y
24 Y Y Y Y
25 Y Y N Y 1. 整体一致度
26 Y Y Y Y
27 Y Y Y Y 测量系统的变动程度
28
29
N
Y
N
Y
N
N
N
Y
2. 反复一致度
30 N N N N 测量者的变动程度
3. 再现一致度
测量者之间的变动程度

离散型 Data 的 Gage R&R
1. 一致度的计算
• 一致度 = ( 一致个数 / 所有可能的不一致数 ) * 100 (%)
• 求不一致的数字公式
- 偶数的情况 : ( 个数 )2 / 4
- 奇数的情况 : ( 个数 )2-1 / 4,
• 这里个数的意思是单个 Sample 的测定回数 , 本例题为 4 回
• 求上页例题的所有可能的不一致个数 ?
30(sample 数 ) * 42 / 4 = 120.

1. 计算整体一致度
Sam
pl e No. 全体不一致个数测定者 A- 1回测定者 A- 2回测定者 B- 1回测定者 B- 2回
1 0Y Y Y Y 1) 求整体不一致数量
2 3Y Y N Y
3 0Y Y Y Y
2 名测量者对每 1 个 sample
4 3Y Y Y N 测量 2 次时每个 Sample 的
5 0N N N N 测量结果有 4 个 .
6 4Y Y N N
7 3N N Y N 4 个测量结果中比较 2 个测量
8 0Y Y Y Y 结果 . 从而我们可以求出总共
9 0N N N N 有 38 个不一致数量 .
10 3Y Y Y N
11 0Y Y Y Y
12 4Y N N Y 2) 求整体一致数量
13 0N N N N
14 3N N N Y 不一致的机会数总共有 (120)
15 0N N N N - 不一致数量 (38) = 82
16 0Y Y Y Y
17 0Y Y Y Y
18 3N N Y N 3) 整体一致度的计算
19 0Y Y Y Y
20 0Y Y Y Y 82 / 120 = 68.3 %
21 0Y Y Y Y
22 3N N Y N
23 3Y Y N Y 这里的 % 表示的只是
24 0Y Y Y Y 测量者测量结果可能会
25 3Y Y N Y
26 0Y Y Y Y 一致的概率
27 0Y Y Y Y
28 0N N N N
( 并不是 % Gage R&R)
29 3Y Y N Y
30 0N N N N
合计 38

2. 计算反复一致度
Sampl e No. 全体不一致反复不一致测定者 A- 1回测定者 A- 2回测定者 B- 1回测定者 B- 2回 1) 求所有反复不一致的机会数 :
1 0 0Y Y Y Y
2 3 1Y Y N Y 测量者每个人对每个 sample
3 0 0Y Y Y Y 反复测量 2 次 . 因此每个人对每个
4 3 1Y Y Y N Sample 测量时不一致的机会数
5 0 0N N N N 是 1. 现在 2 名测量者测量 30 个
6 4 0Y Y N N
7 3 1N N Y N sample. 所以不一致的机会数是
8 0 0Y Y Y Y 1*2*30 = 60
9 0 0N N N N
10 3 1Y Y Y N
11 0 0Y Y Y Y
2) 求整体的反复一致的数量
12 4 2Y N N Y 不一致数量 = 12
13 0 0N N N N 整体反复不一致的机会数 (60)
14 3 1N N N Y
- 不一致数量 (12) = 48
15 0 0N N N N
16 0 0Y Y Y Y
17 0 0Y Y Y Y 3) 计算整体反复一致度
18 3 1N N Y N
19 0 0Y Y Y Y
48 / 60 = 80 %
20 0 0Y Y Y Y
21 0 0Y Y Y Y 这里的 % 表示的只是
22 3 1N N Y N
测量者个人的测定结果可能会
23 3 1Y Y N Y
24 0 0Y Y Y Y 一致的概率 ( 不是 % Gage R&R)
25 3 1Y Y N Y
26 0 0Y Y Y Y 4) 个人别反复不一致度
27 0 0Y Y Y Y
28 0 0N N N N 检查者 A = 1/30 = 3.3%
29 3 1Y Y N Y ( 不一致个数 = 1)
30 0 0N N N N 检查者 B = 11/30 = 36.7%
合计 38 12
( 不一致个数 = 11)
首先 , 要改善反复一致度 . 特别是测量者 B !!!

4. 再现一致度计算
再现一致度 : 不同的检查者对同一个 sample 检查时所能
1) 求再现不一致机会数
得出相同结果的能力 .
2 名测定者对 30 个 sample
Sampl e No. 全体不一致再现不一致测定者 A- 1回测定者 A- 2回测定者 B- 1回测定者 B- 2回一回测定时：
1 0 0Y Y Y Y
2 3 1Y Y N Y 30 * ((2)2 / 4) = 30
3 0 0Y Y Y Y 2 回时 30 * 2 = 60
4 3 1Y Y Y N
5 0 0N N N N
6 4 2Y Y N N 2) 求全体再现不一致个数
7 3 1N N Y N
8 0 0Y Y Y Y 第一回不一致个数 = 9
9 0 0N N N N
10 3 1Y Y Y N
第二回不一致个数 = 5
11 0 0Y Y Y Y 全体不一致个数 = 14
12 4 2Y N N Y
13 0 0N N N N
14
15
3
0
1N
0N
N
N
N
N
Y
N
3) 全体再现一致度计算
16 0 0Y Y Y Y 46 / 60 = 77 %
17 0 0Y Y Y Y
18 3 1N N Y N
19 0 0Y Y Y Y 这里的 % 是测定者之间的
20 0 0Y Y Y Y
21 0 0Y Y Y Y
测定结果一致的概率
22 3 1N N Y N ( 不是 % Gage R&R)
23 3 1Y Y N Y
24 0 0Y Y Y Y
25 3 1Y Y N Y 4) 个人别再现一致度
26 0 0Y Y Y Y
27 0 0Y Y Y Y * 测定者别合格判定个数
28 0 0N N N N
29 3 1Y Y N Y
30 0 0N N N N
第一回第二回
合计 38 14 测定者 A 20 19
测定者 B 17 18
5) 从这里可以得出什么结论 ?

MSA(Measurement System Analysis) Gage Run chart
 对于 Gage Run Chart 适用结果解释及对策事项是 ?

• Minitab Menu : Stat / Quality Tools / Gage Run Chart
Gage name:
Date of study :
Runchart of data by sample, man Reported by :
Tolerance:
Misc:
12.37 1
12.36
12.35 2
12.34
12.33
data
12.32
12.31
12.30
12.29
12.28
sample 1 2 3 4 5
12.37
12.36
12.35
12.34
12.33
data
12.32
12.31
12.30
12.29
12.28
sample 6 7 8 9 10

MSA(Measurement System Analysis) Gage Linearity and accuracy
 对于 Gage Linearity & Accuracy 结果的解释及对策事项是？

• Minitab Menu : Stat / Quality Tools / Gage Linearity Study
part master response part master response part master response

1 2 2.7 2 4 3.9 4 8 7.8
1 2 2.5 2 4 4 4 8 7.8
1 2 2.4 2 4 4.1 4 8 7.8
1 2 2.5 2 4 3.8 4 8 7.7
1 2 2.7 3 6 5.8 4 8 7.8
1 2 2.3 3 6 5.7 4 8 7.5
1 2 2.5 3 6 5.9 4 8 7.6
1 2 2.5 3 6 5.9 4 8 7.7
1 2 2.4 3 6 6 5 10 9.1
1 2 2.4 3 6 6.1 5 10 9.3
1 2 2.6 3 6 6 5 10 9.5
1 2 2.4 3 6 6.1 5 10 9.3
2 4 5.1 3 6 6.4 5 10 9.4
2 4 3.9 3 6 6.3 5 10 9.5
2 4 4.2 3 6 6 5 10 9.5
2 4 5 3 6 6.1 5 10 9.5
2 4 3.8 4 8 7.6 5 10 9.6
2 4 3.9 4 8 7.7 5 10 9.2
2 4 3.9 4 8 7.8 5 10 9.3
2 4 3.9 4 8 7.7 5 10 9.4
• In this case, you must structure your data so each row contains a part, master measurement,
and the observed measurement on that part(the response)

 对于 Gage Linearity & Accuracy 适用结果的解释及对策事项是？

Gage R&R
Source VarComp StdDev 5.15*Sigma
Total Gage R&R 0.0571 0.23894 1.2305

Repeatability 0.0571 0.23894 1.2305
Part-to-Part 7.5392 2.74576 14.1407
Total Variation 7.5963 2.75613 14.1941
Source %Contribution %Study Var
Total Gage R&R 0.75 8.67

Repeatability 0.75 8.67
Part-to-Part 99.25 99.62
Total Variation 100.00 100.00
Number of Distinct Categories = 16

 对于 Gage Linearity & Accuracy 适用结果的解释及对策事项是？
Gage name:
Date of study : Gage Variation due to linearity
Gage Linearity Study for Response Reported by : Overall process variation
Tolerance:
Misc:
1 Gage Linearity
Linearity : 1.86889
%Linearity : 13.167
R-Squared: 0.978
Gage Accuracy
Accuracy Average
Bias: -5.3E-02
%Bias: 0.376
Percent of Process Variation

14
Gage Variation due to accuracy
12 Overall process variation
10
Percent
8
-1 6
2
2 3 4 5 6 7 8 9 10
0
Master Part Measurement Linearity Accuracy
* Hint : Linearity = slope * process sigma

MSA(Measurement System Analysis) Gage R&R 补充说明
 对于 Gage R&R 的补充说明
• 统计性工程管理 (SPC) 是利用测量 Data • 反复性是在同样的条件下反复地测量，

管理工程 , 因此 Data 的采集和分析特别因此与计测器本身的问题所发生的
重要 . 误差有关 .
• 如果所测量的 Data 不正确时会预测出 • 再现性是在同样的条件下 , 由于测量者

毫不相关的结果并且反而会使问题变得不同而发生误差 , 所以与测量者的测量
越来越糟 . 技术及方法有关 .
• 目前我们所做的计测仪检 / 校准是提高 • 因此所谓测量就是减少因上述 2 种原因而

计测仪本身测量精度的方法 . 发生的问题使计测仪读的值更加接近
但测量 System 即 ,Gage R&R 是分析真值的能力 .
2 种问题即 , 再现性和反复性 .

5. 工程能力分析

Data 的种类
❏ 区分 Data 类型的目的
• 确定 Data 的 Display 方法和分析方法
• 决定要采集的 Sample Size
• 决定恰当的 Control Chart
• 决定恰当 Sigma(or Z-Value) 计算方法 (DPMO or 工程能力分析 )
❏ 连续型 Data( 计量型 )

• 可以分解 Data, 并且已测量的数字的大小有意义 .
• 客观性 Data : 时间 , 重量 , 长度等用仪器可以测量的 Data
• 主观性 Data : 满足度 , 充实度等 Data 的测量基准随时间可能会发生变化 .
❏ 离散型 Data( 计数型 )

• Data 不可以分解 , 并且其数据是通过 Count 的方法得来时 .
• 客观性 Data : 缺陷数 , 承认件数 , 错误件数 , 位子等可以明确地判断 .
• 主观性 Data : Yes/No, Good/Bad 等含有人的主观性内容 .
※ 实际情况下 , 有很多情况是很难明确地区分离散型和连续型
例 1) 主 / 客观性混合的数学能力分数 → 虽然是离散型的 , 但也可以看作是连续型的
例 2) 使用尺度方法的问卷调查结果
→ 用连续型处理 , 还是用离散型处理是须按照事情的性质以及分析的目的来
考虑 , 要慎重判断 .

连续型 Data 的现水平测定 - 工程能力的概念
1. 什么是工程能力 (Process Capability) ?
• 工程处于管理状态时 , 在该工程上所生产的产品品质变动的幅度 .
• 工程能力 (Process Capability) 的用语有时也可以用自然公差 (natural tolerance) 来代替使用 .
• 主要受 4M(Method, Man, Machine, Material) 变动的影响 .
不受外部要因影响的前提下, ,在该工程所生产的产品品质的分布称为
在该工程所生产的产品品质的分布称为 6σ.
不受外部要因影响的前提下 6σ.
为了使工程能力成为信息资料, , 为了活用工程能力必须用量制表现
为了使工程能力成为信息资料为了活用工程能力必须用量制表现. .
( (工程能力定量化
工程能力定量化) ) 各种工程能力指数
各种工程能力指数
Cp
Cp Cpk Cpm
Cpk Cpm
2. 影响工程能力的变量
• Spec(USL, LSL)
• 目标值 (Target) : esp. 目标值不在 Spec 中心时
• 平均值
• 散布
• 工程平均的移动 ( 异常原因 , 偶然原因 )

连续型 Data 的现水平测定 - 工程能力指数的种类
考虑异常原因
只考虑偶然原因
( 工程平均的移动 )
+ 考虑平均 + 平均考虑
• 工程能力分析的 Cp Pp
Baseline : Spec Target
= Spec 的
中心 Cpk Ppk
• Spec 的意思
- 所有判断的基准
- 或者目标
Cpm Ppm
Target
= 不是
Spec 的中心 Cpmk Ppmk

连续型 Data 的现水平测定 - 工程能力指数 Cp
USL - LSL USL - μ μ - LSL

Cp = Cpk = Min ( , )
6σ 3σ 3σ
USL - LSL USL - μ μ - LSL

Cpm = Cpmk = Min ( ,, ))
6 σ2 + (μ-T)2 33 σ2 + (μ-T)2 33 σ
σ ++ (μ-T)
22
(μ-T)
22
• Pp 是跟 Cp, Ppk 是跟 Cpk, Ppm 是跟 Cpm, Ppmk 是跟 Cpmk 计算公式虽相同
• But, 它们是反应异常原因的长期工程能力 , 因此标准偏差的计算方法有所不同 .
1 l m
• σst=
n-l
Σ Σ(xij - xj)2 • l = sample number
j=1 i=1
• m = sample size
•n=l*m
• σlt=
1 l m
=2
Σ Σ(xij - x)
n-l j=1 i=1
* 注意 : 千万不要背公式 , 要理解它们的含义 !!!

工程能力指数 (Process Capability 工程能力指数 Cp
Index)
• 没有偏移时使用的工程能力指数 , 也是第 1 代工程能力指数 .
• 与中心值的位置没有关系 , 它只表示工程散布 (6σ) 和规格幅度的关系 ( 即 , 不考虑工程的平均 ).
双侧
USL - LSL Cpu+Cpl 设计容许范围 (Design Tolerance)
规格的情况 Cp=
6σ
=
= 2
Cp =
生产能力 (Product Capability)
(图 ①)
单侧 USL - μ μ - LSL
规格的情况
Cpu = 只有规格上限 Cpl =
3σ 3σ 只有规格下限
(图 ②) (图 ③)
设计容许范围设计容许范围设计容许范围
LSL 中心值 USL 中心值 USL LSL 中心值

工程能力指数 (Process Capability 工程能力指数 Cp
Index)
工程能力的判定
(1)
工程能力的范围工序能力要转移到具有更适当能力的工程上( (机械
(1)要转移到具有更适当能力的工程上机械, ,
设备等) )来进行作业
来进行作业. .
工程状态良好，所以维持现水平的情况下设备等
Cp ≥ 2.0 试图提高生产性向上 .
(2) 为了提高目前的工程能力而投资. .
(2)为了提高目前的工程能力而投资
勉强在现在的规格范围之内 ,
2.0≥ Cp ≥ 1.8 但是必须为 Cp 值的向上 (A 等级 ) 而要努力 .
(3)
1.8 ≥ Cp ≥ 1.5 工程能力差 . 再检讨或调整现在所使用的规格. .
(3)再检讨或调整现在所使用的规格
(4) 考虑特殊的管理或加工方法等, ,
(4)考虑特殊的管理或加工方法等
1.5 ≥ Cp
为了工程能力向上而努力. .
为了工程能力向上而努力
LSL USL
设计容许范围
① 的情况 : Cp 的值比 2 大 , 这表示工程能力很好，
① 的情况 : Cp 的值比 2 大 , 这表示工程能力很好，
不良率接近0.0.
不良率接近
②② 的情况
的情况 : : 用用CpCp==11来表示
来表示USL-LSL
USL-LSL==6σ,
6σ,
6σ 0.67% 左右. .
这时脱离规格的产品是全部的
这时脱离规格的产品是全部的 0.67%左右
③③ 的情况
的情况 : : Cp 的值小于1,1,
Cp的值小于
工程能力不充分的情况. .
工程能力不充分的情况
◆ 工程能力指数和 Z 水平的关系
6σ
Cpk Zlt Zst Cp
1.5 4.5 6.0 (÷ 3) 2.0
×3 ＋ 1.5
6σ
1.33 4.0 5.5 ×3 1.8
1.0 3.0 4.5 1.5
规格下限中心值规格上限

Minitab 上的 Cp 工程能力指数 Cp( 单侧 Spec)
• 在总组 A Line 上 , 掌握各工程别 ST 后要算出全工序的 Cp 值 .
ST • • 测定期间 :
测定期间 :
2000.05.25
17 2000.05.25日日
19
24 • • 适用 Spec : 24 秒以下
适用 Spec : 24 秒以下
28
24
26
19
20
22
23
25
• •MINITAB
MINITAB上上, ,不提供对
不提供对Cp Cp的很多情报
的很多情报
26
20 - - 比如如果没有 USL 或 LSL
比如如果没有 USL 或 LSL的话就没有计算结果
的话就没有计算结果
24 - - 主要以 Cpk 为中心 , 分析工程能力
主要以 Cpk 为中心 , 分析工程能力
21
25 • • 工程能力指数
26 工程能力指数Cp 不考虑偏移, ,
Cp不考虑偏移
21 即即, , 不考虑工程平均的工程能力指数
不考虑工程平均的工程能力指数, ,
17 所以不是很好的工程能力指数
所以不是很好的工程能力指数
25
( (第
第11代工程能力指数) )
代工程能力指数

Minitab 上的 Cp 工程能力指数 Cp( 双侧 Spec)
• 想要测量 AAA 型号的 B 部位的 Torque (Spec : 25 +/- 5)
Torque
24 22
14 37
18 36
27 21
17 16
32 17
31 22
27 34
21 20
27 19
24 16
21 16
24 18
26 30
31 21
34 16
28 14
32 15
24 14
16 14

Minitab 上的 Cp 工程能力指数 Cp( 双侧 Spec)
• 假如在这里 Spec 不是 25 +/- 5, 而是 24 +/-5 的话 , Cp 是多少 ?
• 虽然推定不良率不同
但 Cp 值相同
--> 即 , Cp 不能正确反应工程现状
• 这是因为 Cp 的概念不考虑工程的平均
而出现的 .
• 在这样的基础上引进了 Cpk 概念
• Cp 的利用领域 ( 散布 )
- 改善的方向
- 改善的难易度

工程能力指数 (Process Capability 工程能力指数 Cpk
Index)
• 有偏移时所使用的工程能力指数为第 2 代工程能力指数 .
• 品质特性值的整体分布不在规格的中央而是偏向于一侧时所用的考虑偏移程度的工程能力指数
( 即 , 考虑工程的平均 ).
双侧
双侧 USL - μ μ - LSL
规格的情况 Cpk = (1 - K) Cp = Min (Cpu , Cpl) = Min ( , )
规格的情况 3σ 3σ
｜ M-μ｜ USL+LSL USL-LSL

偏移系数 K= 在这里 M= , T=
偏移系数 T 2 2
※ K≥1 时偏移很大 , 一般不会发生 .
单侧 USL - μ μ - LSL
单侧
规格的情况
Cpu = Cpl =
规格的情况 3σ 3σ
只有规格上限只有规格下限
有偏移的工程能力指数Cpk
有偏移的工程能力指数与单侧规格时的工程能力指数Cp
Cpk与单侧规格时的工程能力指数一样. .
Cp一样
如果KK==00的话
如果的话 ( (偏移指数为
偏移指数为00的话
的话) )没有偏移
没有偏移, , 因此
因此Cpk
Cpk==Cp.
Cp.

工程能力指数 (Process Capability Index) 工程能力指数 Cpk
设计容许范围设计容许范围设计容许范围
LSL M μ USL M μ USL LSL M μ

双侧规格的情况单侧规格的情况
 在不反映偏移的第 1 代工程能力指数 Cp 基础上考虑偏移指数 K 的工程能力指数 ( 考虑 M 与 μ 差异 ).

如果 K = 0 ( 偏移指数 0 的话 ) 因为没有偏移 Cpk = Cp.
※ 工程能力的判定
(1)
工程能力的范围工序能力移到保有更适切能力的工程上( (机械
(1)移到保有更适切能力的工程上机械, ,
设备等) )进行作业
进行作业. .
因为工程状态良好，维持现水平，设备等
Cpk ≥ 1.5 Blue 指导生产性向上 .
(2)
1.5≥ Cpk ≥ 1.33 Green 勉强为规格值 , 因此 Cpk 值向上 (A 等级 ) 而努力 . 为了现工程能力向上而投资. .
(2)为了现工程能力向上而投资
(3)
1.33 ≥ Cpk ≥ 1.0 Yellow 工程能力差 . 再检讨或调整现在所使用的规格. .
(3)再检讨或调整现在所使用的规格
(4)
(4)归案特别的管理及加工方法等
归案特别的管理及加工方法等
1.0 ≥ Cpk Red

工程能力指数 (Process Capability Index) 工程能力指数 Cpk
1. 工程能力指数和 Z 水平之间的关系
Cpk Zlt Zst Cp
1.5 4.5 6.0 2.0
(÷ 3)
1.33 ×3 4.0 ＋ 1.5 5.5 ×3 1.8
1.0 3.0 4.5 1.5
2. MINITAB 上的工程能力分析
QQ1.1.在旁边的结果中
在旁边的结果中Cp Cp值与
值与
Cpk 值为什么相同 ?
Cpk 值为什么相同 ?
QQ2.2.Cpk
Cpk和和Cpl
Cpl, , Cpu
Cpu的各个
的各个
含义是什么？
含义是什么？
QQ3.3.如果
如果 Cpk 是负数的话, ,
Cpk是负数的话
这意味着什么??
这意味着什么
QQ4.4.Cpk
Cpk=0 这意味着什么 ??
=0这意味着什么
QQ5.5.Cp
Cp和和Cpk
Cpk之中
之中
哪个指数更有用 ??
哪个指数更有用

Minitab 上的 Cpk 工程能力指数 Cpk
• 那么 Cpk ?
• 从 Cpk 公式可看出 , Cpk 是只考虑 Spec 两侧当中不良多的一侧时所反映出来的工程能力 .
( 即 , 忽略不良少的一侧 , 因此正态分布曲线偏于一侧时用 Cpk 反映工程能力是没有多大的问题 .
但是工程的平均在 Spec 的中心附近并且散布比较大时 , 用 Cpk 反映工程能力的话可能回夸大评价真实的品质水平 )

Minitab 上的 Pp 和 Ppk
• 假设前面所提到的例题的 Spec(Spec : 25 +/- 5) 是相同但是其 Data 是经过长时间的 Data 时我们要考虑异常原因

这时用 Pp, Ppk 来反映工程能力是比较合理 .
Lot1 Lot2 Lot3 Lot4 Lot5

24 21 28 16 18
14 27 32 17 30
18 24 24 22 21
27 21 16 34 16
17 24 22 20 14
32 26 37 19 15
31 31 36 16 14
27 34 21 16 14
• 注意
- Subgroup Size ???
- Subgroup Number ???

Target 值不在 Spec 中心时 - Cpm,Cpmk
• 对 BBB 型号的 B CTQ 准备要测量它的工程能力 (Spec : 26 +4 / -6)
CTQ
24 22
14 37
18 36
27 21
17 16
32 17
31 22
27 34
21 20
27 19
24 16
21 16
24 18
26 30
31 21
34 16
28 14
32 15
24 14
16 14

连续型 Data 的现水平测定 -
结论
可以使用的情况工程诊断 *
Cp 目标值与 Spec 的中心一致时 • Cp 和 Cpk 的差异 : 工程的分布中心

从 Spec 的中心上偏移的程度
• 这时 Cp 是工程平均的问题完全改善完了
目标值与 Spec 的中心一致时
Cpk 的时候达成可能的工程能力
Cpm 目标值与 Spec 的中心不一致时
Cpmk 目标值与 Spec 的中心不一致时
* Pp, Ppk, Ppm, Ppmk 除了异常原因其它其本上相同

- 不管什么样的指数 , 都不能完全正确地反映工程的状态 .
- 虽然我们有必要把某个特定的工程能力指数作为改善工程目标值
- 但是更重要的是我们通过分析各种各样的工程能力指数的差异来找出
引起工程变动的根本性原因从而减少工程的变动 .
1 1 1 /111 LGENT/Six Sigma Part

Z bench & 4 Block Diagram
ch is the reported baseline Z Value
ch is the Z value from the normal table which corresponds to the total number of defe
Cp * 3 : 技术力
Cpk * 3 : 技术力 + 工程管理能力
t = Zst – Zlt : 工程管理能力
4 Block Diagram
6 Block Diagram( 申 MBB 想法 )
Zshift( 管理 )
A B A B C
1.5
1.5
C D D E F
4.5 6.0
4.5 6.0
Zst ( 技术 )

附录 : 处理连续型 Data 的基本 Process
Data 采集
稳定的工程 : 从稳定的工程收集资料
( 管理图 , 正规性验证 ) N 长期性的 Y
确保代表性 : 要随机抽样使之能够 Data
代表所有工程
充分性 : 能够说明母集团的充分的
资料除去异常点
N 设定
目标值
Y
Cp, Cpk, 设定 Y
Pp Ppk N 目标值
改善的方向 ,
改善的方法 ,
改善的难易度
Cpm, Y 规格界限 N Cpmk,
Ppm 对称 Ppmk

离散型 Data 的现水平测定 (1/4)
❏ Example
在 LGENT SVC Part 评价了 SVC 的记录表 . 为了决定记录表的正确度
确认了各个输入的内容 . 调查对象为 1,000 个的记录表当中总共发现了 150 个
缺陷 , 缺陷是在 22 个种类 ( 机会数 ) 中发现的 .
记录表的正确度 Z 值的水平多少 ?
Hint) 本 Example 的数据不是连续型 Data, 因此我们不可以利用 (Cp, Cpk)

为了使用符合 Data 性质的分析方法我们需要明确几个概念 .
❏ Unit
• Unit : 为了掌握业务 Process 的现水平和改善 / 提高的程度而测量事情 Output 的
基本单位 .
- 要可以观察也要能数数 ;
- 为了判断有无缺陷而所需要的测量 Size
• Example 中 Unit 是 ?

离散型 Data 的现水平测定
(2/4)
❏ 缺陷 (Defect)
• 缺陷指的是顾客不满意而所出现的结果
• 因此 , 缺陷是由于 Process 或者原因因子而发生
随着缺陷数的减少 , 产品或 SVS 的品质会提高
• Example 中的缺陷是 ?
• 如果产品或 SVC 中即使有 Error, 但是顾客满足的话就不能说是缺陷

如果顾客用在产品原来没有指示的用途而造成顾客不满意的话
这是缺陷
❏ DPU(Defect per Unit)

• DPU 是指有已决定的 Unit 和已定义的缺陷时 , 平均一个 Unit 中有几个缺陷
的表现单位
• DPU 是表示一个 Unit 当中存在的平均缺陷数 , 即并不是表示其缺陷的大小 .
• Example 中 DPU 是 ?
全体 Unit 中所发现的缺陷数
DPU =
全体 Unit 数

❏ 缺陷对象项目 (Opportunity)
• 形成一个 Unit 时可能会发生缺陷的所有行为或者部位
缺陷对象项目数是即使是一样的 SVC 或者产品也随着时代和市场的变化而不同 .
• Example 中的缺陷对象项目是？
❏ DPO(Defect per Opportunity)

• DPO 表示的是平均一个 Opportunity 中有几个缺陷
• Example 中的 DPO 是 ?
所有 Unit 中发现的缺陷数
DPO =
所有 Unit 数 * 缺陷对象项目数
❏ DPMO(Defect per Million Opportunity)

• DPMO = DPO * 1,000,000 ( 把 DPO 换算成 ppm 单位 )
• Example 中 DPMO 是 ?
※ 提供相互间可以比较的标准化的基准 (DPO,CPMO) 从而即使产品或 SVC 中的 Unit 不同或复杂的程度不同

我们也可以进行比较 .
❏ 把 DPMO 转换成 Sigma 水平 (Z)

良品数 DPMO Z Value 良品数 DPMO Z Value 良品数 DPMO Z Value
999,996.6 3.4 6.0 919,243 80,757 2.9 54,799 945,201 - 0.1
999,995 5 5.9 903,199 96,801 2.8 44,565 955,435 - 0.2
999,991 9 5.8 884,930 115,070 2.7 35,930 964,070 - 0.3
999,987 13 5.7 864,334 135,666 2.6 28,716 971,284 - 0.4
999,979 21 5.6 841,345 158,655 2.5 22,750 977,250 - 0.5
999,968 32 5.5 815,940 184,060 2.4 17,864 982,136 - 0.6
999,952 48 5.4 788,145 211,855 2.3 13,903 986,097 - 0.7
999,928 72 5.3 758,036 241,964 2.2 10,724 989,276 - 0.8
999,892 108 5.2 725,747 274,253 2.1 8,198 991,802 - 0.9
999,841 159 5.1 691,462 308,538 2 6,210 993,790 -1
999,767 233 5.0 655,422 344,578 1.9 4,661 995,339 - 1.1
999,663 337 4.9 617,911 382,089 1.8 3,467 996,533 - 1.2
999,517 483 4.8 579,260 420,740 1.7 2,555 997,445 - 1.3
999,313 687 4.7 539,828 460,172 1.6 1,866 998,134 - 1.4
999,032 968 4.6 500,000 500,000 1.5 1,350 998,650 - 1.5
998,650 1,350 4.5 460,172 539,828 1.4 968 999,032 - 1.6
998,134 1,866 4.4 420,740 579,260 1.3 687 999,313 - 1.7
997,445 2,555 4.3 382,089 617,911 1.2 483 999,517 - 1.8
996,533 3,467 4.2 344,578 655,422 1.1 337 999,663 - 1.9
995,339 4,661 4.1 308,538 691,462 1 233 999,767 -2
993,790 6,210 4.0 274,253 725,747 0.9 159 999,841 - 2.1
991,802 8,198 3.9 241,964 758,036 0.8 108 999,892 - 2.2
989,276 10,724 3.8 211,855 788,145 0.7 72 999,928 - 2.3
986,097 13,903 3.7 184,060 815,940 0.6 48 999,952 - 2.4
977,250 22,750 3.5 158,655 841,345 0.5 32 999,968 - 2.5
971,284 28,716 3.4 135,666 864,334 0.4 21 999,979 - 2.6
964,070 35,930 3.3 115,070 884,930 0.3 13 999,987 - 2.7
955,435 44,565 3.2 96,801 903,199 0.2 9 999,991 - 2.8
945,201 54,799 3.1 80,757 919,243 0.1 5 999,995 - 2.9
933,193 66,807 3.0 66,807 933,193 0 3 999,997 -3

附录 : Sample Size 的决定
1) 总体比较小时全数调查
- 总体比较小时全数调查会使精度提高 .(200 个以下时 )
样本误差
总体大小
参照类似的研究 /Project 中使用过的样本大小 3% 5% 7% 10%
500 全数检查 222 145 83
600 全数检查 240 152 86
700 全数检查 255 158 88
3) 利用决定样本大小的表格 800 全数检查 267 163 89
900 全数检查 277 166 90
- 左边的表格是 95% 的可信区间 , 1000 全数检查 286 169 91
P=0.5 的情况 2000 714 333 185 95
3000 811 353 191 97
4000 870 364 194 98
5000 909 370 196 98
6000 938 375 197 98
7000 959 378 198 99
8000 976 381 199 99
9000 989 383 200 99
10000 1000 385 200 99
15000 1034 390 201 99
20000 1053 392 204 100
25000 1064 394 204 100
50000 1087 397 204 100
100000 1099 398 204 100
100000以上 1111 400 204 100
* 资料来源 : 平泽 L/C Manufacturing BB 教材

6. Graph 分析

Graph 分析 Process
1) 要明确 < 想要知道什么 ?>
 与实际问题联系起来明确想知道的 Output.
 预想 Output 是与下个阶段 (Session3, 试验计划 ) 相关的内容因此特别要 Focusing 。
 按照预想 Output ，树立有关 data 收集计划，求 data 。
2) 用什么方法知道？
 利用已收集的 data, 决定使用什么样的 Graph 时能使 Output 更明确的表现出来 ..
3) 对 Graph 分析结果的对策是 ?
 通过 Graph 分析结果 , 确认是否得到所想得到的 Output, 并且决定

是否有追加检讨的事项 .
 与实际问题的改善联系起来 , 对需要及时采取措施的事项要及时树立对策 .
 Graph 分析 : 目的在于把 data 视觉化后确认整体的倾向性并且

大概可以知道是否致命因子 .

分析阶段经常使用的 Graph
1. 想确认 data 散布时： Dotplot,Histogram

这主要是确认 CTQ 的散布情况和判断有无异常点时使用 .
这时 CTQ 是连续型 data
2. 想比较的时候： Boxplot, 柱状 Graph

这是比较可能会对 CTQ 有影响的 X 因子的水平别平均和散布时所使用 .
这时 CTQ 是连续型 ,X 因子是离散型的 data.
3. 想确认相关关系的时 : Plot,Matrix Plot

这是想确认 CTQ 和可能会对 CTQ 有影响的 X 因子的相关关系时使用 .
这时 CTQ 和 X 因子都是连续型 data.

Dot plot 利用例题 1
画所有 Data 的
Graph 时
按照特定集团别画 Graph 时

Histogram 利用例题 1
10
Frequency
5
60 65 70 75
Height

Plot : 想知道变数间的关联性的时候利用例题 1
75
Height 70
65
60
100 150 200
Weight

Plot : 想知道多种变数间的联系性时利用例题 1
71.5
Height
64.5
185
Weight
125
88.5
Pulse
65.5
.5 .5 12
5
18
5 .5 .5
64 71 65 88

Plot : 想知道几个变量之间的关联性时利用例题 1
在这里进一步求相关关系
Correlations: Height, Weight, Pulse

Height Weight
Weight 0.786
0.000
Pulse -0.223 -0.203

0.033 0.054
Cell Contents: Pearson correlation

P-Value

Marginal Plot : 同时确认两个变量之间的关系和分布利用例题 1
20
15 17
13
9 8
7
2
220
1
200
9
180
12
Weight
160
32
140
24
120
12
100
1
80
60 62 64 66 68 70 72 74 76
Height

7. 假设检验

分析阶段概要
选定对问题 Y 有致命影响的候补 X 因子
 在 Y=f(X1, X2, , , Xn), 引起“ Y” 的变动的候补 X 因子中

通过对各个“ X” 因子的统计性分析决定致命因子的阶段
 即 , 对各个候补“ X” 因子做 Graph 分析 , 假设检验等

统计性检验之后 ,
去掉判定为琐碎的多数因子 (Trivial Many),
并且找出对“ Y” 的变动有致命影响的“ X” 因子的阶段 .
Graph 分析 Vital Few

Trivial Many Red X
假设检验 Critical X
假设检验
 什么是假设检验 (Hypothesis Test)?
对总体 (Population) 设定某种假设 ,

根据样本 (Sample) 的情报来判断假设的真假与否 .
假设 :
特定某总体是 , , ,. 某总体 (N) •根据 Sample 的情报来
ex) 制造 TEAM 男员工的平均
检验已设定的该总体的假设
身高是 172 cm.
Sample
→ 接受原假设 (Ho)
: 当初设定的假设正确的情况
→ 接受对立假设 (H1 or Ha)

: Not Ho
• 原假设 (Ho, Null Hypothesis)

: 作为检验对象的假设
• 对立假设 (H1 or Ha, Alternative Hypothesis)
: Not Ho
假设检验
 什么是假设检验 (Hypothesis Test) ?
某总体 (N)
Sample
172 cm
• Sample 的平均值 : *
• 某总体的平均值 : (.........*.........) 95% 置信区间
(.....*.......) 90% 置信区间
• 从 Sample 中得到的平均值 (X bar) 和实际某总体的平均值 (μ) 是否会完全一致 ?

或许由于 Data 数量的不足可能会导致不能完全一致 . 所以以 Sample 的情报
(X bar, σ) 来推定总体时
• 通常都表现为“某总体的平均值可能会在这个区间内” ,
并且把这个区间称谓置信区间 (C.I. : Confidence Level).
某总体的实际平均值超出置信区间时称它为危险率 ,
通常我们把危险率设定为 (α) = 5%.

假设检验
 什么是假设检验 (Hypothesis Test) ? - 危险率
总体 ( 现实 )
无罪 ( 良品 ) 有罪 ( 不良 )
• 1 - α : 可信度
β 危险要检验的原假设 (Ho)
无罪
消费者危险正确时 , 可以正确判断的
( 良品 )
( 被告者危险 ) 概率
标本
( 判决 ) • 1 - β : 检验力 ( 检出力 )
无罪 α 危险要检验的原假设 (Ho)
有罪
( 不良 ) 生产者危险不正确时 , 得出否决性
( 判者的危险 ) 结论的概率

假设检验
 什么是假设检验 (Hypothesis Test) ?
• 有 2 个总体 (A,B), 现在对各个总体中各取 Sample 并且测量结果得到如下 2 个
置信区间时 , 能不能说两个总体的平均值一样 ?
因为原假设 (Ho) 的概念是始终是设定为一样 , 因此 Ho 是 “两个总体的平均值一样”
Case 1 2 个母体 A,B 的各对推定的平均值

95% 的置信区间如下时 • 2 个母体 (A,B) 的置信区间即 , 用 Sample 的
结果所推定的平均值在 95% 的置信区间内
Overlap 不行不能 Overlap
A →(........*........)
→ 所推定的总体平均值相互不同，因此
B→ (.....*.......) 接受 (Ha) 对立假设
→ 这时接受原假设的可能性的 P-Value 是
μ(A) μ(B) 用 P ＜ 0.05 来表现
160 cm 172 cm测定值
Case 1 2 个母体 A,B 的各个对推定的平均 • 2 个总体 (A,B) 的置信区间即 , 用 Sample 的

值的 95% 的置信区间如下时结果所推定的平均值在 95% 的置信区间上
Overlap 重复 .( 有共同部分 )
A →(.........*.........) → Sample 的平均值看似有一点差异 , 但是不能说
总体的平均值不同所以接受 (Ho) 原假设
B→ (.....*.......)
→ 这时接受原假设的可能性 P-Value 是考虑
μ(A) μ(B) 危险率 α= 5%(0.05) 时 , 不能说两个总体的
170 cm 172 cm 测定值平均值不同并且用 P>0.05 来表现 .

假设检验 Process
1. 问题 Y( 或者 Theme) 的
致命的少数因子
候补 X 因子 Graph 分析 Vital( 重要的 )Few( 少数 )
Trivial Many 假设检验选定改善对象 ( 明确化 )
2. Graph 分析 : Histogram, Plot, Box plot, 散点图 (Scatter Plot)
1. 假设检验
- 把想要知道的内容 ( 现象 , 测定的结果 ) 做假设 , 通过已知 Data 的分析
判断假设成立与否的步骤
- 我们想知道的内容 : 对立 (Alternative) 假设
- 与我们想知道的内容相反的内容 : 原假设 (Null)
2. 假设检验的步骤
a 建立对立假设和原假设
b 选择显著性水平 ( 一般是 5%)
c 选择检验方法
d 计算关于所观测的 Data 的 P 值
e 比较 P 值和显著性水平之后导出结论
3. P-Value
- 认为原假设是正确时 , 所观测到的事件的概率 .

假设检验 Process
 什么时候使用假设检验？
Graph 分析
Define Measure Yes

相关分析
活动范围 CTQ 对 CTQ 的工程能力
Theme 选定 No
选定明确化 Gage R&R 分析
连续型 ?
Analysis Improve Control No Yes

Chi-square
正规性验证 (Y)
Graph 解释实验计划 Test
检验实验管理计划
假设检验 (DOE)
Subgroup≥2
No 相关 / 回归
Yes
1 Sample 分析
T-Test
• 通过计算工程能力指数 , 构筑 Baseline 之后分散同质性验证 (X)
对影响 Y 变动的潜在性候补因子各自实施假设检验从而
确定对 Y 有致命影响的因子 . Subgroup =2
No Yes
• 变更 Process 之后 , 为了检验变更前后从统计性的角度
是否有改变而使用 . ANOVA 2 Sample T
Vital Few 選定

假设检验事例 2 Sample T Test
 对假设检验结果的解释及对策事项？－正规性验证
• 对 CB999 型号想要公用 LG CDT 和三星 (SS) CDT,
因此我们现在要验证两个 CDT 的 Bright Uniformity 有没有差异 .
• Sampling 20 个 CDT, 测量了各自的 B/U
• 顺序是正规性验证 → 分散的同质性验证 → 平均值验证 (2 Sample T)
• 假设检验之前先通过正规性验证来判断 Data 是否满足正态分布
• Minitab Menu : Stat / Basic Statistics / Normality Test
Normal Probability Plot P 值比 0.05 大

SS LG 因此是正态分布
82.1 85.9 .999
.99
76.5 88.5 .95
Normal Probability Plot
57.9 82.3
Probability
.80
90.9 83.3 .50

.999
73.3 83.0 .20
.99
.05
65.0 87.3 .01 .95
78.3 85.0
Probability
.001 .80
68.7 86.5 .50
75.1 82.7 60 70 80 90
.20
SS
81.5 85.3 Average: 74.93 Anderson-Darling Normality Test .05
N: 10 P-Value: 0.925 .01
.001
82 83 84 85 86 87 88
LG
Average: 84.98 Anderson-Darling Normality Test
N: 10 P-Value: 0.612

 对假设验证结果的解释及对策事项是 ? – 分散同质性的验证
• 假设检验之前先验证两种 Data 是不是具有同质性

• Minitab Menu : Stat / ANOVA / Test for equal variance
• 验证分散同质性之前必须把数据堆栈 .
Test for Equal Variances for C3
95% Confidence Intervals for Sigmas Factor Levels
LG
SS
0 10 20 • Data 分布是正态分布 .
F-Test Levene's Test • P 值比 0.05 小

Test Statistic: 0.051 Test Statistic: 7.364 因此两个 Data 分散不是同质的
P-Value : 0.000 P-Value : 0.014
Data 分布是 Data 分布不是

Boxplots of Raw Data
正态分布时使用正态分布时使用
LG
SS
60 70 80 90
C3

 对假设检验结果的解释及对策事项 ?
• 因子数 2 → 使用 2 Sample T Test 做假设检验
• Minitab Menu : Stat / Basic Statistics/ 2 Sample T Test
使用已堆栈的 Data 时
使用没有堆栈的 Data 时
对分散的同质性与否的 check
( 在这里因不是同质的所以
不选择此项目 )

 对假设检验结果的解释及对策事项是？
Boxplots of C3 by C4
90
Two-sample T for C3
80
C4 N Mean StDev SE Mean
C3
70
LG 10 84.98 2.11 0.67
SS 10 74.93 9.39 3.0
60 Difference = mu (LG) - mu (SS)
LG SS Estimate for difference: 10.05
C4
95% CI for difference: (3.16, 16.94)
T-Test of difference = 0 (vs not =):
T-Value = 3.30 P-Value = 0.009 DF = 9
• P 值比 0.05 很小因此 2 种 CDT 的 B/U 有差异

→ 从平均和散布的角度考虑的话 LG CDT 的 B/U 更优秀
• P 值是 Margin 重要
→ 在这里 P 值为 0.009 比 α = 0.05 很小 , 因此可以说 2 种 CDT 的 B/U 水平是完全不同 .
• 重点 : 有差异或是不同它们真正的含义是 ???

 对假设检验的解释及对策事项是？
● 确认 Height 的平均身高是不是 70.( 但是不知道总体的标准偏差 .)
- 原假设 : 平均身高 = 70 - 对立假设 : 平均身高 ≠ 70
Height
Minitab Menu : Stat / Basic Statistics/ 1 Sample T Test
66.00
72.00
73.50
73.00
69.00
73.00
72.00
74.00
72.00
71.00
74.00 Test of mu = 70 vs mu not = 70
72.00 ◎ 平均 :71.175 ◎ 标准偏差 :2.561
70.00 Variable N Mean StDev SE Mean ◎ 平均的标准偏差 :0.573 ◎ 总体平均的 95% 置信区间
:69.976 ~72.374
67.00 Height 20 71.175 2.561 0.573 ◎p-value:5.4%(0.054)
71.00
Variable 95.0% CI T P
▶p-value 比 0.05 大 , 接受原假设 . 即 , 平均身高看作 70
72.00 而且 70 包含在置信区间里面 .
Height (69.976, 72.374) 2.05 0.054
69.00
73.00
74.00
* 注意 : 在 Option greater than, less than, not equal 各自的含义是什么 ?
66.00

假设检验事例 Paired T
 对假设检验的解释及对策事项是？
● 英语分数提高程序运营后 , 比较了程序实施前和实施后的英语分数 , 并且确认提高程序是否实用 .
程序实施前 / 后的分数如下时请判断一下程序是否实用 .( 随意抽样 10 个 )
Minitab Menu : Stat / Basic Statistics/ Paired T

Before after
76 81
60 52
85 87
58 70
91 86
75 77
82 90
64 63
Boxplot of Differences
(with Ho and 95% t-confidence interval for the mean)
79 85
88 83
Paired T-Test and CI: before, after

Paired T for before - after [ _ ]
X Ho
N Mean StDev SE Mean
before 10 75.80 11.64 3.68
-10 0 10
after 10 77.40 12.18 3.85 Differences
Difference 10 -1.60 6.38 2.02
95% CI for mean difference: (-6.16, 2.96)

• Paired T : CI Mean Difference
T-Test of mean difference=0(vs not=0):T-Value=-0.79 P-Value=0.448 • 2 Sample T : CI Difference

假设检验事例 Chi Square Test
 什么时候使用？
• Y Data 为离散型 , 与这个有关的 X Data 也是离散型时使用 .
• Example : 整理了过去 1 年里所发生的 Line 别型号别的不良类型

判断一下 line 别不良类型是否有差异 .
不良类型
线别 A B C D
A 15 21 45 13
B 26 31 34 5
C 33 17 49 20

假设检验事例－离散型 Chi Square Test
Chi-Square Test: A, B, C, D
Expected counts are printed below observed counts
A B C D Total
1 15 21 45 13 94
22.51 20.99 38.94 11.56
2 26 31 34 5 96
22.99 21.44 39.77 11.81
3 33 17 49 20 119
28.50 26.57 49.29 14.63
Total 74 69 128 38 309
Chi-Sq = 2.506 + 0.000 + 0.944 + 0.179 +

0.394 + 4.266 + 0.836 + 3.923 +
0.711 + 3.449 + 0.002 + 1.967 = 19.178
DF = 6, P-Value = 0.004
• line 别不良类型有没有差异 ?
• 有差异时这意味着什么 ?
• 改善的领域和其方向性是 ?

假设检验事例 1-Proportion
DID 事业部为了确认 A 厂家的 Six Sigma 的 PJT 成果 , 调查了 300 个 sample, 结果出现了 15 个不良品 .
A 厂家的交货品质目标不良率为 15% 以下 , 那么现在我们能不能看做他们已经达成目标了 ?
Minitab Menu : stat /Basic Statistics/1-Proportion
Click
▼ 实行结果
Test of p = 0.15 vs p not = 0.15
Sample X N Sample p 95.0% CI P-Value

1 15 300 0.050 (0.028251,0.081127) 0.000

假设检验事例 2-Proportion
ID 事业部为了比较 A,B 两个 line 上发生的不良率 , 收集了 Data. 其结果 A Line 1000 个当中发现有 75 个不良 ,
B Line 1500 个当中发现了 120 个不良 . 能不能说 Line 间不良率有差异 ?
Minitab Menu : stat /Basic Statistics/2-Proportion
Test and CI for Two Proportions

Sample X N Sample p ◎P-value : 0.646(64.6%)
1 75 1000 0.075000
2 120 1500 0.080000 ▶P-value 值大，因此可以认为原假设是对的 .
即 , 可以说 A ,B 两个 line 上所发生的不良率
Estimate for p(1) - p(2): -0.005 没有差异 .
95% CI for p(1) - p(2): (-0.0263305, 0.0163305)
Test for p(1)-p(2)=0(vs not=0): Z=-0.46 P-Value=0.646

Y 和 X 的类型别分析方法
Graph 分析方法
Y 因子的类型
连续型离散型
连续型
?
X 因子的类型
假设检验方法
Boxplots of Hitachi and LG
ÖÆ
ÔìTEAM¹¤³Ì ²»Á¼Í¼ Y 因子的类型
95 70 100
连续型离散型
60 80
离散型
50
Percent
60
Count
40
90 30 40
20
20
10
0 0
t å
ce p ÀúÀ ÷
è on ata ÆíÂ ve
¼³° Sa ers
85 Defect S /W ü°³
C
»óÅ
ÂD ¶Á
¤·®
Da
ta Oth
´ÉÀ µ±â éÁ
±â µ È-¸
连续型
°ú
Count 31 21 9 6 4 1
Hitachi LG Percent 43.1 29.2 12.5 8.3 5.6 1.4
Cum % 43.1 72.2 84.7 93.1 98.6 100.0
相关分析 ?
X 因子的类型
离散型
T Test( 平均 )
ANOVA( 平均 ) Chi Square Test
F Test( 分散 )

Analysis 阶段概要
Analysis 阶段 Project Review Point
 在测定阶段 , 对所选定的潜在性的各个假因子 X 是否做了统计性检验 ?

( 是不是影响 Y 的因子 )
 潜在性的各个假因子 X 对 Y 是不是有意等这些结论是不是很明确？
 已整理了对 Y 有意的致命因子 X, 与下一个阶段的改善计划有什么关系 ?
 进行 Project 时 , 困难事项或需要组织支援的必要的事项是什么 ?

休息 Page : Typical Six Sigma Problems
1. Poor Project Selection

- 选定的问题过大
- 开始时已经知道了答案
2. Short-cutting Activity
- 不要随意省略 DMAIC 各个阶段的一部分
3. Consultant Producing Deliverables

- 并不是由 Consultant(MBB, BB)
制作 Output
4. Statistics Hang-ups
- 我们面临的问题并不是解统计问题而是
把实际问题用统计方法解答
5. Implementation Failure
- 不要隐藏失败过的事例
- 不要编制 Output

8. ANOVA( 分散分析 )

分散分析的概念
分散分析的目的 : 对 2 个以上的总体 , 做客观的比较找出影响问题 Y 的主要因子 .

 分散分析的概念
• 特性值 ( 通常用 Y 表示 ) 的散布用总平方和 (Total SS : Sum of Square) 来表示 .
直接影响特性值的因子 (Factor) 或者水平我们分解为 SS 值 ( 表示为 SSB : Sum of Square Between)
与误差 (SSE : Sum of Square Within) 比较之后找出对问题起主要影响的因子或者水平 .
• 也可以说是判断在各个水平 Y 的特性值 ( 反应值 ) 的平均值是不是一样的步骤 .
→ 找出致命因子 (Vital Few) 的方法 .
 用语的定义
• 特性值 : Project 的改善对象或者问题 Y, 反应值
• 原因 : 所有影响特性值的 .
• 因子 (Factor) : 在很多原因当中可能会对问题 Y 有主要影响的作为实验对象所选定的原因
• 水平 (Level) : 实验所必要的因子条件
• 平方和 (Sum of Square)
在因子的特定水平上 , 把测定值的变化程度作为变动量来计算的值 Σ(Xi -X)2
• 实验的 Balance / Unbalance

- 在所有因子水平组合上，对 Sample 数或者测定值相同与否的名称
- 下例情况下 , X 因子的各水准别各 2 遍 , 因此可以说已 Balance( 平衡 ) 了 .
Y 25 22 81 78
X 40 40 150 150

分散分析的概念
 ANOVA 是比较各个水平平均值的差异 (SSB, 群间变动 ) 引起的变动 ( 平方和 ) 和

在各水平内发生的差异 (SSE, 群内变动 ) 引起的变动 ( 平方和 ) 大小的判定办法 .
群间变动 Average SS between

ANOVA 计算 = =
群内变动 Average SS within
= =
ΣΣ(Xij -X)2 = ΣΣ(Xij -Xi)2 + ΣΣ(Xi -X)2 + 2AB
i j
i j i j
SST = SSE(Error) + SSB(Treatment)

样本误差分散处理分散
( 群内变动 ) ( 群间变动 )
• 比较 2 个以上因子或者水平平均值时使用 (T Test 只能比较 2 个因子或水平 )

• 与 T Test 一样做 ANOVA 之前要检验分散的同质性 .
 ANOVA 的使用
• One Way ANOVA : 一个因子有 2 个以上水平时使用
• Balanced ANOVA : 2 个以上因子时使用
• DOE(Design of Experiment): 有好几个因子时找出在某个因子的某个水平时对整个变动
贡献的大小并且同时进行其他的分析方法从而找出最佳条件 .

分散分析 - 实际适用例题 (One Way ANOVA)
 制造 Team 研讨 3 种 Soldering 材料 .
目前使用的是 A 公司的材料 , 现在要把 B,C 公司的材料追加研讨 .
通过对各个材料的强度分析找出最佳的材料 . A B C
9 18 21
12 15 19
14 14 21
13 17 16
18 15 23
1. 3 种材料的强度水平是
Minitab Menu : Graph / plot ← Display 之前需要堆栈 (Stacking).

2. 检验统计有意差时需要对以下项目进行检讨 .
- 被评价的因子 (Factor) 是 ?
- 特性值 Y 是什么 ?
- 想知道的是什么 ?
- 分析时要使用哪些 Tool ?
- 原假设是什么 ? 对立假设是什么 ?
3. 首先要做正规性检验 .
Minitab Menu : Stat / Basic Statistics / Normality Test
因为 P 值是 0.954,
大于 0.05,
所以上述数据是
满足正态分布 .

4. 检验分散的同质性
Minitab Menu : Stat / ANOVA / Test for Equal Variances
Test for Equal Variances
Response Strength
Factors Factor
ConfLvl 95.0000
Bonferroni confidence intervals for standard deviations
Lower Sigma Upper N Factor Levels
1.76780 3.27109 12.5901 5 1

0.88802 1.64317 6.3244 5 2
1.42985 2.64575 10.1832 5 3
Bartlett's Test (normal distribution)

正态分布情况下使用
Test Statistic: 1.589
P-Value : 0.452
Levene's Test (any continuous distribution)

非正规分布时使用
Test Statistic: 0.358
P-Value : 0.706

5. 做分散分析
Minitab Menu : Stat / ANOVA / One way

5. 结果如下 , 请解释其结果
One-way ANOVA: Strength versus Factor
Analysis of Variance for Strength

Source DF SS MS F P
Factor 2 117.73 58.87 8.66 0.005
Error 12 81.60 6.80
Total 14 199.33
Level N Mean StDev ----------+---------+---------+------
1 5 13.200 3.271 (-------*------)
2 5 15.800 1.643 (------*------)
3 5 20.000 2.646 (------*------)
----------+---------+---------+------
Pooled StDev = 2.608 14.0 17.5 21.0
DF SS MS F
Factor n-1 SSB SSB/(n-I) MSB/MSE
Error n*(m-1) SSE SSE/(n*(m-1))
Total n*m-1 SST
n: 因子数 (Subgroup number)

m: 因子样本数 (Subgroup size)

分散分析 - 实际适用例题 (Two Way ANOVA)
 为了确认事业部 , 班组别的生产量的差异 , 收集的 Data 如下 .
Minitab Menu : Stat / ANOVA / Two-way…
事业部班组生产量
A 1 34
A 1 43
B 1 57
B 1 40
A 2 85
A 2 68
B 2 67
B 2 53
A 3 41
A 3 24
B 3 42
B 3 52

分散分析 - 实际适用例题 (Two Way ANOVA)
 实行结果 :
Analysis of Variance for 生产量

Source DF SS MS F P
班组 2 1919 959 9.25 0.015
事业部 1 21 21 0.21 0.666
Interaction 2 561 281 2.71 0.145
Error 6 622 104
Total 11 3123
Individual 95% CI
班组 Mean --+---------+---------+---------+---------
1 43.5 (-------*-------)
2 68.3 (--------*-------)
3 39.8 (--------*-------)
--+---------+---------+---------+---------
30.0 45.0 60.0 75.0
Individual 95% CI
事业部 Mean ------+---------+---------+---------+-----
A 49.2 (----------------*----------------)
B 51.8 (----------------*----------------)
------+---------+---------+---------+-----
42.0 48.0 54.0 60.0
结论 ?

分散分析 - 实际适用例题 (Balanced ANOVA)
 利用 Balanced ANOVA 做分析 .
Minitab Menu : Stat / ANOVA / Balanced ANOVA…

分散分析 - 实际适用例题 (Balanced ANOVA)
Factor Type Levels Values

 实行结果 :
班组 fixed 3 1 2 3
事业部 fixed 2 A B
Analysis of Variance for 生产量
Source DF SS MS F P
班组 2 1918.5 959.3 9.25 0.015
事业部 1 21.3 21.3 0.21 0.666
班组 * 事业部 2 561.2 280.6 2.71 0.145
Error 6 622.0 103.7
Total 11 3123.0
 确认各个组合的结果 (Click 对话框中的 Results)
Means( 各个组合的平均 )
班组事业部 N 生产量
1 A 2 38.500
1 B 2 48.500
2 A 2 76.500
2 B 2 60.000
3 A 2 32.500
3 B 2 47.000

分散分析 - 实际适用例题 (General Linear ANOVA)
 利用 General Linear Model( 通常简称为 GLM) 做分析 .
Minitab Menu : Stat / ANOVA / General Linear Model…

 实行结果 : Factor Type Levels Values

班组 fixed 3123
事业部 fixed 2AB
Analysis of Variance for 生产量 , using Adjusted SS for Tests
Source DF Seq SS Adj SS Adj MS F P

班组 2 1918.5 1918.5 959.2 9.25 0.015
事业部 1 21.3 21.3 21.3 0.21 0.666
班组 * 事业部 2 561.2 561.2 280.6 2.71 0.145
Error 6 622.0 622.0 103.7
Total 11 3123.0
 确认各个组合的结果 (Click 对话框中的 Results)

Least Squares Means for 生产量
班组 * 事业部 Mean SE Mean

1 A 38.50 7.200
1 B 48.50 7.200
2 A 76.50 7.200
2 B 60.00 7.200
3 A 32.50 7.200
3 B 47.00 7.200

 对效果的 Graph 分析 (Click 对话框中的 Factor Plots)

 实行结果 ( 主效果 Graph)  实行结果 ( 交互作用 Graph)
Interaction Effects Plot-LS Means for 生产量

Main Effects Plot-LS Means for 生产量
1 2 3 A B
80
°à× é
°à × é Ê ÂÒ µ² ¿
3
60
64
2
58
Éú ²ú Á¿
40
1
52
80
46 Ê ÂÒ µ² ¿
B
40 60
1 2 3 A B
40

ANOM(Analysis of Means) – 一元配置
ANOVA 是验证实验结果的各个水平之间的差异反面 ANOM 是比较实验结果总平均和各个

水平之间的平均 .
One-way ANOM for DATA by level
DATA level
14 1 25
13 1
12 1
16 2 20
20.6300
19 2
Mean
18.25
16 2
23 3 15.8700
24 3 15
27 3
19 4 1 2 3 4
19 4 Levels of level
17 4
Analysis of Means
Summary Table
Contents: number of nonmissing data
cell mean
cell standard deviation
Rows: level
DATA DATA DATA
N Mean StDev
1 3 13.000 1.000
2 3 17.000 1.732
3 3 24.667 2.082
4 3 18.333 1.155
All 12 18.250 4.575

ANOM(Analysis of Means) – 二元配置
ANOVA 是验证实验结果的各个水平之间的差异反面 ANOM 是比较实验结果总平均和各个

水平之间的平均 .
Analysis of Means
Summary Table
A B Y Contents: number of nonmissing data
1 1 -5 cell mean
1 1 -8 cell standard deviation
1 2 6
1 2 4 Rows: A Columns: B
1 3 8
1 3 10 1 2 3 All
2 1 -8
2 1 -5
1 2 2 2 6
2 2 -4
2 2 -6 -6.5000 5.0000 9.0000 2.5000
2 3 - 10 2.1213 1.4142 1.4142 7.3144
2 3 - 12
3 1 - 10 2 2 2 2 6
3 1 -8 -6.5000 -5.0000 -11.0000 -7.5000
3 2 2 2.1213 1.4142 1.4142 3.0822
3 2 4
3 3 10 3 2 2 2 6
3 3 5 -9.0000 3.0000 7.5000 0.5000
1.4142 1.4142 3.5355 7.8422
All 6 6 6 18
-7.3333 1.0000 1.8333 -1.5000
1.9664 4.8580 10.1275 7.5088
Cell Contents --
Y:N
Mean
StDev

ANOM(Analysis of Means) – 二元配置
Two-way ANOM for Y by A, B

Interaction Effects
5 4.47032
Effect
0 0
-5 -4.47032
B 1 2 3 1 2 3 1 2 3
A 1 2 3
Main Effects A B
Level Value Level Value
1 1 1 1
0 0.29809 2 2 2 2
Mean
-1.5 3 3 3 3
-3.29809
-4
-8
A 1 2 3
0 0.29809
Mean
-1.5
-3.29809
-4
-8
B 1 2 3

母平均的可信区间
DATA level
14 1
13 1
12 1 25
16 2
19 2
16 2
23 3
20
DATA
24 3
27 3
19 4
19 4
17 4 15
1 2 3 4
level

分散分析总结 : 多元配置 ( 制作分散分析表格 )
Y A B C
74 1 1 1
72 1 1 1
86 1 1 2
84 1 1 2
76 1 1 3
78 1 1 3
72 1 2 1
70 1 2 1
91 1 2 2
89 1 2 2
87 1 2 3
85 1 2 3
48 1 3 1
46 1 3 1
65 1 3 2
63 1 3 2
56 1 3 3
54 1 3 3
61 2 1 1
63 2 1 1
78 2 1 2
76 2 1 2
71 2 1 3
69 2 1 3
62 2 2 1
60 2 2 1
81 2 2 2
79 2 2 2
77 2 2 3
75 2 2 3
55 2 3 1
53 2 3 1
72 2 3 2
70 2 3 2
63 2 3 3
61 2 3 3
50 3 1 1
52 3 1 1
70 3 1 2
72 3 1 2
60 3 1 3
62 3 1 3
49 3 2 1
51 3 2 1
68 3 2 2
66 3 2 2
64 3 2 3
62 3 2 3
52 3 3 1
50 3 3 1
69 3 3 2
67 3 3 2
60 3 3 3
62 3 3 3

分散分析总结 : 多元配置 ( 制作分散分析表格 )
General Linear Model: Y versus A, B, C

Factor Type Levels Values
A fixed 3 1 2 3
B fixed 3 1 2 3
C fixed 3 1 2 3
Analysis of Variance for Y, using Adjusted SS for Tests
A 2 1270.37 1270.37 635.19 246.61 0.000
B 2 1588.59 1588.59 794.30 308.39 0.000
C 2 2632.15 2632.15 1316.07 510.97 0.000
A*B 4 1285.19 1285.19 321.30 124.74 0.000
B*C 4 87.41 87.41 21.85 8.48 0.000
A*C 4 8.30 8.30 2.07 0.81 0.530
Error 35 90.15 90.15 2.58
Total 53 6962.15
Unusual Observations for Y

Obs Y Fit SE Fit Residual St Resid
1 74.0000 71.3704 0.9520 2.6296 2.04R
37 50.0000 52.7037 0.9520 -2.7037 -2.09R
40 72.0000 69.3704 0.9520 2.6296 2.04R

分散分析总结 : 多元配置 ( 验证残差 )
Histogram of the Residuals Normal Probability Plot of the Residuals

(response is Y) (response is Y)
9 2
7 1
Normal Score
6
Frequency
5
0
4
3
-1
2
1
-2
0
-2.5 -2.0 -1.5 -1.0 -0.5 -0.0 0.5 1.0 1.5 2.0 2.5 -3 -2 -1 0 1 2 3
Residual Residual

分散分析总结 : 多元配置 ( 主效果 )
Main Effects Plot - LS Means for Y
A B C
74
70
66
Y
62
58
1 2 3 1 2 3 1 2 3

分散分析总结 : 多元配置 ( 交互作用 )
Interaction Plot - LS Means for Y

1 2 3 1 2 3
80
A
3
65
2
1 50
80
B
3
65
2
1 50

分散分析总结 : 多元配置 ( 检讨等分散性 )
Test for Equal Variances
Response Y
Factors A B C
ConfLvl 95.0000
Bonferroni confidence intervals for standard deviations
Lower Sigma Upper N Factor Levels
0.426982 1.41421 1218.65 2 1 1 1
0.426982 1.41421 1218.65 2 1 1 2
0.426982 1.41421 1218.65 2 1 1 3 Test for Equal Variances for Y
0.426982 1.41421 1218.65 2 1 2 1 95% Confidence Intervals for Sigmas Factor Levels
0.426982 1.41421 1218.65 2 1 2 2
0.426982 1.41421 1218.65 2 1 2 3
0.426982 1.41421 1218.65 2 1 3 1 1 1 1 Bartlett's Test
1 1 2
0.426982 1.41421 1218.65 2 1 3 2 1 1 3
1 2 1
0.426982 1.41421 1218.65 2 1 3 3 1 2 2 Test Statistic: -0.000
1 2 3
0.426982 1.41421 1218.65 2 2 1 1 1 3 1 P-Value : 1.000
1 3 2
0.426982 1.41421 1218.65 2 2 1 2 1 3 3
2 1 1
0.426982 1.41421 1218.65 2 2 1 3 2 1 2
2 1 3
0.426982 1.41421 1218.65 2 2 2 1 2 2 1
2 2 2
0.426982 1.41421 1218.65 2 2 2 2 2 2 3
2 3 1
0.426982 1.41421 1218.65 2 2 2 3 2 3 2
0.426982 1.41421 1218.65 2 2 3 1 2
3
3
1
3
1
0.426982 1.41421 1218.65 2 2 3 2 3
3
1
1
2
3
0.426982 1.41421 1218.65 2 2 3 3 3
3
2
2
1
2
0.426982 1.41421 1218.65 2 3 1 1 3
3
2
3
3
1
0.426982 1.41421 1218.65 2 3 1 2 3
3
3
3
2
3
0.426982 1.41421 1218.65 2 3 1 3
0.426982 1.41421 1218.65 2 3 2 1
0 500 1000
0.426982 1.41421 1218.65 2 3 2 2
0.426982 1.41421 1218.65 2 3 2 3
0.426982 1.41421 1218.65 2 3 3 1
0.426982 1.41421 1218.65 2 3 3 2
0.426982 1.41421 1218.65 2 3 3 3
Bartlett's Test (normal distribution)
Test Statistic: -0.000
P-Value : 1.000
** Note ** Cannot calculate Levene's statistic with these data

9. 回归分析

什么是回归分析
1. 什么是回归分析
• 改善问题时有很多情况是需要掌握相关变量之间的相互关联性 .
( 有 / 无相互关联性可能会成为解决问题的 Point)
• 这种关联性用数学方程式来表示并且分析它的关联性时我们称它为回归分析 .
问题 Y( 从属变量 ) 与因子 X( 独立变量 ) 之间的关系用下面的数学方程式来表示 .
• Y = a + bχ + error where, a = constant , b = slope
2. 回归方程式的种类
• 一元线性回归分析 : Y 因子和 X 因子各 1 个的情况
• 多元线性回归分析 : 有 2 个以上 X 的情况
• 曲线回归分析 : 由独立变量 (X)1 个 , 从属变量 (Y)1 个构成的 2 次以上的高次函数
3. Data 收集是 ?
• 为了推定变动最小时的倾斜度 , 取 X 因子的最低界限值到最高界限值为止的
广范围的 Data.
• 为了减少收集数据时因时间经过而可能会产生的潜在变量要随机地确定 X 因子的水平之后再做实验 .

回归分析例题 - 一元线性回归分析
Regression Analysis: Y versus X
The regression equation is

Y = 4.71 + 1.48 X
Predictor Coef SE Coef T P

Constant 4.712 3.242 1.45 0.184
X 1.48018 0.06408 23.10 0.000
S = 4.270 R-Sq = 98.5% R-Sq(adj) = 98.3%
Source DF SS MS F P
Regression 1 9727.7 9727.7 533.55 0.000
Residual Error 8 145.9 18.2
Total 9 9873.6
• Fits 利用推定的回归方程式来推定 Y 值 . Y = 4.71 + 1.48X
• Residual( 残差 ) 的 Error 表示
实际反应值减去预想的反应值时所得出来的值 .
上面例题是 C3 = C2 - C4
• Minitab Menu: Stat / Regression / Regression

3. 分析残差 (Residual) – 正规性检验
Minitab Menu : Stat / Regression /Regression
Histogram of the Residuals

(response is Y)
Frequency
1
-6 -4 -2 0 2 4 6
Residual Normal Probability Plot of the Residuals

(response is Y)
Normal Score
0
-1
Normal Probability Plot

-5 0 5
Residual
.999
.99
.95
.80
Probability
.50
.20
1) 残差的平均应始终为 ‘ 0’ .05
.01
2) 残差应该呈正态分布 .001
3) 残差要 Random 分布 -5 0
RESI1
5
( 不能有任何倾向性 ) Average: 0
StDev: 4.02569
N: 10
A-Squared: 0.414
P-Value: 0.269

4. 分析残差 (Residual) - 散点图
Minitab Menu : Stat / Regression / Regression
Residuals Versus the Fitted Values

(response is Y)
Residual
0
-5
20 70 120
Fitted Value
• 残差的值上 / 下的平均值为 ‘ 0’, Data 是 Random 分布的

因此残差是呈正规性 .

5. 最后画回归线
Minitab Menu : Stat / Regression / Fitted Line Plot
• CI: 平均值的预测区间
• PI: 个别观察值的预测区间
Regression Plot
Y = 4.71171 + 1.48018 X
S = 4.26989 R-Sq = 98.5 % R-Sq(adj) = 98.3 %
140
120
100
80
Y
60
40
Regression
20
95% CI
95% PI
0
10 20 30 40 50 60 70 80
• 得出结论 Lot 的大小是影响生产能力 (Y) 的因子

• 因 R-Sq = 98.5 %, 可以认为做了相当的贡献
( 通常推荐 (Recommend) 的是 R-Sq 的值为 65 % 以上 )

回归分析例题 - 多元线性回归分析（ 1 ）
 就二个以上独立变量的回归分析
虽然独立变量很多 , 但是求方程式的基本原理是相同 . 即 , 找出函数式和实际值的差异
. 用 minitab
求函数式时 , 选择你要分析的所有独立变量之后可以得出函数式和其分析结果 .
Minitab Menu : Stat / Regression / Regression…
序号 x1 x2 y
1 4 4 9
2 8 10 20
3 9 8 22
4 8 5 15
5 8 10 17
6 12 15 30
7 6 8 18
8 10 13 25
9 6 5 10
10 9 12 20
9 11
X1 为 9, X2 为 11 时
推定 Y 值 .

回归分析例题 - 多元线性回归分析 (1)
 实行结果

y = - 0.65 + 1.55 x1 + 0.760 x2
Predictor Coef SE Coef T P

Constant -0.651 2.908 -0.22 0.829
x1 1.5515 0.6462 2.40 0.047
x2 0.7599 0.3968 1.91 0.097
S = 2.278 R-Sq = 90.1% R-Sq(adj) = 87.3%  我们要找的函数式是？

 对各个系数的假设验证结果是？
Source DF SS MS F P
☞ ANOVA 分析结果 , 对已知
Regression 2 332.07 166.04 32.00 0.000
方程式的假设验证结果是？
Total 9 368.40
Source DF Seq SS
x1 1 313.04
x2 1 19.03
Predicted Values for New Observations
New Obs Fit SE Fit 95.0% CI 95.0% PI

1 21.671 0.831 ( 19.706, 23.637) ( 15.934, 27.409)

回归分析例题 - 方程式
 有几个独立变量时找出最佳方程式
有几个独立变量时有的是与从属变量有相关关系 , 有的是与从属变量没有相关关系 .
当选择的独立变量不同时我们可以做出好多方程式 . 其中我们利用又简单又具有很高可信度的方程式时
很容易结合在实际业务中 .
利用以下已知的 data 找出最理想方程式 .( 假设它是线形关系 )
Minitab Menu : Stat / Regression / Stepwise…
序号 x1 x2 x3 x4 y
1 7 26 6 60 78. 5
2 1 29 15 52 74. 3
3 11 56 8 20 104. 3
4 11 31 8 47 87. 6
5 7 52 6 33 95. 9
6 11 55 9 22 109. 2
7 3 71 17 6 102. 7
8 1 31 22 44 72. 5
9 2 54 18 22 93. 1
10 21 47 4 26 115. 9
11 1 40 23 34 83. 8
12 11 66 9 12 113. 3
13 10 68 8 12 109. 4

回归分析例题 - 方程式
 实行结果
Stepwise
StepwiseRegression:
Regression:yyversus versusx1,
x1,x2,x2,x3,
x3,x4
x4
Alpha-to-Enter: 0.15 Alpha-to-Remove: 0.15
Alpha-to-Enter:
Response 0.15 Alpha-to-Remove: 0.15
Response is y on 4 predictors, with N== 13
is y on 4 predictors, with N 13
Step 1 2 3 4 找最佳方程式的方法
Step
Constant 1
117.57 2
103.10 3
71.65 4
52.58
Constant 117.57 103.10 71.65 52.58
x4 -0.738 -0.614 -0.237 从分析结果中我们利用 S,R-Sq,
x4 -0.738 -0.614 -0.237
T-Value
T-Value -4.77
-4.77 -12.62
-12.62 -1.37
-1.37 R-Sq(adi),C-p 值找出最佳方程式 .
P-Value 0.001 0.000 0.205 ☞S 是方程式具有的标准偏差 ,S 值
P-Value 0.001 0.000 0.205
x1
x1 1.44
1.44 1.45
1.45 1.47
1.47
越小方程式越理想 .
T-Value 10.40 12.41 12.10 ☞ R-Sq 和 R-Sq(adi) 是决定系数 ,
T-Value
P-Value 10.40
0.000 12.41
0.000 12.10
0.000
P-Value 0.000 0.000 0.000 其值越大方程式越好 .
x2 0.416 0.662 ☞选择的独立变量数量 +1 的值和 C-p 的
x2
T-Value 0.416
2.24 0.662
14.44
T-Value
P-Value 2.24
0.052 14.44
0.000 值越接近时其方程式比较好 .
P-Value 0.052 0.000
SS 8.96 2.73 2.31 2.41
R-Sq 8.96
67.45 2.73
97.25 2.31
98.23 2.41
97.87
R-Sq
R-Sq(adj) 67.45
64.50 97.25
96.70 98.23
97.64 97.87
97.44
R-Sq(adj) 138.7
C-p 64.50 96.70
5.5 97.64
3.0 97.44
2.7
C-p 138.7 5.5 3.0 2.7
选择最佳函数式：
1) 只想要选择一个独立变量时 , 从分析结果知道可以选择 X4. 但是考虑 S 值或者决定系数时并非很好的方程式 ;
2) 想要选择二个独立变量时 , 可以选择 X4,X1 或者 X1,X2. 比较两个方程式时决定系数或者 S 值没有多大的差别但是 C-p 值差异
很大 . 因为独立变量有 2 个所以要选择 C-p 值越接近的方程式的话最好要选择 X1,X2;
3) 想要选择三个独立变量时可以选择 X4,X1,X2;
4) 总体上看 , 选二个独立变量与选三个独立变量时没有多大差异 . 因此选择 X1,X2 时其方程式是最理想 ;
5) 故最终选择的函数式如下 :
Y=52.58+1.47*X1+0.662*X2

回归分析例题 - 比较方程式
 比较可能性较高的方程式的几种组合时 ..
Minitab Menu : Stat / Regression / Best Subset
Best Subsets Regression: y versus x1, x2, x3, x4

Response is y xxxx
Vars R-Sq R-Sq(adj) C-p S 1234 • 从前面的解释中可以看到 , 独立变量从一个增加到
1 67.5 64.5 138.7 8.9639 X 两个时决定系数值猛增但是从 3 个开始无法看比较大的
1 66.6 63.6 142.5 9.0771 X 差距 . 所以最好的选择是 X1 和 X2.
2 97.9 97.4 2.7 2.4063 X X
• 从属变量 Y 和独立变量 X1,X2 之间的关系是 :
2 97.2 96.7 5.5 2.7343 X X Y=52.6=1.47X1+0.662X2
3 98.2 97.6 3.0 2.3087 X X X
3 98.2 97.6 3.0 2.3121 X X X
4 98.2 97.4 5.0 2.4460 X X X X

回归分析综合问题
可能会对 Y 有影响的假因子是 A,B 两个 . 通过回归分析想了解假因子和 Y 之间的关系 .

测量 Data 如下 :
Menu : stat / regression / regression
A B Y
1) 推定的回归方程式和这时 R-Sq 的值是有多少 ? 10 35 59
15 25 96
17 25 123
A,B 两个全选时 : 27 16 193
只选择 A 时 : 33 39 220
只选择 B 时 : 40 49 264
44 39 288
49 40 325
56 52 368
2) 假因子 A 和 B 中您认为哪个是致命因子 ? 67 44 425
理由是什么 ? 请解释 .
3) A 和 B 中选择的致命因子的大小为 35 时变量 Y 平均值的 95% 的

置信区间是多少 ?
( 注意 : Minitab menu 中选择 predictor 时必须要选择致命因子 .
不可选择非致命因子 )
• 利用回归方程式来推定 Y 值时不可以在实际测量区间外估计 Y 值的理由是什么 ?

10. 实验计划法 (DOE)
改善的过程
 在改善阶段 , 从分析阶段得到的 Xs 中选定少数致命因子 , 对所选定的因子要

有计划的进行实验 , 根据实验的结果找少数致命因子的最佳水平 .
Critical  实验计划法 (DOE) 的目的

Xs
• 通过按照周密计划进行实验
1. 掌握哪个要因对 Y 有有意的影响并且
了解其影响的程度有多大 .
完全 / 部分
配置法验证实验 → 验证和推定的问题
不需要时
Vital Few Control
Vital Few Combination 2. 掌握引起微小影响的要因在所有影响
当中占多少比重 , 测定误差有多少
验证实验 → 推定误差项的问题
需要时反应表面实验
Vital Few 3. 掌握有有意影响的原因在什么条件时
Optimization
可以得到最佳的反应
→ 最佳反应条件的问题
→ 按照结果设定作业标准或者提供关于
 实验计划法 (DOE) 的背景原料 , 装备 , 测定方法等选择基准
• 通常影响 Y 的 X 有无数个 , 根据实验条件不同实验结果随之有变化 ,

因此用经验 , 理论的方式几乎无法知道造成 Y 的 X 。

实验计划 (DOE)
 什么是实验计划法 (DOE) ?  什么时候使用实验计划 (DOE)?

为了对已知的事实做个验证或确认
- 随 DMAIC Process 的情况
对未知的事实做的假设对推定为
Define Measure
原因的因子条件树立实验计划 ,
实施 , 分析最终找出最佳条件 .
活动范围 CTQ 对 CTQ 的工程能力
Theme 选定
选定明确化 Gage R&R 分析
Prism(DOE)
( 实验计划 ) Analysis Improve Control

True State
of Nature Graph 解释实验计划
Noise
( 进行实验 ) 检证实验管理计划
假设检验 (DOE)
Available
Available
New
NewData
Data Data
Data
( 分析 )
推论 &&检证
推论检证
Process • 在分析阶段推定为对问题 Y 有影响的
Optimization !!!
候补因子
N
- 为了掌握对 Y 的影响最大的原因因子
有哪些而使用
※ Trial & Error 方法 - 为了掌握原因因子对 Y 的影响效果
→ 通常问题的原因有很多有多少而使用
→ 对推定因子不能同时检讨 - 为了掌握影响 Process 的因子的最佳条件而使用
→ 有很多情况是同一类型的问题再次发生

实验计划 (DOE)
 实验计划 (DOE) Process  实验计划 (DOE) 的基本原理 :
要构筑实验程度好、分析容易的实验计划的话 ,,,
实验目的的
设定
1. Principle of Randomization( 随机性 )

因子和实验配置 ,
特性值的
因子水平的实验顺序的消除选定的因子以外其他因子影响实验结果的方案 .
选择
选择 Random 化 ( 把实验中发生的所有 Error 均匀分配在所有实验中 )
• 1 或者 2 以上 • 从属因子 / 变量因子 • Block 的组成
• 选择水平的选择 • 实验顺序的 2. Principle of Replication( 反复性 )
- 兴趣领域时间性 / 空间性
- 现使用水平 , Randomization 1) 实验本身的可靠性验证
预想最佳水平
+α
2) 为了查出因子之间的交互作用而做反复实验
- 一般为 2~5 水平
3. Principle of Blocking
分析结果
实验时每次的实验我们不可能在同样的环境下做实验 . 我
Data 分析实验的实施们把
解释 , 对策
实验的环境分成几个 Block 之后在每个 Block 做随机性实
• 在已知的条件之内 • Graph 化 •按照计划的验的
导出结论 • 实验时的管理状态实验实施
• 确认实验与否的决定与否及误差的原理 . （试验的环境平均，防止异常数据产生）
• 确认实验的等分散性研讨
再现性的确保 • 对 missing
value 的事前 4. Principle of Confounding （交落性）
对策
把没必要计算的 2 因子交互作用或者高次的交互作用与
• 因子 (factor) : 影响 data 散布的无数个原因当中直接与
Block
实验有关的原因
• 水平 (level) : 为了实验而选定的因子的条件交叉的方法 , 把没必要计算的要因与 Block 的效果相交叉
• fixed factor : 技术性指定的因子从而
( 温度 , 压力 , 强度等 ) 变量因子提高实验的效率 .
• Block : 把实验分为时间性 , 空间性 , 在其内部能够
造成均匀的实验环境
5. Principle of Orthogonality( 直交性 )
直交排列法 (Orthogonal Array Table) 利用
179/293把交互作用中与技术性无关的效果与主效果相交叉 LGENT/Six Sigma
, Part
实验计划 (DOE)- 完全配置法例题 (23 实验 )
 对实验计划 (DOE) 结果的解释及对策事项是

?
• 对 Monitor 的 C/A + B/C 的 Gap 有影响的不良要因 , 在分析阶段
通过假设检验找出出实验的候补因子
• 对 3 因子各个 2 水平进行 23 实验
• 实验 Process
分析
实验计划实验实施验证实验
主效果交互作用 Cube Plot
1. 实验计划 : Factorial Design

Minitab Menu : Stat / DOE / Factorial /Create Factorial Design
Height width resin gap

20 320 1 0.28
因子 (-) 水平 (+) 水平 25 320 1 0.21
20 330 1 0.27
Latch height 20 25 Data
输入 25 330 1 0.51
Latch width 320 330 20 320 2 0.42
Resin ABS PC+ABS 25 320 2 0.22
20 330 2 0.41
25 330 2 0.49

对实验计划 (DOE) 结果的解释及对策事项是 ?
实验总次数
反复实验次数
2 水平实验
3 水平实验
因子数量
Minitab Menu 构成完成之后实际做实验时必须 Click

再输入实验结果

2. 分析
•Minitab Menu : Stat / DOE / Factorial/Analyze Factorial Design…
3 因子以上的交互作用
confounding

2. 分析
Fractional Factorial Fit: gap versus height, width, resin
Estimated Effects and Coefficients for gap (coded units)

Term Effect Coef SE Coef T P
Constant 0.35125 0.003750 93.67 0.007
height 0.01250 0.00625 0.003750 1.67 0.344
width 0.13750 0.06875 0.003750 18.33 0.035

resin 0.06750 0.03375 0.003750 9.00 0.070
height*width 0.14750 0.07375 0.003750 19.67 0.032
height*resin -0.07250 -0.03625 0.003750 -9.67 0.066
width*resin -0.00750 -0.00375 0.003750 -1.00 0.500
Analysis of Variance for gap (coded units)
Main Effects 3 0.047237 0.0472375 0.0157458 139.96 0.062
2-Way Interactions 3 0.054138 0.0541375 0.0180458 160.41 0.058
Residual Error 1 0.000113 0.0001125 0.0001125
Total 7 0.101487

 对实验计划 (DOE) 结果解释及对策事项是 ?
3. 最终结果 : 主效果 (Main Effects Plot)
•Minitab Menu : Stat / DOE / Factorial/Factorial Plot
Main Effects Plot (data means) for gap
0 0
20 25 32 33 1 2
0.42
0.39
0.36
gap
0.33
0.30
height width resin

实验计划 (DOE)- 完全配置法 (23 实验 )
 对实验计划 (DOE) 结果解释及对策事项是 ?

3. 最终结果 : 交互作用 (Interaction Plot) , 两个以上的因子相互组合影响 Y
Interaction Plot (data means) for data

-1 1 -1 1
0.5
height
0.4
1
0.3
-1
0.5
width
0.4
1
0.3
-1
resin

实验计划 (DOE)- 完全配置法 (23 实验 )
 对实验计划 (DOE) 结果的解释及对策事项是 ?

3. 最终结果 : Cube Plot , 综合性的显示实验结果的 Graph
0.41 0.49
0.27 0.51
1
width 0.42 0.22

1
resin
0.28 0.21
-1 -1
-1 1
height

 对实验计划 (DOE) 结果的解释及对策事项是 ?
4. 验证实验 (Confirmation Plot)

利用 Cube Plot 中选定的最佳条件变更 Process 条件时确认 Y 值是否有了改善 .
改善前 ( 例 ) 改善后 ( 例 )
Process Capability Analysis for before Process Capability Analysis for after
USL USL
Process Data Process Data
USL 0.300 ST USL 0.3 ST
Target * LT Target * LT
LSL * LSL *
Mean 0.328 Mean 0.2
Sam ple N 10 Sample N 10
StDev (ST) 0.0481739 StDev (ST) 0.0265457
StDev (LT) 0.0481739 StDev (LT) 0.0265457
Potential (ST) Capability Potential (ST) Capability

Cp * Cp *
CPU -0.19 CPU 1.26
CPL * CPL *
Cpk -0.19 Cpk 1.26
Cpm * Cpm *
0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.10 0.15 0.20 0.25 0.30
Overall (LT) Capability Observed Performance Expected ST Performance Expected LT Performance Overall (LT) Capability Observed Performance Expected ST Performance Expected LT Performance
Pp * PPM < LSL * PPM < LSL * PPM < LSL * Pp * PPM < LSL * PPM < LSL * PPM < LSL *
PPU -0.19 PPM > USL 600000.00 PPM > USL 719456.61 PPM > USL 719456.61 PPU 1.26 PPM > USL 0.00 PPM > USL 82.58 PPM > USL 82.58
PPL * PPM Total 600000.00 PPM Total 719456.61 PPM Total 719456.61 PPL * PPM Total 0.00 PPM Total 82.58 PPM Total 82.58
Ppk -0.19 Ppk 1.26

实验计划 (DOE)- 包含中心点的完全配置
例题 : 因子 A(170,190), 因子 B(2.4), Y( 望大特性 ), 没有反复 , 在中心点做 2 次实验 .

Pareto Chart of the Standardized Effects

(response is Y, Alpha = .10)
A: A
B: B
AB
Normal Probability Plot of the Standardized Effects
0 1 2 3 4 5
A: A
B: B
0.5
Normal Score
0.0
-0.5
-2 -1 0 1 2 3 4 5
Standardized Effect

Main Effects Plot (data means) for Y
Centerpoint
0 0
17 19 2 4
95
90
85
Y
80
75
A B
Interaction Plot (data means) for Y
A
94 170
190
Centerpoint
Mean
84
74
2 4
B

95
85
Y
75 4
170
3
B
180 2
A 190

实验计划 (DOE)- 部分配置法
 什么是部分配置法 ?
• 在实验实施时随着因子数的增加 , 实验的次数会以几何级数形式递增 . 24 = 16, 25 = 32, 26 = 64 ,,,,
• 实验次数增加的话
- 在现实中无论是时间方面 , 还是 Load, Cost 方面都会碰到困难
- 会出现未料到的潜在变量 , 会降低实验的精度
• 通常 3 次以上的交互作用对反应值 Y 有重要影响的情况几乎不存在的
• 牺牲 3 次以上的交互作用的前提下 , 根据一定的 Rule 来减少实验次数的方法
• 部分配置法
- 为了找出致命的少数因子而 Screening 时 & 考虑经济方面做完全配置较有困难时使用
配注塑件的工程上共选定了 5 个潜在的因子 . 为了找出在什么因子的什么条件下可以得到最佳值 ,

利用 25-1 部分配置进行了实验 .
注塑件强度
Factor Low High
流量 (A) 10 15
催化剂 (B) 1 2
回转数 (C) 100 120
温度 (D) 140 180
浓度 (E) 3 6

2. 实验设计
Minitab Menu : Stat/ DOE / Factorial / Create Factorial Design
Not Acceptable
Acceptable
Best

实验计划 (DOE)- 部分配置法 : 关于分辨率的说明
分辨率 (Resolution) : 主效果及交互作用效果之间发生的 Alias 和混合
分辨率 Ⅲ
- 主效果和 2 因子交互作用是相混合 (1+2=3), 2 因子交互作用是有可能相混合
分辨率 Ⅳ
- 主效果和 3 因子交互作用是相混合 (1+3=4), 2 因子交互作用是相混合 (2+2=4)
分辨率 Ⅴ
- 主效果和 4 因子交互作用是相混合 (1+4=5), 2 因子交互作用是与 3 因子交互作用相混合 (2+3=5)

2. 实验设计之后输入测量值 3. 主效果 / 交互作用 / Cube Plot 分析

Minitab Menu : Stat/ DOE /
Factorial Design/ Factorial Plot

3. 主效果分析 & 交互作用分析

Main Effects Plot (data means) for Y
0 0 0 0
10 15 1 2 10 12 14 18 3 6
75
70
65
Y
60
Interaction Plot (data means) for Y
55 1 2 100 120 140 180 3 6
90
A B C D E
A
15 70
10
50
90
B
2 70
1
50
90
C
120 70
100
50
90
D
180 70
140
50
E

4. Cube Plot 分析
Cube Plot (data means) for Y
67 82
65 78
55 49
56 45
6
3 61 95
63 93
2
B 53 60
120
53 C 69
1 100
10 15
A
140 D 180

8. 把各因子的效果用 Pareto Chart 画出来

Minitab Menu : Stat/ DOE / Factorial / Analyze Factorial Design
Pareto Chart of the Effects

A: A
B B: B
D C: C
D: D
BD E: E
DE
E
CE
A
BC
AB
BE
AE
AD
AC
CD
C
0 10 20

※ 对部分配置法的补充内容
✸ 对选定的最佳条件 , 必须做验证实验
✸ 第一次实验的结果不明确的话可以在另半边做实验
✸ 为了更详细地调查认为重要的因子 , 可以增加 / 变更因子的水平 .
✸ 离散型 Data 只可以用 2 水平实验 , 连续型都可以使用

11. 反应表面实验

Response Surface Design
1. 中心合成法 (Central Composite)
Axial Point
※ 通过反应表面实验 Cube Point

能得到的是？
1. 利用 Data 来推断 Ys 和 Xs 的函数关系 , Center Point

根据函数关系可以知道 Xs 变化时
Ys 值的变化情况 .
2. 可以知道反应值最优化时对应的
Xs 值的大小 . 2. Box-Behnken
(3 个因子的情况 )
3. 可以知道以最少的实验次数得到最高
精度的实验计划法是什么 ,
通过 Data 的分析可以查明所推定的
合理的反应表面的统计性性质 . • 因子数相同时实验次数比中心合成法少 .
• 在顶点做实验时在费用方面或者因其它原因有困难时 .
• 在部分配置不可使用 .
• 所关注的是顶点时不可使用 .

中心合成法
(Central Composite)

问题的定义 , 推出假因子
• 张飞想开泡菜汤馆 .
为了做出最棒的泡菜汤 , 想要调查顾客对泡菜汤的满意度 .
• 各实验条件别 , 把泡菜汤的满足度做定量化 .
各个条件别各 5 名做 Test
满足度按个人别以 100 分为满分的标准来评价 , 根据 5 名评价的满足度分数的平均 ,
设定最佳的泡菜汤条件 .
• 实验方法 : 反应表面实验 (Central-Composite)
• 选定假因子
- 选 10 名做泡菜汤有一手的大婶 , 找出假因子 , Discussion 的结果
最终选定了 3 个假因子 , 并且因子别选定了实验水平 .
• 假因子别各个水平
- 泡菜完成时间 : 10 日 , 20 日
- 煮泡菜汤时间 : 15 分钟 , 20 分钟
- 煮泡菜汤温度 : 5 度 , 8 度

利用 Minitab 树立实验计划
• Minitab Menu : Stat / DOE / Response Surface / Create Response Surface Design
• Type of Design
- Central Composite
( 考虑 Cube plot 外部 , 设定最佳条件时 )
- Box Behnken
( 在 Cube plot 内部 , 设定最佳条件时 )

实验计划结果及实验结果输入
泡菜
完成日实验结果
StdOrder RunOrder Blocks A B C Y
1 1 1 10.0000 15.0000 5.00000 49.7
2 2 1 20.0000 15.0000 5.00000 87.5
3 3 1 10.0000 20.0000 5.00000 48.9 Cube
4 4 1 20.0000 20.0000 5.00000 85.6 Point
5 5 1 10.0000 15.0000 8.00000 50.4
6 6 1 20.0000 15.0000 8.00000 85.7
7 7 1 10.0000 20.0000 8.00000 57.9
8 8 1 20.0000 20.0000 8.00000 83.8
9 9 1 6.5910 17.5000 6.50000 24.3
10 10 1 23.4090 17.5000 6.50000 82.0
11 11 1 15.0000 13.2955 6.50000 76.8 Axial or Star
12 12 1 15.0000 21.7045 6.50000 72.8 Point
13 13 1 15.0000 17.5000 3.97731 75.2
14 14 1 15.0000 17.5000 9.02269 74.9
15 15 1 15.0000 17.5000 6.50000 71.5
16 16 1 15.0000 17.5000 6.50000 76.8
17 17 1 15.0000 17.5000 6.50000 75.4 Center
18 18 1 15.0000 17.5000 6.50000 76.8 Point
19 19 1 15.0000 17.5000 6.50000 69.8
20 20 1 15.0000 17.5000 6.50000 75.3
可以修正为实际可以测量的值 ( 例 :6.591 → 6.6)

致命因子 (Vital Few) 选定
• Minitab Menu : Stat / DOE / Response Surface / Analyze Response Surface Design

选定致命因子 --> 解释在下一页
Response Surface Regression: Y versus A, B, C
Term Coef SE Coef T P

Constant 74.221 1.0663 69.603 0.000
A 17.042 0.7075 24.088 0.000
B -0.280 0.7075 -0.396 0.700
C 0.410 0.7075 0.579 0.575
A*A -7.166 0.6887 -10.405 0.000
B*B 0.488 0.6887 0.709 0.494
C*C 0.577 0.6887 0.838 0.422
A*B -1.313 0.9244 -1.420 0.186
A*C -1.662 0.9244 -1.798 0.102
B*C 1.037 0.9244 1.122 0.288
S = 2.615 R-Sq = 98.6% R-Sq(adj) = 97.3%
Analysis of Variance for Y

Regression 9 4795.63 4795.63 532.85 77.95 0.000
Linear 3 3969.70 3969.70 1323.23 193.57 0.000
Square 3 781.43 781.43 260.48 38.10 0.000
Interaction 3 44.50 44.50 14.83 2.17 0.155
Residual Error 10 68.36 68.36 6.84
Lack-of-Fit 5 25.57 25.57 5.11 0.60 0.707
Pure Error 5 42.79 42.79 8.56
Total 19 4863.99

致命因子选定 ( 解释 )
^ - Yi)(Yi ^
• SST = SSR( 要因变动 ) + SSE( 误差变动 ) +2Σ(Yi - Yi)
-
常→ 0
- -
^ - Yi)2 + Σ(Yi - Yi)^2
•Σ(Yi - Yi)2 = Σ(Yi
• R-Sq = SSR/SST =Seq SS(Regression)/Seq SS(Total)

= 总变动中用回归可说明的变动占有率
• R-Sq(adj) = an approximately unbiased estimate of the population

R2 that is calculated by the formula
Seq SS Error/(n-p) 误差项的自由度 ,

1- 在这里 10
Seq SS Total/(n-1)
P: 方程式的项数
总自由度 ,
在这里 19

回归式的适合度检验
 分析结果的解释 : Pure Error 和 Lack of Fit 的理解

• In general, the residual error can be made up of three parts
① Curvature, if there are center points in the data
② Lack of Fit, if a reduced model was fit
③ Pure Error, if there are any replicates
 Pure Error
平均
- 在一定的独立变数上反应变量的再现性
- 在这里有 Center Point 6 个 (Cube:4, Axial:2)
Pure Error
计算时使用的 DF 是 (6-1)
( 回归式内的
变动 )
Lack of Fit
( 平均和回归式
的变动 )
 Lack of Fit
- 回归式的标准偏差
- 值比较大表示所导出的回归式不恰当

回归式的适合度检验 & 残差生成
 分析结果的解释 : 对回归式假设 ( 前提条件 ) 内容的检讨 – 对残差的正态分布假设

• 为了生成残差 Minitab Menu : Stat / DOE / Response Surface
/ Analyze surface design /storage

回归式的适合度检验 - 残差确认
• Minitab Menu : Stat / Regression / Residual Plot

回归式的适合度检验 - 正规性检验
• Minitab Menu : Stat / Basic Statistics / Normality Test

回归式的适合度检验 - 等分散性检验
• 为了生成残差 Minitab Menu : Stat / DOE / Response Surface / Analyze surface design /graph

致命的少数因子作为对象再推定回归式
• Minitab Menu : Stat / DOE / Response Surface / Analyze Response Surface Design
在前一页的分析结果有意义的因子
只有 A, A*A, A*C 三种
但是为了分析 A*C 交互作用
要包含交互作用中的主要因子 C.

致命的少数因子作为对象再推定回归式
最终的回归方程式
Response Surface Regression: Y versus A, C
Y=75.014 + 17.042*A
Term Coef SE Coef T P +0.410*C-7.262A2
Constant 75.014 0.7359 101.941 0.000
A 17.042 0.6963 24.474 0.000 -1.662*A*C
C 0.410 0.6963 0.588 0.565
A*A -7.262 0.6717 -10.811 0.000
A*C -1.662 0.9098 -1.827 0.088
S = 2.573 R-Sq = 98.0% R-Sq(adj) = 97.4%
Analysis of Variance for Y

Regression 4 4764.66 4764.66 1191.17 179.89 0.000
Linear 2 3968.63 3968.63 1984.31 299.67 0.000
Square 1 773.93 773.93 773.93 116.88 0.000
Interaction 1 22.11 22.11 22.11 3.34 0.088
Residual Error 15 99.33 99.33 6.62
Lack-of-Fit 4 16.05 16.05 4.01 0.53 0.716
Pure Error 11 83.28 83.28 7.57
Total 19 4863.99
Unusual Observations for Y
Observation Y Fit SE Fit Residual St Resid

7 57.900 52.782 1.474 5.118 2.43R
19 69.800 75.014 0.736 -5.214 -2.11R

最佳条件导出 (1)
• Minitab Menu : Stat / DOE / Response Surface / Contour/Surface(Wire frame) Plot
Display 的线条的数量

Contour Plot of Y
9 29
34
8 39
44
49
7 54
59
C
6 64
69
74
5 79
84
4
8 13 18 23
A

• Minitab Menu : Stat / DOE / Response Surface / Response Optimizer
Target 的值是以前面结果做为基础 , 输入所推定的 Y 值 .

Lower, Upper 值设定时区间要包含所有可测量的 Y 值 .

New A C
D Hi
Cur
23.4090
[21.8931]
9.0227
[3.9773]
Click !!!
0.94678 Lo 6.5910 3.9773
只考虑 A, C 两个因子时
Y 泡菜汤满意度的最大值为 87.8714
这时泡菜的完成日数水平为 21.8931 日 ,
Targ: 90.0
煮泡菜汤的温度为 3.9773
y = 87.8714
如果 , 在这里张飞因管理最佳条件时的费用及精密性
d = 0.94678 问题 , 管理成完成日数为 22 日 , 煮汤温度为 4 度的话 ?..

Y 有好几个时

A B C D Y1 Y2
80 160 2 2 69.3 76
200 160 2 2 71.2 79.2
80 190 2 2 75.2 75.9
200 190 2 2 95.5 90.2
80 160 6 2 66.5 75.9
200 160 6 2 91.2 92.4
80 190 6 2 80.2 88
200 190 6 2 95.4 91
80 160 2 7 78.5 70.6
200 160 2 7 70.8 73.2
80 190 2 7 68.4 69
200 190 2 7 72.7 73.1
• A,B,C,D 4 个因子各个因子有 3 个水平 80 160 6 7 84.8 70.4
200 160 6 7 77.8 79.9
• Y1,Y2 都是望大特性 80 190 6 7 79.6 81.5
200 190 6 7 76.9 82.7
80 175 4 4.5 87.5 86.6
200 175 4 4.5 91.5 82.2
140 160 4 4.5 94.4 88.6
140 190 4 4.5 80.7 75.1
140 175 2 4.5 98.7 86.4
140 175 6 4.5 95.1 93.4
140 175 4 2 91.8 94.6
140 175 4 7 66.6 76
140 175 4 4.5 80.1 93.7
140 175 4 4.5 93.2 90.5
140 175 4 4.5 86.3 81.4
140 175 4 4.5 81.5 79.2
140 175 4 4.5 94.5 93
140 175 4 4.5 87.1 80.7

Response Surface Regression: Y1 versus A, B, C, D
The analysis was done using coded units.
Estimated Regression Coefficients for Y1

Constant 89.22 1.867 47.789 0.000
A 2.94 1.524 1.932 0.066
B 1.12 1.524 0.733 0.472
C 2.62 1.524 1.720 0.099 Response Surface Regression: Y2 versus A, B, C, D
D -3.34 1.524 -2.194 0.039
D*D -10.75 2.410 -4.460 0.000
A*D -4.70 1.617 -2.907 0.008 The analysis was done using coded units.
B*D -3.90 1.617 -2.412 0.025
Estimated Regression Coefficients for Y2
S = 6.467 R-Sq = 67.7% R-Sq(adj) = 57.5%
Analysis of Variance for Y1 Constant 85.900 1.658 51.813 0.000
A 2.778 1.354 2.052 0.052
Source DF Seq SS Adj SS Adj MS FB P 1.128 1.354 0.833 0.414
Regression 7 1932.5 1932.5 276.07 6.60 C 0.000 3.422 1.354 2.528 0.019
Linear 4 503.6 503.6 125.90 3.01 D 0.040 -4.822 1.354 -3.562 0.002
Square 1 832.1 832.1 832.05 19.89 D*D
0.000 -5.922 2.140 -2.767 0.011
Interaction 2 596.8 596.8 298.40 7.13 A*D
0.004 -1.225 1.436 -0.853 0.403
Residual Error 22 920.1 920.1 41.82 B*D -0.588 1.436 -0.409 0.686
Lack-of-Fit 17 747.1 747.1 43.95 1.27 0.427
Pure Error 5 173.0 173.0 34.59 S = 5.743 R-Sq = 59.7% R-Sq(adj) = 46.8%
Total 29 2852.6
Analysis of Variance for Y2
Unusual Observations for Y1
Observation Y1 Fit SE Fit Residual St Resid
Regression 7 1073.22 1073.22 153.32 4.65 0.003
2 71.200 81.817 4.104 -10.617 -2.12R
Linear 4 791.16 791.16 197.79 6.00 0.002
21 98.700 86.594 2.410 12.106 2.02R
Square 1 252.52 252.52 252.52 7.66 0.011
Interaction 2 29.53 29.53 14.77 0.45 0.645
Residual Error 22 725.64 725.64 32.98
Lack-of-Fit 17 502.65 502.65 29.57 0.66 0.761
Pure Error 5 222.99 222.99 44.60
Total 29 1798.85
Unusual Observations for Y2
Observation Y2 Fit SE Fit Residual St Resid

20 75.100 87.028 2.140 -11.928 -2.24R

Optimal A B C D
Hi 200.0 190.0 6.0 7.0
D Cur [200.0] [190.0] [6.0] [3.1026]
0.68470 Lo 80.0 160.0 2.0 2.0
Y1
Maximum
y = 99.2178
d = 0.92178
Y2
Maximum
y = 95.0860
d = 0.50860

12. Case Study

Define
1 上海
2 3
• LGENT 经营革新 Team 崔炳喆

部长想要从南京到上海 .
• 利用 Six Sigma Tool 找出

到上海的最佳的方法 .
南京

Define
❏ Sub-System Modeling(Y 选定 )
• Y 选定
-Y 是 ? : 可以确认改善对象的目前水平或者达成目标与否的定量性指标
- 为了设定到上海的最佳条件向司机做了问卷及口头调查 . 结果选定了 3 个 Y.
Y1 : 疲劳度 , Y2 : 车辆运行费用 , Y3 : 运行时间
• 对 Y 的评价
- 疲劳度 : 因为是定性项目所以需要评价基准 .
- 车辆运行费用 , 运行时间 : 定量 , 连续型 Data.
对疲劳度需要做
Gage R&R
• 对疲劳度的定性评价基准建立
1分 2分 3分 4分 5分
有点疲劳但是相当疲劳
几乎感觉不到非常疲劳
对业务几乎一般水准为了好好工作
疲劳现在必须休息
没有影响需要休息
• 对 Y 的目标水平设定
- 通过对类似情况的 Benchmarking 设定 Y 的目标水平
- 疲劳度 : 2.5, 车辆运行费用 : 20,000, 运行时间 : 3.3 小时

Measure
❏ Sub-System Modeling(X 选定 ) & 测量计划树立

• 假因子 (X) 选定
- 通过过去经验的了解 , 实施调查以及 QFD 的展开选定 3 个假因子
- 假因子 : 运行 Course, 排气量 , 车辆种类
• 测量因子选定
Y : 疲劳度 , 车辆运行费用 , 运行时间
假因子 : 运行 Course, 排气量 , 车辆种类
• 假因子的测量水平决定
第 1 方案 : 南京 ~ 上海高速公路
路线第 2 方案 : 南京 ~ 杭州高速公路第 1 方案和第 2 方案
第 3 方案 : 一般公路 Screen-
ing
1000 cc 以下
1300 cc
排气 1500 cc(1)
1500 cc
量 1800 cc(2)
1800 cc All Head
2000 cc Melt-in
区分基准 1 : Auto / Stick
车辆区分基准 2 : Maker 别 Auto(1)
种类区分基准 3 : 详细车辆种类别 Stick(2)
区分基准 N : ,,,

Measure
❏ 测量计划树立 & 测量
• 制作 3 因子 2 个水平 2 次反复实验 Table 之后输入测量 Data
• Minitab Menu : stat / DOE / factorial design / create factorial design
StdOrder RunOrder CenterPt Bloc course cha jong cc fatique Cost Time
1 1 1 1 1 1 1500 3.8 23000 3.7
2 2 1 1 2 1 1500 2.7 27000 4.0
3 3 1 1 1 2 1500 3.6 16000 3.6
4 4 1 1 2 2 1500 4.3 20000 3.9
5 5 1 1 1 1 1800 1.2 24000 3.3
6 6 1 1 2 1 1800 2.4 28000 3.9
7 7 1 1 1 2 1800 3.2 19000 3.4
8 8 1 1 2 2 1800 1.9 21000 3.9
9 9 1 1 1 1 1500 3.9 24000 3.4
10 10 1 1 2 1 1500 2.6 28000 4.1
11 11 1 1 1 2 1500 3.6 16000 3.5
12 12 1 1 2 2 1500 4 21000 4.0
13 13 1 1 1 1 1800 1.5 25000 3.2
14 14 1 1 2 1 1800 2.6 29000 3.7
15 15 1 1 1 2 1800 3.4 20000 3.1
16 16 1 1 2 2 1800 1.7 21000 3.8

Analyze 掌握 Y 和假因子之间的相关关系
• Minitab Menu : stat / regression / regression
fatigue = 9.62 - 0.250 course + 0.625 cha jong - 0.00442 cc
Predictor Coef StDev T P
对疲劳度影响最大的是
疲
Constant 9.625 1.952 4.93 0.000 排气量 , 车辆种类对
劳
度
course -0.2500 0.3299 -0.76 0.463 疲劳度的影响也是
cha jong 0.6250 0.3299 1.89 0.083
cc -0.004417 0.001100 -4.02 0.002
相当大
S = 0.6599 R-Sq = 62.8% R-Sq(adj) = 53.5%

cost = 19250 + 3500 course - 6750 cha jong + 5.00 cc
车辆 Constant 19250 2632 7.31 0.000
所有因子对车辆运行
运行 course 3500.0 444.9 7.87 0.000 费用的影响都比较大
费用 cha jong -6750.0 444.9 -15.17 0.000
cc 5.000 1.483 3.37 0.006
S = 889.8 R-Sq = 96.2% R-Sq(adj) = 95.2%

time = 4.21 + 0.512 course - 0.0125 cha jong -0.000792 cc
Predictor Coef StDev T P 对运行时间有影响的
运行 Constant 4.2125 0.3442 12.24 0.000
时间 course 0.51250 0.05818 8.81 0.000 因子是路线和排气量
cha jong -0.01250 0.05818 -0.21 0.834
cc -0.0007917 0.0001939 -4.08 0.002
S = 0.1164 R-Sq = 88.7% R-Sq(adj) = 85.9%

Analyze
❏ 分析结果概要
Y Critical X
疲劳度排气量 , ( 车辆种类 )
路线 , 排气量 , 车辆种类
路线 , 排气量

Improve
❏ 交互作用分析
• 掌握各个因子之间的交互作用 .
• Minitab Menu : stat / DOE / response surface / Analyze RS Design
Response Surface Regression
The Response
analysis Surface
was done using coded units.
Regression
Estimated Regression
The analysis Coefficients
was done using codedfor units.
fatigue
Response Surface Regression
Estimated Regression Coefficients for cost
Term The analysis was done Coefusing codedStDevunits. T P
Constant Estimated Regression Coefficients
2.9000Coef 0.1863 for time
Term StDev 15.563 0.000T P
course
Constant -0.1250 22625 0.1863190.9 -0.671 0.519
118.492 0.000
jongTerm
cha course 0.31251750Coef 0.1863 StDev
190.9 1.677 0.128
9.165
T
0.000
P
cc cha Constant
jong -0.6625 3.6563
-3375 0.1863
0.03125
190.9 -3.555
117.000
0.006
-17.676 0.000
0.000
course
course*cha jong 0.2562
-0.1125 750 0.1863 0.03125 8.200 0.000
cc 190.9 -0.604 0.561
3.928 0.003
course*cccha jong -0.0062
0.0375-250 0.1863 0.03125 -0.200 0.846
course*cha jong 190.9 0.201 0.845
-1.309 0.223
cc
cha course*cc
jong*cc -0.1187
0.0000-375 0.1863 0.03125
190.9 0.000
-3.800
1.000
-1.964 0.081
0.004 有意义的
course*cha jong -0.0062 0.03125 -0.200 0.846
cha jong*cc
course*ccR-Sq = 64.4%
S = 0.7454
250
0.0313
190.9
R-Sq(adj) 0.03125
= 40.7%
1.309 0.223
1.000 0.343 交互作用
cha jong*cc
S = 763.8 R-Sq = 97.9%
0.0187 0.03125
R-Sq(adj) = 96.5%
0.600 0.563 没有
AnalysisS of= 0.1250
Variance forR-Sq = 90.2%
fatigue R-Sq(adj) = 83.7%
Source
Analysis of Variance DF for cost
Seq SS Adj SS Adj MS F P
Regression 6 for time
9.0600 9.0600 1.51000 2.72 0.086
Linear Source 3 DF Seq SS Adj SS Adj MS 0.022F P
Regression 6 8.8350
244500000 8.8350
244500000 2.94500
407500005.30 69.86 0.000
Regression
Interaction 3 6 1.29875 1.29875 0.216458 13.85 0.000
Linear 3 0.2250
240250000 0.2250
240250000 0.07500
800833330.14 0.937
137.29 0.000
Residual Linear
Error 9 3
5.0000 1.276875.0000 1.27687
0.55556 0.425625 27.24 0.000
Interaction 3 4250000 4250000 1416667 2.43 0.132
Interaction
Lack-of-Fit 1 3 0.02187 0.02187 0.007292 0.47 0.713
Residual Error 9 4.8400
5250000 4.8400 5250000 4.84000 242.00 0.000
583333
Residual Error 8
PureLack-of-Fit
Error 9 0.14062 0.14062 0.015625
1 0.1600
2250000 0.1600 2250000 0.02000
2250000 6.00 0.040
Lack-of-Fit
Total Pure Error 15 1
14.0600 0.00563 0.00563 0.005625 0.33 0.580
8 3000000 3000000 375000
Pure Error 8 0.13500 0.13500 0.016875
Total 15 249750000
Total 15 1.43937

Improve
❏ 最佳化
• 利用 Multiple Response Optimization 的假因子的最佳化 .
• Minitab Menu : stat / DOE / response surface / response Optimizer
1. Y 有 2 个以上
2. 对这些 Y 有影响的因子
类似
3. 满足所有 Y 的个别
假因子的最佳水平
不存在时使用

Improve
❏ 最佳化 (2) – 决定最佳 Spec
考虑到对 Y 的改善目标水平 ,
假因子 Spec 的现实性
最终决定最佳 Spec

Control
❏ 最佳 Spec 决定以及实际工程能力验证
• 为了达成 3 个 Y 的最佳水平 , 决定最佳 Spec

- 路线 : 1 号路线
- 车辆种类 : Stick
- 排气量 : 1800 cc
• 这时推定的 Y 值是目标水平
- 疲劳度 : 2.75 - 疲劳度 : 2.5
- 车辆运行费用 : ?????? - 车辆运行费用 : 20000
- 运行时间 : 3.2688 - 运行时间 : 3.3
• 假如本内容是实际 Six Sigma Project 的话

- 以变更的 Spec 要做验证实验
- 根据验证实验结果求 Y 值的工程能力 (Z),
掌握改善与否以及改善的程度之后采取恰当的措施 .

13. 管理图

管理阶段概要
维持已验证的最佳条件的管理状态
 在改善阶段 , 决定致命的少数因子
通过验证实验如果可以判断 Y 对比目标确实有改善的话
要持续维持管理这样的最佳条件
 这种情况下构筑 IT System, 测量 Data, 持续制作管理图 (Control Chart).
管理图 (Control Chart)
 什么是管理图 : 随时间的推移用 Graph 形式表示 Performance 的变动

• 管理图的 Logic 掌握工程能力 /
理想的 Output 管理状态
制作管理图
UCL
X
Controller
LCL
Sampling
Input Process Output
• 管理图的好处
• 可以保证工程的最佳条件持续被管理
- Process 一向是被偶然原因 (Common Cause) 和异常原因 (Special Cause) 产生变动 .
- 利用管理图的话可以根据统计上的上 , 下限来分开
→ 解释管理图的话可以知道 Process 是不是在稳定的状态 .
• 并且通过监控可以知道 Process 上是否发生异常原因从而可以采取措施 .
异常原因变动领域
UCL
Process 处在管理状态
稳定的 Process 变动领域即 , 可以说处在稳定状态
=
( 只存在偶然原因 ) X
LCL
异常原因变动领域
 解释管理图？
- 异常原因 (Special Cause) 的具有代表性的类型
Out of Control Points

Patterns(Shift & Drift)
Patterns(Cylces)

 管理图的种类
Data
连续型离散型
Yes
Is the interest in Is the interest in
对工程上小的 nonconforming units No nonconformities
变化是否敏感？ -I.E.. -I.E..
Percent “bad”parts Discrepancies/part?
No
CUSUM Yes Yes
Yes EWMA
n=1 ？
Yes Yes
Subgroup size Subgroup
一定？ size 一定？
No
No No
Xbar-R I-mR
Xbar-S p np u c
Xmedian-R

管理图 (Xbar-R)- 平均值和范围管理图
 利用管理图的事例解释
• 对 Monitor 的 C/A + B/C 的 Gap, 找到了最佳条件并且在那条件下做了验证实验
最终确认了改善有效果 .
( 最佳条件 : Latch 幅 320 mm, Latch 高度 25 mm, Resin : ABS)
• 从现在开始是管理阶段 , 能够持续地维持已改善的 Y 值构筑了管理体系 .

有必要利用管理图来 Monitoring 最佳条件是否被维持管理
• Minitab Menu : Stat / Control chart / X bar-R
• 99 年 6 月 19 日开始 8 天的 Y 值 , 即测量 Gap 的 Data

管理图 (Xbar-R)- 平均值和范围管理图
 利用管理图的事例解释
• 对日期别 Sampling 的 N = 10 个 Data 求出它的平均和范围 , 根据管理上下限公式
画 X bar 管理图和 R 管理图 .
Xbar/R Chart for gap
0.25
UCL=0.2464
0.24
Sample Mean
0.23
0.22 Mean=0.2223
0.21 • Graph 上没有什么

0.20 LCL=0.1982 Out of Control Point,
0.19
Out of Pattern
Subgroup 1 2 3 4 5 6 7 8
UCL=0.1107
• 因此可以说 Gap 在量产
Sample Range
0.10
条件下处在稳定状态
R=0.0575
0.05
0.00 LCL=0.004347

管理图 (Xbar-S)
 利用下面 Data 画 Xbar-S 管理图 .
Minitab Menu:Stat/Control Charts/Xbar-s…
(Subgroup Size=5, 一般情况下
Subgroup Size 大于 5)
601.6 600.8 599. 599.8 601.6

4
600.4 598.6 602.8 603.4
598.
598.4 600.0 0 600.0 597.0
600.0 600.4 597. 599.6 599.8
596.8 600.8 6 602.2 597.8
602.8 600.8 598. 603.8 602.4
0
600.8 597.2 597. 603.6 602.2
603.6 600.4 6 601.8 600.6
604.2 599.8 601. 602.0 596.2
2
602.4 596.4 603.6 602.4
599.
598.4 600.4 0 600.8 601.4
599.6 598.2 600. 600.2 599.2 Xbar/S Chart for A
4
603.4 598.6 600.4 601.6
600. 603 1 1
SampleMean
600.6 599.6 6 600.2 600.4 602

UCL=602.4
601
598.4 599.0 599. 602.2 598.0 600 Mean=600.2
598.2 598.2 0 598.0 601.2

599
598 LCL=598.0
602.0 599.4 602. 598.4 604.2

Subgroup 0 10 20
2
599.4 599.4 600.8 600.2 UCL=3.211
SampleStDev
3
599.
599.4 600.2 8 602.8 600.0 2
S=1.537
1
600.8 599.0 599. 597.6 596.8
8 0 LCL=0
601.
0
601. 242/293 LGENT/Six Sigma Part
管理图– P( 不良率管理图 )
 利用下面 Data 画 P 管理图 . Minitab Menu:Stat/Control Charts/P…
subgroup 不良数 sample数比率

1 20 98 0. 204
2 18 104 0. 173
3 14 97 0. 144
4 16 99 0. 162
5 13 97 0. 134
6 29 102 0. 284
7 21 104 0. 202
8 14 101 0. 139
9 6 55 0. 109
10 6 48 0. 125
11 7 50 0. 140
12 7 53 0. 132
13 9 56 0. 161
14 5 49 0. 102
P Chart for ²» Á¼Êý
15 8 56 0. 143
16 9 53 0. 170 UCL=0.3324
17 9 52 0. 173 0.3
18 10 51 0. 196
Proportion
0.2
19 9 52 0. 173 P=0.1685
20 10 47 0. 213 0.1
合计 240 1424 0. 169
0.0 LCL=0.004728
0 10 20
Sample Number

管理图– NP( 不良率管理图 )
Minitab Menu:Stat/Control Charts/NP…

 利用下面 Data 画 NP 管理图 .
subgroup 不良数 sample数比率

1 51 3000 0. 017
2 35 3000 0. 012
3 21 3000 0. 007
4 32 3000 0. 011
5 48 3000 0. 016
6 19 3000 0. 006
7 12 3000 0. 004
8 31 3000 0. 010
9 18 3000 0. 006
10 35 3000 0. 012
11 33 3000 0. 011
12 41 3000 0. 014
NP Chart for ²» Á¼Êý
13 45 3000 0. 015
14 24 3000 0. 008 50
1
1
UCL=47.38
15 19 3000 0. 006
SampleCount
16 29 3000 0. 010 40
合计 493 48000 0. 010 30 NP=30.81
20
LCL=14.25
10 1
0 5 10 15
Sample Number

管理图– C ( 缺陷数管理图 )
 利用下面 Data 画 C 管理图 . Minitab Menu:Stat/Control Charts/C…
subgroup 缺点数
1 20
2 18
3 14
4 16
5 13
6 29
7 21
8 14
9 6
10 6
11 7
12 7
13 9
14 5
15 8 C Chart for È±µãÊý
16 9 30 1
17 9
18 10 UCL=22.39
SampleCount
20
19 9
20 10 C=12
平均 12 10
LCL=1.608
0
0 10 20
Sample Number

管理图– U( 不良数管理图 )
 利用下面 Data 画 U 管理图 . Minitab Menu:Stat/Control Charts/U…
subgroup 缺点数单位
1 8 968
2 13 1216
3 13 1004
4 16 1101
5 14 1076
6 15 995
7 13 1202
8 10 1028
9 24 1184
10 12 992
合计 138 10766
U Chart for È±µãÊý
0.025
UCL=0.02360
0.020
SampleCount
0.015
U=0.01282
0.010
0.005
LCL=0.002034
0.000
0 1 2 3 4 5 6 7 8 9 10
Sample Number

Control 阶段摘要
Control 阶段 Project Review Point
❏ 对维持最终验证的最佳条件的保证方法是否恰当 ?( 管理图制作等 )
❏ 把这保证方法持续地维持 , 管理 , 能够 Audit 的人及方法是否选定好了 ?
❏ 为了管理改善的内容 , 要实行和维持的负责人是否充分理解改善的内容？
❏ Cost 方面所期待的成果是 ?
❏ 关于在这 Project 上所取得的成果是否已经树立了以后要再检证的计划 ?
❏ 活动结果是否作成文件化并且共享 ?

附录 1 : 统计 Table

离散型 Data(DPMO) 的 Z 变换
양품수 DPMO Sigma 양품수 DPMO Sigma 양품수 DPMO Sigma

999,996.6 3.4 6.0 919,243 80,757 2.9 54,799 945,201 - 0.1
999,995 5 5.9 903,199 96,801 2.8 44,565 955,435 - 0.2
999,991 9 5.8 884,930 115,070 2.7 35,930 964,070 - 0.3
999,987 13 5.7 864,334 135,666 2.6 28,716 971,284 - 0.4
999,979 21 5.6 841,345 158,655 2.5 22,750 977,250 - 0.5
999,968 32 5.5 815,940 184,060 2.4 17,864 982,136 - 0.6
999,952 48 5.4 788,145 211,855 2.3 13,903 986,097 - 0.7
999,928 72 5.3 758,036 241,964 2.2 10,724 989,276 - 0.8
999,892 108 5.2 725,747 274,253 2.1 8,198 991,802 - 0.9
999,841 159 5.1 691,462 308,538 2 6,210 993,790 -1
999,767 233 5.0 655,422 344,578 1.9 4,661 995,339 - 1.1
999,663 337 4.9 617,911 382,089 1.8 3,467 996,533 - 1.2
999,517 483 4.8 579,260 420,740 1.7 2,555 997,445 - 1.3
999,313 687 4.7 539,828 460,172 1.6 1,866 998,13 - 1.4
999,032 968 4.6 500,000 500,000 1.5 1,350 998,650 - 1.5
998,650 1,350 4.5 460,172 539,828 1.4 968 999,032 - 1.6
998,134 1,866 4.4 420,740 579,260 1.3 687 999,313 - 1.7
997,445 2,555 4.3 382,089 617,911 1.2 483 999,517 - 1.8
996,533 3,467 4.2 344,578 655,422 1.1 337 999,663 - 1.9
995,339 4,661 4.1 308,538 691,462 1 233 999,767 -2
993,790 6,210 4.0 274,253 725,747 0.9 159 999,841 - 2.1
991,802 8,198 3.9 241,964 758,036 0.8 108 999,892 - 2.2
989,276 10,724 3.8 211,855 788,145 0.7 72 999,928 - 2.3
986,097 13,903 3.7 184,060 815,940 0.6 48 999,952 - 2.4
977,250 22,750 3.5 158,655 841,345 0.5 32 999,968 - 2.5
971,284 28,716 3.4 135,666 864,334 0.4 21 999,979 - 2.6
964,070 35,930 3.3 115,070 884,930 0.3 13 999,987 - 2.7
955,435 44,565 3.2 96,801 903,199 0.2 9 999,991 - 2.8
945,201 54,799 3.1 80,757 919,243 0.1 5 999,995 - 2.9
933,193 66,807 3.0 66,807 933,193 0 3 999,997 -3

标准正态分布表 (1/2) Z bench
Z 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 5.00E-01 4.96E-01 4.92E-01 4.88E-01 4.84E-01 4.80E-01 4.76E-01 4.72E-01 4.68E-01 4.64E-01
0.1 4.60E-01 4.56E-01 4.52E-01 4.48E-01 4.44E-01 4.40E-01 4.36E-01 4.33E-01 4.29E-01 4.25E-01
0.2 4.21E-01 4.17E-01 4.13E-01 4.09E-01 4.05E-01 4.01E-01 3.97E-01 3.94E-01 3.90E-01 3.86E-01
0.3 3.82E-01 3.78E-01 3.74E-01 3.71E-01 3.67E-01 3.63E-01 3.59E-01 3.56E-01 3.52E-01 3.48E-01
0.4 3.45E-01 3.41E-01 3.37E-01 3.34E-01 3.30E-01 3.26E-01 3.23E-01 3.19E-01 3.16E-01 3.12E-01
0.5 3.09E-01 3.05E-01 3.02E-01 2.98E-01 2.95E-01 2.91E-01 2.88E-01 2.84E-01 2.81E-01 2.78E-01
0.6 2.74E-01 2.71E-01 2.68E-01 2.64E-01 2.61E-01 2.58E-01 2.55E-01 2.51E-01 2.48E-01 2.45E-01
0.7 2.42E-01 2.39E-01 2.36E-01 2.33E-01 2.30E-01 2.27E-01 2.24E-01 2.21E-01 2.18E-01 2.15E-01
0.8 2.12E-01 2.09E-01 2.06E-01 2.03E-01 2.00E-01 1.98E-01 1.95E-01 1.92E-01 1.89E-01 1.87E-01
0.9 1.84E-01 1.81E-01 1.79E-01 1.76E-01 1.74E-01 1.71E-01 1.69E-01 1.66E-01 1.64E-01 1.61E-01
1.0 1.59E-01 1.56E-01 1.54E-01 1.52E-01 1.49E-01 1.47E-01 1.45E-01 1.42E-01 1.40E-01 1.38E-01
1.1 1.36E-01 1.33E-01 1.31E-01 1.29E-01 1.27E-01 1.25E-01 1.23E-01 1.21E-01 1.19E-01 1.17E-01
1.2 1.15E-01 1.13E-01 1.11E-01 1.09E-01 1.07E-01 1.06E-01 1.04E-01 1.02E-01 1.00E-01 9.85E-02
1.3 9.68E-02 9.51E-02 9.34E-02 9.18E-02 9.01E-02 8.85E-02 8.69E-02 8.53E-02 8.38E-02 8.23E-02
1.4 8.08E-02 7.93E-02 7.78E-02 7.64E-02 7.49E-02 7.35E-02 7.21E-02 7.08E-02 6.94E-02 6.81E-02
1.5 6.68E-02 6.55E-02 6.43E-02 6.30E-02 6.18E-02 6.06E-02 5.94E-02 5.82E-02 5.71E-02 5.59E-02
1.6 5.48E-02 5.37E-02 5.26E-02 5.16E-02 5.05E-02 4.95E-02 4.85E-02 4.75E-02 4.65E-02 4.55E-02
1.7 4.46E-02 4.36E-02 4.27E-02 4.18E-02 4.09E-02 4.01E-02 3.92E-02 3.84E-02 3.75E-02 3.67E-02
1.8 3.59E-02 3.51E-02 3.44E-02 3.36E-02 3.29E-02 3.22E-02 3.14E-02 3.07E-02 3.01E-02 2.94E-02
1.9 2.87E-02 2.81E-02 2.74E-02 2.68E-02 2.62E-02 2.56E-02 2.50E-02 2.44E-02 2.39E-02 2.33E-02
2.0 2.28E-02 2.22E-02 2.17E-02 2.12E-02 2.07E-02 2.02E-02 1.97E-02 1.92E-02 1.88E-02 1.83E-02
2.1 1.79E-02 1.74E-02 1.70E-02 1.66E-02 1.62E-02 1.58E-02 1.54E-02 1.50E-02 1.46E-02 1.43E-02
2.2 1.39E-02 1.36E-02 1.32E-02 1.29E-02 1.25E-02 1.22E-02 1.19E-02 1.16E-02 1.13E-02 1.10E-02
2.3 1.07E-02 1.04E-02 1.02E-02 9.90E-03 9.64E-03 9.39E-03 9.14E-03 8.89E-03 8.66E-03 8.42E-03
2.4 8.20E-03 7.98E-03 7.76E-03 7.55E-03 7.34E-03 7.14E-03 6.95E-03 6.76E-03 6.57E-03 6.39E-03
2.5 6.21E-03 6.04E-03 5.87E-03 5.70E-03 5.54E-03 5.39E-03 5.23E-03 5.08E-03 4.94E-03 4.80E-03
2.6 4.66E-03 4.53E-03 4.40E-03 4.27E-03 4.15E-03 4.02E-03 3.91E-03 3.79E-03 3.68E-03 3.57E-03
2.7 3.47E-03 3.36E-03 3.26E-03 3.17E-03 3.07E-03 2.98E-03 2.89E-03 2.80E-03 2.72E-03 2.64E-03
2.8 2.56E-03 2.48E-03 2.40E-03 2.33E-03 2.26E-03 2.19E-03 2.12E-03 2.05E-03 1.99E-03 1.93E-03
2.9 1.87E-03 1.81E-03 1.75E-03 1.70E-03 1.64E-03 1.59E-03 1.54E-03 1.49E-03 1.44E-03 1.40E-03
3.0 1.35E-03 1.31E-03 1.26E-03 1.22E-03 1.18E-03 1.14E-03 1.11E-03 1.07E-03 1.04E-03 1.00E-03
3.1 9.68E-04 9.36E-04 9.04E-04 8.74E-04 8.45E-04 8.16E-04 7.89E-04 7.62E-04 7.36E-04 7.11E-04
3.2 6.87E-04 6.64E-04 6.41E-04 6.19E-04 5.98E-04 5.77E-04 5.57E-04 5.38E-04 5.19E-04 5.01E-04
3.3 4.83E-04 4.67E-04 4.50E-04 4.34E-04 4.19E-04 4.04E-04 3.90E-04 3.76E-04 3.62E-04 3.50E-04
3.4 3.37E-04 3.25E-04 3.13E-04 3.02E-04 2.91E-04 2.80E-04 2.70E-04 2.60E-04 2.51E-04 2.42E-04
3.5 2.33E-04 2.24E-04 2.16E-04 2.08E-04 2.00E-04 1.93E-04 1.85E-04 1.79E-04 1.72E-04 1.65E-04
3.6 1.59E-04 1.53E-04 1.47E-04 1.42E-04 1.36E-04 1.31E-04 1.26E-04 1.21E-04 1.17E-04 1.12E-04
3.7 1.08E-04 1.04E-04 9.97E-05 9.59E-05 9.21E-05 8.86E-05 8.51E-05 8.18E-05 7.85E-05 7.55E-05
3.8 7.25E-05 6.96E-05 6.69E-05 6.42E-05 6.17E-05 5.92E-05 5.68E-05 5.46E-05 5.24E-05 5.03E-05
3.9 4.82E-05 4.63E-05 4.44E-05 4.26E-05 4.09E-05 3.92E-05 3.76E-05 3.61E-05 3.46E-05 3.32E-05
4.0 3.18E-05 3.05E-05 2.92E-05 2.80E-05 2.68E-05 2.57E-05 2.47E-05 2.36E-05 2.26E-05 2.17E-05
4.1 2.08E-05 1.99E-05 1.91E-05 1.82E-05 1.75E-05 1.67E-05 1.60E-05 1.53E-05 1.47E-05 1.40E-05
4.2 1.34E-05 1.29E-05 1.23E-05 1.18E-05 1.13E-05 1.08E-05 1.03E-05 9.86E-06 9.43E-06 9.01E-06
4.3 8.62E-06 8.24E-06 7.88E-06 7.53E-06 7.20E-06 6.88E-06 6.57E-06 6.28E-06 6.00E-06 5.73E-06
4.4 5.48E-06 5.23E-06 5.00E-06 4.77E-06 4.56E-06 4.35E-06 4.16E-06 3.97E-06 3.79E-06 3.62E-06
4.5 3.45E-06 3.29E-06 3.14E-06 3.00E-06 2.86E-06 2.73E-06 2.60E-06 2.48E-06 2.37E-06 2.26E-06
4.6 2.15E-06 2.05E-06 1.96E-06 1.87E-06 1.78E-06 1.70E-06 1.62E-06 1.54E-06 1.47E-06 1.40E-06
4.7 1.33E-06 1.27E-06 1.21E-06 1.15E-06 1.10E-06 1.05E-06 9.96E-07 9.48E-07 9.03E-07 8.59E-07
4.8 8.18E-07 7.79E-07 7.41E-07 7.05E-07 6.71E-07 6.39E-07 6.08E-07 5.78E-07 5.50E-07 5.23E-07
4.9 4.98E-07 4.73E-07 4.50E-07 4.28E-07 4.07E-07 3.87E-07 3.68E-07 3.50E-07 3.32E-07 3.16E-07

正态分布表 (2/2) Z bench
Z 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
5.0 3.00E-07 2.85E-07 2.71E-07 2.58E-07 2.45E-07 2.32E-07 2.21E-07 2.10E-07 1.99E-07 1.89E-07
5.1 1.80E-07 1.71E-07 1.62E-07 1.54E-07 1.46E-07 1.39E-07 1.31E-07 1.25E-07 1.18E-07 1.12E-07
5.2 1.07E-07 1.01E-07 9.59E-08 9.10E-08 8.63E-08 8.18E-08 7.76E-08 7.36E-08 6.98E-08 6.62E-08
5.3 6.27E-08 5.95E-08 5.64E-08 5.34E-08 5.06E-08 4.08E-08 4.55E-08 4.31E-08 4.08E-08 3.87E-08
5.4 3.66E-08 3.47E-08 3.29E-08 3.11E-08 2.95E-08 2.97E-08 2.64E-08 2.50E-08 2.37E-08 2.24E-08
5.5 2.12E-08 2.01E-08 1.90E-08 1.80E-08 1.70E-08 1.61E-08 1.53E-08 1.44E-08 1.37E-08 1.29E-08
5.6 1.22E-08 1.16E-08 1.09E-08 1.03E-08 9.78E-09 9.24E-09 8.74E-09 8.26E-09 7.81E-09 7.39E-09
5.7 6.98E-09 6.60E-09 6.24E-09 5.89E-09 5.57E-09 5.26E-09 4.97E-09 4.70E-09 4.44E-09 4.19E-09
5.8 3.96E-09 3.74E-09 3.53E-09 3.34E-09 3.15E-09 2.97E-09 2.81E-09 2.65E-09 2.50E-09 2.36E-09
5.9 2.23E-09 2.11E-09 1.99E-09 1.88E-09 1.77E-09 1.67E-09 1.58E-09 1.49E-09 1.40E-09 1.32E-09
6.0 1.25E-09 1.18E-09 1.11E-09 1.05E-09 9.88E-10 9.31E-10 8.78E-10 8.28E-10 7.81E-10 7.36E-10
6.1 6.94E-10 6.54E-10 6.17E-10 5.81E-10 5.48E-10 5.16E-10 4.87E-10 4.59E-10 4.32E-10 4.07E-10
6.2 3.84E-10 3.61E-10 3.40E-10 3.21E-10 3.02E-10 2.84E-10 2.68E-10 2.52E-10 2.38E-10 2.24E-10
6.3 2.11E-10 1.98E-10 1.87E-10 1.76E-10 1.66E-10 1.56E-10 1.47E-10 1.38E-10 1.30E-10 1.22E-10
6.4 1.55E-10 1.08E-10 1.02E-10 9.59E-11 9.02E-11 8.49E-11 7.98E-11 7.51E-11 7.06E-11 6.65E-11
6.5 6.25E-11 5.88E-11 5.53E-11 5.20E-11 4.89E-11 4.60E-11 4.32E-11 4.07E-11 3.82E-11 3.59E-11
6.6 3.38E-11 3.18E-11 2.98E-11 2.81E-11 2.64E-11 2.48E-11 2.33E-11 2.19E-11 2.06E-11 1.93E-11
6.7 1.82E-11 1.71E-11 1.60E-11 1.51E-11 1.42E-11 1.33E-11 1.25E-11 1.17E-11 1.10E-11 1.04E-11
6.8 9.72E-12 9.13E-12 8.57E-12 8.05E-12 7.56E-12 7.10E-12 6.66E-12 6.26E-12 5.87E-12 5.52E-12
6.9 5.18E-12 4.86E-12 4.56E-12 4.28E-12 4.02E-12 3.77E-12 3.54E-12 3.32E-12 3.12E-12 2.93E-12
7.0 2.75E-12 2.58E-12 2.42E-12 2.27E-12 2.13E-12 2.00E-12 1.87E-12 1.76E-12 1.65E-12 1.55E-12
7.1 1.45E-12 1.36E-12 1.28E-12 1.20E-12 1.12E-12 1.05E-12 9.88E-13 9.26E-13 8.69E-13 8.15E-13
7.2 7.64E-13 7.16E-13 6.72E-13 6.30E-13 5.90E-13 5.54E-13 5.19E-13 4.86E-13 4.56E-13 4.28E-13
7.3 4.01E-13 3.76E-13 3.52E-13 3.30E-13 3.09E-13 2.90E-13 2.72E-13 2.55E-13 2.39E-13 2.24E-13
7.4 2.10E-13 1.96E-13 1.84E-13 1.72E-13 1.62E-13 1.51E-13 1.42E-13 1.33E-13 1.24E-13 1.17E-13
7.5 1.09E-13 1.02E-13 9.58E-14 8.98E-14 8.41E-14 7.87E-14 7.38E-14 6.91E-14 6.47E-14 6.06E-14
7.6 5.68E-14 5.32E-14 4.98E-14 4.66E-14 4.37E-14 4.09E-14 3.83E-14 3.58E-14 3.36E-14 3.14E-14
7.7 2.94E-14 2.76E-14 2.58E-14 2.42E-14 2.26E-14 2.12E-14 1.98E-14 1.86E-14 1.74E-14 1.63E-14
7.8 1.52E-14 1.42E-14 1.33E-14 1.25E-14 1.17E-14 1.09E-14 1.02E-14 9.58E-15 8.97E-15 8.39E-15
7.9 7.85E-15 7.35E-15 6.88E-15 6.44E-15 6.02E-15 5.64E-15 5.28E-15 4.94E-15 4.62E-15 4.32E-15
8.0 4.05E-15 3.79E-15 3.54E-15 3.31E-15 3.10E-15 2.90E-15 2.72E-15 2.54E-15 2.38E-15 2.22E-15
8.1 2.08E-15 1.95E-15 1.82E-15 1.70E-15 1.59E-15 1.49E-15 1.40E-15 1.31E-15 1.22E-15 1.14E-15
8.2 1.07E-15 9.99E-16 9.35E-16 8.74E-16 8.18E-16 7.65E-16 7.16E-16 6.69E-16 6.26E-16 5.86E-16
8.3 5.48E-16 5.12E-16 4.79E-16 4.48E-16 4.19E-16 3.92E-16 3.67E-16 3.43E-16 3.21E-16 3.00E-16
8.4 2.81E-16 2.62E-16 2.45E-16 2.30E-16 2.15E-16 2.01E-16 1.88E-16 1.76E-16 1.64E-16 1.54E-16
8.5 1.44E-16 1.34E-16 1.26E-16 1.17E-16 1.10E-16 1.03E-16 9.60E-17 8.98E-17 8.40E-17 7.85E-17
8.6 7.34E-17 6.87E-17 6.42E-17 6.00E-17 5.61E-17 5.25E-17 4.91E-17 4.59E-17 4.29E-17 4.01E-17
8.7 3.75E-17 3.51E-17 3.28E-17 3.07E-17 2.87E-17 2.68E-17 2.51E-17 2.35E-17 2.19E-17 2.05E-17
8.8 1.92E-17 1.79E-17 1.68E-17 1.57E-17 1.47E-17 1.37E-17 1.28E-17 1.20E-17 1.12E-17 1.05E-17
8.9 9.79E-18 9.16E-18 8.56E-18 8.00E-18 7.48E-18 7.00E-18 6.54E-18 6.12E-18 5.72E-18 5.35E-18
9.0 5.00E-18 4.68E-18 4.37E-18 4.09E-18 3.82E-18 3.57E-18 3.34E-18 3.13E-18 2.92E-18 2.73E-18
9.1 2.56E-18 2.39E-18 2.23E-18 2.09E-18 1.95E-18 1.83E-18 1.71E-18 1.60E-18 1.49E-18 1.40E-18
9.2 1.31E-18 1.22E-18 1.14E-18 1.07E-18 9.98E-19 9.33E-19 8.73E-19 8.16E-19 7.63E-19 7.14E-19
9.3 6.67E-19 6.24E-19 5.83E-19 5.46E-19 5.10E-19 4.77E-19 4.46E-19 4.17E-19 3.90E-19 3.65E-19
9.4 3.41E-19 3.19E-19 2.98E-19 2.79E-19 2.61E-19 2.44E-19 2.28E-19 2.14E-19 2.00E-19 1.87E-19
9.5 1.75E-19 1.63E-19 1.53E-19 1.43E-19 1.34E-19 1.25E-19 1.17E-19 1.09E-19 1.02E-19 9.56E-20
9.6 8.94E-20 8.37E-20 7.82E-20 7.32E-20 6.85E-20 6.40E-20 5.99E-20 5.60E-20 5.24E-20 4.90E-20
9.7 4.58E-20 4.29E-20 4.01E-20 3.75E-20 3.51E-20 3.28E-20 3.07E-20 2.87E-20 2.69E-20 2.52E-20
9.8 2.35E-20 2.20E-20 2.06E-20 1.93E-20 1.80E-20 1.69E-20 1.58E-20 1.48E-20 1.38E-20 1.29E-20
9.9 1.21E-20 1.13E-20 1.06E-20 9.90E-21 9.26E-21 8.67E-21 8.11E-21 7.59E-21 7.10E-21 6.64E-21
10.0 6.22E-21 5.82E-21 5.44E-21 5.09E-21 4.77E-21 4.46E-21 4.17E-21 3.91E-21 3.66E-21 3.42E-21

附录 2 : Minitab 操作

基础统计
例题 1 : 求基础统计量
• 开发新的饮食方法的公司为了知道它的效果 , 把 7 名主妇为对象做了实验 .
实验结果他们的体重变化如右侧的值 .
用什么样的方法了解她们的体重变化？
Before After
• Stat/basic statistics / display descriptive statistics 58.5 60.0
60.3 54.9
61.7 58.1
69.0 62.1
64.0 58.5
62.6 59.9
56.7 54.4

基础统计
例题 1 : 求基础统计量
Descriptive Statistics
Variable N Mean Median TrMean StDev SE Mean

Before 7 61.83 61.70 61.83 4.01 1.52
After 7 58.27 58.50 58.27 2.79 1.05
Variable Minimum Maximum Q1 Q3

Before 56.70 69.00 58.50 64.00
After 54.40 62.10 54.90 60.00
• Trimmed Mean( 修整平均 )

Minitab removes the smallest 5% and the largest 5% of the values (rounded the nearest integer),
and then averages the remaining data
• SE Mean(Standard Error of Mean)

StDev / N

基础统计
附录 1 : 求基础统计量
• calc / calculator
Before After
58.5 60.0 2.5641
60.3 54.9 -8.9552
61.7 58.1 -5.8347
69.0 62.1 -10.0000
64.0 58.5 -8.5938
62.6 59.9 -4.3131
56.7 54.4 -4.0564

基础统计
例题 2 : 求多种统计量
• 随机抽取工厂所生产的 21 个产品测量的结果如下 .
为了求例题 1 中求的统计量之外其它统计量？
• calc/column statistics or row statistics

• stat / basic statistics / store descriptive statistics

基础统计
• 执行结果 , 计算的 Data 在工作表上按列出现 .

基础统计
• 如果想要把这些统计量要在 Session Window 上显示 ?
• Manip / display data

Data Display
Row size Mean1 SEMean1 StDev1 Variance1 Q1_1 Median1 Q3_1
1 27.5 28.2190 0.424467 1.94515 3.78362 26.9 28.4 29.65
2 27.6
3 27.6
4 30.3
5 28.8
6 22.9
7 26.6
8 31.8
9 28.4
10 26.9
11 30.0
12 31.2
13 29.4
14 28.0
15 26.8
16 28.8
17 28.5
18 26.3
19 29.9
20 26.9
21 28.4
Row IQR1 Sum1 Minimum1 Maximum1 Range1 N1
1 2.75 592.6 22.9 31.8 8.9 21
Data Display
Row Mean1 SEMean1 StDev1 Variance1 Q1_1 Median1 Q3_1 IQR1
1 28.2190 0.424467 1.94515 3.78362 26.9 28.4 29.65 2.75
Row Sum1 Minimum1 Maximum1 Range1 SSQ1
1 592.6 22.9 31.8 8.9 16798.3

基础统计
例题 3 : 概率分布的利用 -2 项分布 (1)

• 被某种传染病感染之后能恢复的概率为 0.4. 15 名被传染时有 5 名恢复的概率为 ?
• Calc / probability distributions / binominal
实行次数 Probability Density Function

成功概率
Binomial with n = 15 and p = 0.400000
x P( X = x)
5.00 0.1859
成功次数

基础统计
例题 3 : 概率分布的利用 -2 项分布 (2)

• 被某种传染病感染之后能恢复的概率为 0.4. 在 15 名当中至少 10 名能恢复的概率为？
• Calc / probability distributions / binominal
实行次数
Data Display
成功概率
K2 0.0338333
成功次数
* 在 Minitab 上 , 为了求 P(X>x)
求 P(X≤x) 的值后
计算 1-P(X≤x) ，求概率 .

基础统计
例题 3 : 概率分布的利用 - 泊松分布
• 显示器的某种特性服从平均为 10 的泊松分布时 , 求 P(X≤14) ?
• Calc / probability distributions / Poisson
Cumulative Distribution Function
Poisson with mu = 10.0000
x P( X <= x)
14.00 0.9165

基础统计
例题 3 : 概率分布的利用 - 正态分布
• 显示器的某种特性为正态分布时 , 求 P(X≤- 0.28) ?
• Calc / probability distributions / normal
Cumulative Distribution Function
Normal with mean = 0 and

standard deviation = 1.00000
x P( X <= x)
-0.2800 0.3897

基础统计
例题 4 : 总体平均的置信区间 – 已知总体分散时
• 从分散为 225 的正态分布总体中抽取 25 个样本 , 得到了如下资料 , 样本的平均为 64.32.
求出总体平均的 95% 的置信区间
• Stat / basic statistics / 1 Sample Z

55 69 78
47 49 52
85 73 33
71 70 89
76 55 51
53 52
71 87
38 70
67 81
73 63
Z Confidence Intervals
The assumed sigma = 15.0
Variable N Mean StDev SE Mean 95.0 % CI

C1 25 64.32 15.11 3.00 (58.44, 70.20)

基础统计
例题 4 : 总体平均的置信区间 - 不知道总体分散的情况
• 推定新显示器的寿命时间，抽取 9 台，寿命时间以小时为单位测定的结果如下
假设寿命时间为正态分布时，求母平均寿命的 90% 的置信区间？
• Stat / basic statistics / 1 Sample t
50000
51000
54000
52000
54000
50000
53000
52000
52000
T Confidence Intervals

C2 9 52000 1500 500 ( 51070, 52930)

基础统计
例题 4 : 总体平均的置信区间 - 不知道总体分散的情况
• 为了推定新显示器的寿命时间抽取了 9 台 . 按照时间单位测定寿命时间的结果如下 .
假设寿命时间为正态分布时 , 求总体平均寿命时间的 90% 的置信区间？
50000
51000
54000
52000
54000
50000
53000
52000
52000
T Confidence Intervals

C2 9 52000 1500 500 ( 51070, 52930)

基础统计
例题 5 : 总体平均差异的置信区间 - 两个总体分散相同的情况
• 为了分析两个公司的 Hinge Force 差异 , 各取出 20 个样本的结果如下 .
求两个公司 Hinge Force 差异的 95% 置信区间 ( 假设两个总体分散是一样的 )

PK2 RPM1
2.07 2.17
2.13 2.17
2.17 2.15
2.07 2.16
2.11 2.12
2.06 2.13 假设
2.12 2.13 总体分散
2.14 2.14
是一样的
2.1 2.11
2.11 2.17
2.16 2.11
2.08 2.12
2.12 2.19
2.09 2.12
2.18 2.15
2.11 2.14 Two Sample T-Test and Confidence Interval
2.19 2.12
2.18 2.15 Two sample T for PK vs RPM
2.13 2.12 N Mean StDev SE Mean
2.12 2.12 PK 20 2.1220 0.0387 0.0087
RPM 20 2.1395 0.0233 0.0052
95% CI for mu PK - mu RPM: ( -0.0380, 0.0030)
T-Test mu PK = mu RPM (vs not =): T = -1.73 P = 0.091 DF = 38
Both use Pooled StDev = 0.0320

基础统计
例题 5 : 总体平均差异的置信区间 - 两个总体分散不同的情况
• 为了掌握两个公司的 Hinge Force 的差异 , 各抽取 20 个样本的结果如下 .
求两个公司 Hinge Force 差异的 95% 的置信区间
PK2 RPM1
2.07 2.17
2.13 2.17
2.17 2.15
2.07 2.16
2.11 2.12 假设
2.06 2.13
总体分散
2.12 2.13
2.14 2.14 不一样
2.1 2.11
2.11 2.17
2.16 2.11
2.08 2.12
2.12 2.19
2.09 2.12
2.18 2.15 Two Sample T-Test and Confidence Interval
2.11 2.14
2.19 2.12 Two sample T for PK vs RPM
2.18 2.15
2.13 2.12
PK 20 2.1220 0.0387 0.0087
2.12 2.12
RPM 20 2.1395 0.0233 0.0052
95% CI for mu PK - mu RPM: ( -0.0381, 0.0031)
T-Test mu PK = mu RPM (vs not =): T = -1.73 P = 0.093 DF = 31

基础统计
例题 6 : 利用总体平均确认改善结果
• 利用英语分数提高 Program, 比较 Program 进行前和进行后的英语分数来检讨提高 Program 实际上
是否有用 . Program 实施前 / 后的分数如下时 , 请判断一下 Program 对英语分数是否有用
( 各随机抽取 10 个样本 )
• Stat / basic statistics / paired t
before after
76 81
60 52
85 87
58 70
91 86
75 77
82 90
64 63
Boxplot of Differences
79 85 (with Ho and 95% t-confidence interval for the mean)
88 83
[ _ ]
Paired T-Test and Confidence Interval X Ho
Paired T for before - after

N Mean StDev SE Mean -10 0 10
before 10 75.80 11.64 3.68 Differences
after 10 77.40 12.18 3.85

Difference 10 -1.60 6.38 2.02
T-Test of mean difference = 0 (vs not = 0): T-Value = -0.79 P-Value = 0.448
基础统计
例题 7 : 推定总体比率 p 的置信区间
• LGENT 生产的显示器当中抽样了 500 个 , 调查结果有 120 个不良 .
求不良品比率 p 的 95% 置信区间
• Stat / basic statistics / 1 Proportion
Test and Confidence Interval for One Proportion
Test of p = 0.5 vs p not = 0.5
Exact
Sample X N Sample p 95.0 % CI P-Value
1 120 500 0.240000 (0.203197, 0.279910) 0.000

基础统计
例题 8 : 推定总体比率差异的置信区间
• 在美国总统选举中 , 对 XXX 候补想要推定旧金山地区和纽约地区的支持率的差异 .
在旧金山地区调查 5000 名 , 在纽约地区中调查 2000 名的结果 , 得到各 2400 名 , 1200 名的
支持 . 求 XXX 候补的两个地区的支持率差异的 90% 近似置信区间 .
Test and Confidence Interval for Two Proportions

Sample X N Sample p
1 2400 5000 0.480000
2 1200 2000 0.600000
Estimate for p(1) - p(2): -0.12
90% CI for p(1) - p(2): (-0.141441, -0.0985588)
Test for p(1) - p(2) = 0 (vs not = 0): Z = -9.21 P-Value = 0.000

基础统计
例题 9 : 对总体平均的假设检验 – 已知分散的情况
• 分散为 225 的正态分布总体中取出 25 个样本得到了如下资料 . 总体的平均是
70, 但是调查者金先生根据推出的样本材料的结果认为总体平均小于 70.
在调查者金先生的立场上检验一下 ( 显著性水平 α=0.05).
• Stat / basic statistics / 1 Sample Z
55 69 78
47 49 52
85 73 33
71 70 89
76 55 51
53 52
71 87 假设的比较平均
38 70
67 81
73 63
什么是 P 值？
也称为有效概率 (Significance Probability)
从检证统计量的值计算的概率
拒绝原假设的最小的有意水准
Z-Test
P 值比有意水准 α=0.05 小 ,
Test of mu = 70.00 vs mu < 70.00 为 0.029 ，拒绝原假设
The assumed sigma = 15.0
Variable N Mean StDev SE Mean Z P

C1 25 64.32 15.11 3.00 -1.89 0.029

基础统计
例题 9 : 对总体平均的假设检验 - 不知道分散的情况
• 为了推定新显示器的平均寿命时间 , 抽取了 9 个样本 . 以小时为单位测量寿命时间的结果如下 .
假设寿命时间为正态分布时寿命时间的平均为 52,000 小时 , 标准偏差为 500 小时 .
根据此结果开发 Team 认为显示器的总体平均寿命时间比大于 50,000 小时 .
用显著性水平 α=0.05 来检验一下 .
50000
51000
54000
52000
54000
50000
53000
P 值小于显著性水平 α=0.05.
52000
是 0.002, 因此拒绝原假设 .
52000 即 , 可以说寿命时间大于 50,000.
T-Test of the Mean
Test of mu = 50000 vs mu > 50000
Variable N Mean StDev SE Mean T P

C2 9 52000 1500 500 4.00 0.0020

基础统计
例题 10 : 对总体平均差异的假设检验 - 两个总体分散相同的情况
• 测量了 A 公司和 B 公司生产的同一部品的参数 C. 其结果如下 .
两公司的部品参数总体平均是否有差异 , 用显著性水平 α=0.05 来检验 .( 假设总体分散相同 )

A B Boxplots of A and B
82 76 (means are indicated by solid circles)
81 81 90
80 91
89 82 85
86 76
83 80 80
80 77
74 87 75
86 77 A B
86 83
86
83
P 值比显著性水平 α=0.05 大 ,
为 0.31, 原假设可以接受
Two Sample T-Test and Confidence Interval → 即 , 不能说两个公司的
Two sample T for A vs B 部品参数之间有差异
A 12 83.00 4.00 1.2
B 10 81.00 4.99 1.6
95% CI for mu A - mu B: ( -2.0, 6.0)
T-Test mu A = mu B (vs not =): T = 1.04 P = 0.31 DF = 20
Both use Pooled StDev = 4.47

基础统计
例题 10 : 对总体平均的假设检验 - 两个总体分散不同的情况
• 与上一页的问题相同 . 但 , 假设两个总体分散不同 .
A B
82 76
81 81
80 91
89 82
86 76
83 80
80 77
74 87
86 77
86 83
86
83
P 值大于显著性水平 α=0.05,
Two Sample T-Test and Confidence Interval
为 0.32, 接受原假设 .
Two sample T for A vs B → 即 , 不能说两个公司的部品
N Mean StDev SE Mean 参数有差异。
A 12 83.00 4.00 1.2
B 10 81.00 4.99 1.6
95% CI for mu A - mu B: ( -2.1, 6.1)
T-Test mu A = mu B (vs not =): T = 1.02 P = 0.32 DF = 17

基础统计
例题 11 : 利用总体平均的改善结果的确认
• 对前面例题 6, 英语分数的向上 Program 进行前 / 后英语分数是否有差异 .
用显著性水平 α=0.05 检验 .
• Stat / basic statistics / paired t
before after
76 81
60 52
85 87
58 70
91 86
75 77
82 90
64 63
79 85
88 83
Paired T-Test and Confidence Interval

Paired T for before - after
before 10 75.80 11.64 3.68
after 10 77.40 12.18 3.85
Difference 10 -1.60 6.38 2.02
T-Test of mean difference = 0 (vs not = 0): T-Value = -0.79 P-Value = 0.448

基础统计
例题 12 : 总体比率的检验
• 现有的型号 CB773D 在特定条件下只有 60% 人认为 Focus 好 .
开发新的型号 EB771D 之后随机地抽取 100 名 , 他们的评价结果有 70% 的人说 Focus 好 .
用显著性水平 α=0.05 来检验一下 , 能不能说新型号的 Focus 比原来的型号更好 .
假设要检验的统计量是正态分布
Test and Confidence Interval for One Proportion
Test of p = 0.6 vs p > 0.6
Sample X N Sample p 95.0 % CI Z-Value P-Value

1 70 100 0.700000 (0.610183, 0.789817) 2.04 0.021

基础统计
例题 13 : 对总体比率的检验
•在美国总统选举中 , 对 XXX 候补想要推定旧金山地区和纽约地区的支持率的差异 .
在旧金山地区调查 5000 名 , 在纽约地区中调查 2000 名的结果 , 得到各 2400 名 , 1200 名的
支持 . 求 XXX 候补的两个地区的支持率是否相反 . 用显著性水平 α=0.05 来检验 .
假设已设定的
两个比率的差异
Test and Confidence Interval for Two Proportions

Sample X N Sample p
1 2400 5000 0.480000
2 1200 2000 0.600000
Estimate for p(1) - p(2): -0.12
95% CI for p(1) - p(2): (-0.145549, -0.0944512)
Test for p(1) - p(2) = 0 (vs not = 0): Z = -9.07 P-Value = 0.000

基础统计
例题 14 : 反复次数不同的一元配置法 (1/2)
• 销售实绩类似的营业社员分成 3 个 Group, 实施 A,B,C 三种方法再教育后调查了
销售实绩 . 调查一下三种教育方法有什么差异 .
• Stat / ANOVA / One-way(Unstacked)

A B C
4 5 8
7 1 6
6 3 8
6 5 9
3 5
Boxplots of A - C
C
基础统计
例题 14 : 反复次数不同的一元配置法 (2/2)
• 销售实绩类似的营业社员分成 3 个 Group, 实施 A,B,C 三种方法再教育后调查了
销售实绩 . 调查一下三种教育方法有什么差异 .
• Stat / ANOVA / One-way(Unstacked)
One-way Analysis of Variance
Source DF SS MS F P
Factor 2 38.28 19.14 8.49 0.005
Error 12 27.05 2.25
Total 14 65.33
Level N Mean StDev ----------+---------+---------+------
A 4 5.750 1.258 (-------*-------)
B 6 3.500 1.517 (------*-----)
C 5 7.200 1.643 (------*------)
----------+---------+---------+------
Pooled StDev = 1.501 4.0 6.0 8.0

基础统计
例题 14 : 有反复的二元配置法 (1/3)
为了调查影响时间当生产数的 4 个种类的设备和 3 个种类的 Material 在每个水平的组合各自做了 3 次反复实验 .
根据有反复的二元配置法得到了如下资料 . 分析一下各个要因和交互作用的影响 .
Calc / Make Patterned Data / Simple Set of Numbers → 实验之前没有树立实验计划的情况 ( 本例题 )

Stat / ANOVA / Two-way…
Material
设备 B1 B2 B3
A1 64,66,70 72,81,64 74,51,65
A2 65,63,58 57,43,52 47,58,67
A3 59,68,65 66,71,59 58,39,42
A4 58,41,46 57,61,53 53,59,38

基础统计
输入如下的反应变量
要因 (A: 设备 ) 对反应变数有规则 . 因此利用 Minitab 输入要因值 .
生成的要因变量名
要因变量始点
要因变量终点
要因变量变化单位
各要因变量的反复次数
上述过程的
反复次数
要因 (B:Material) 也用同样的方法
进行 .

基础统计
Two-way Analysis of Variance
Analysis of Variance for Producti

Source DF SS MS F P
A 3 1156.6 385.5 6.16 0.003
B 2 349.4 174.7 2.79 0.081
Interaction 6 771.3 128.5 2.05 0.097
Error 24 1501.3 62.6
Total 35 3778.6

基础统计
例题 15 : 相关分析
• 为了知道男女身高的相关程度 , 调查了成年男女身高情况 . 在显著性水平 α=0.05 检验一下
相关关系 .
• Stat / Basic Statistics / Correlation

boy girl
71 69
68 64
73
66 65
72
67 63 71
70 65 70
71 62
boy
69
70 65 68
73 64 67
72 66 66
65 59 65
66 62 60 65 70
girl
Correlations (Pearson)
Correlation of boy and girl = 0.558, P-Value = 0.074

基础统计
例题 16 : 回归分析 ( 多元线性回归分析 1/3)

• 在 LG 高等学校 , 为了推定影响统计学成绩的要因实施了 Brainstorming. 假因子选定为数学成绩和缺席
次数并且收集了相应的 Data. 请求出假因子和统计学成绩之间的关系方程式 .
• Stat / Regression / Regression
数学缺席统计学
成绩次数成绩
65 3 85
50 7 74
55 5 76
65 1 90
55 3 85
70 3 87
65 1 94
70 2 98
55 4 81
70 2 91
50 3 76
55 4 74

基础统计
Regression Analysis

Stat = 53.7 + 0.607 Math - 1.93 Absent

Constant 53.68 14.18 3.79 0.004
Math 0.6073 0.1984 3.06 0.014
Absent -1.9346 0.9144 -2.12 0.063
S = 3.721 R-Sq = 82.9% R-Sq(adj) = 79.1%
Source DF SS MS F P
Regression 2 603.66 301.83 21.80 0.000
Total 11 728.25
Source DF Seq SS
Math 1 541.69
Absent 1 61.97

基础统计
Residuals Versus the Fitted Values

(response is Stat)
Residual
-5
70 80 90
Fitted Value

基础统计
例题 17 : 检验离散型资料的同一性 (1/2)
• 为了调查地区别对 New Design A, B, C 偏好程度度是否有差异就在 LA, New York, Seoul, London
的 4 个地区的各 200 名顾客作为对象调查了偏好顺序 . 并且得到了如下结果 .
地区别 Design 偏好顺序是否有差异 , 用显著性水平 α=0.05 来检验 .
• Stat / Tables / Chi-Square Test
New Design
A B C 合计
地区
21 121 58 200
LA
New York 18 133 49 200
Seoul 10 147 43 200
18 138 44 200
London
67 539 194 800
合计

基础统计
例题 17 : 离散型资料的同一性检验 (2/2)
Chi-Square Test
A B C Total
1 21 121 58 200
16.75 134.75 48.50
2 18 133 49 200
16.75 134.75 48.50
3 10 147 43 200
16.75 134.75 48.50
4 18 138 44 200
16.75 134.75 48.50
右表的各项的上面数字表示测定值 ,
下面的数据表示期望值 . Total 67 539 194 800
P Value = 0.147 Chi-Sq = 1.078 + 1.403 + 1.861 +

原假设 ? 0.093 + 0.023 + 0.005 +
2.720 + 1.114 + 0.624 +
So, 地区不同时对 Design 的偏好顺序是
0.093 + 0.078 + 0.418 = 9.510
? DF = 6, P-Value = 0.147

基础统计
例题 18 : 离散型资料的独立性检验 (1/2)
• DID 事业部每年以新入社员为对象实施现场实习 . 为了调查他们的实习成绩和今后 1 年间
工作成绩之间有什么样的关系 , 以全体新入社员 400 名作为对象得到了以下结果 .
按照下面资料 , 请判断一下新入社员的现场实习成绩是否影响 1 年的工作 .
用显著性水平 α = 0.01 来检验 .
• Stat / Tables / Chi-Square Test
工作成绩
低良好优秀合计
实习成绩
低 23 60 29 112
28 79 60 167
良好
9 49 63 121
优秀
60 188 152 400
合计
独立性检验当中原假设和对立假设容易混淆 , 所以要注意 .
在这里
原假设 : 实习成绩与工作成绩没有关系
对立假设 : 实习成绩与工作成绩有关系

基础统计
例题 18 : 离散型资料的独立性检验 (2/2)
Chi-Square Test
Bad Good Better Total

1 23 60 29 112
16.80 52.64 42.56
2 28 79 60 167
25.05 78.49 63.46
3 9 49 63 121
18.15 56.87 45.98
Total 60 188 152 400
Chi-Sq = 2.288 + 1.029 + 4.320 +

P Value = 0.000
0.347 + 0.003 + 0.189 +
原假设 ? 4.613 + 1.089 + 6.300 = 20.179
So, 现场实习成绩和工作成绩是 ? DF = 4, P-Value = 0.000

基础统计
例题 19 : 离散型资料的适合度检验 (1/4)
• 生产筛子的工厂调查了筛子是否均等 , 随机抽取了 600 个之后投的结果
在隔尺 1 ~ 6 之间得到了 87, 96, 108, 89, 122, 98. 能不能认为筛子是均等 ?
用显著性水平 α = 0.05 来检验 .
• 检验适合度时 Minitab 不提供单独的 Program. 因此要做如下连续性的计算 .
1. Worksheet 的窗口如下构成
Chi Square
验证统计量的值
接受原
假设时的
期望值
观察值

基础统计
2. Calc / calculator

基础统计
3. Calc / Probability Distribution / Chi-square
4. Calc / Caculator

基础统计
例题 19 : 离散性资料适合度检验 (4/4)
5. P 值在 0.127, 因此要接受原假设 .

GB教材

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

GB教材

Uploaded by

Copyright:

Available Formats

Table

1. Six Sigma Introduction 9. Regression( 回归分析 )

2. 统计 基础 10. DOE （实验计划法）

3. Define 11. RSM( 反应表面实验 )

4. 测量系统分析 12. Case Study

5. 工程能力分析 13. 管理图

7. 假设检验 附录 2. 利用 Minitab 的统计基

2/293 LGENT/Six Sigma Part

改善目标 (Six Sigma 水准 ) 的侧面上通过 Six Sigma 的技法 , 发展为做事方式的效率化

啊 ! 那边有不良 不管怎么样都要成为钱 顾客所愿的 ! 成为做事方法

• Six Sigma 第 1 代 • Six Sigma 第 2 代 • Six Sigma 第 3 代 • Six Sigma 第 4 代

3/293 LGENT/Six Sigma Part

1. Customer Focused 3. 以 Data 为基础的议事决定

4/293 LGENT/Six Sigma Part

5/293 LGENT/Six Sigma Part

6/293 LGENT/Six Sigma Part

7/293 LGENT/Six Sigma Part

Six Sigma is the way ‘ itself ’ we work

Improve an existing Service 间接部门的 Output 极大化

8/293 LGENT/Six Sigma Part

Select Business System Sustain

Design Optimize DMADV

* D(Define)DOV is usually named as I(Identify)DOV.

9/293 LGENT/Six Sigma Part

一般的问题解决 Process Six Sigma Process

??? Measure 确认测量系统的精度以及测量

??? Improve 以实验等方法确认使改善对象

10/293 LGENT/Six Sigma Part

行 6σ Project 时为了开展根据 Data 的改善活动 , 以 Core Process 为基准实行

Define Measurement Analysis Improvement Control

■ 问题现象及现水平 ■ 测量指标 Y 明确化

* Source : DDM 事业本部

11/293 LGENT/Six Sigma Part

12/293 LGENT/Six Sigma Part

13/293 LGENT/Six Sigma Part

• 利用 Sample 的统计变量 96 97 98 99 100 101 102 103 104

1) AQL → Yes : 因为 Sampling 的 10 个测定值都在规格内 → OK

2) SPC → No : 用 Sample Data 推定总体的不良率为 2.8% → Epidemic 水平

* AQL(Average Quality Level) : 合格品质水准

14/293 LGENT/Six Sigma Part

15/293 LGENT/Six Sigma Part

4 6,210 15~25% ( 当前的水准 )

为什么以 99% 品质不可以 ?

ex) 用合格品质水平为 99% 的部品 1,000 个来开发 / 生产显示器时

Yield = 0.991000 ? = 0.000043171

16/293 LGENT/Six Sigma Part

17/293 LGENT/Six Sigma Part

1 69.12 93.32 99.38 99.98 100.00

Cp 0.67 1.00 1.33 1.67 2.00

* 假设各工程及不良是相互独立的，所测定的结果呈正态分布 . 在小数点的 2 位上四舍五入。

18/293 LGENT/Six Sigma Part

Spec-out 的话 LSL 要集合在中心 USL 虽然是 Spec-in

19/293 LGENT/Six Sigma Part

20/293 LGENT/Six Sigma Part

 在开发 , 生产 , 支援部门， Six Sigma 达成方向是

21/293 LGENT/Six Sigma Part

22/293 LGENT/Six Sigma Part

• 连续型 Data : 如长度 , 重量 , 时间等能够使用测定刻度尺的 Data

• 离散型 Data : 与合格 / 不合格 , 决定数等能用个数表示的 Data

23/293 LGENT/Six Sigma Part

什么是正态分布 (Normal Distribution) ?

24/293 LGENT/Six Sigma Part

 什么是正态分布 (Normal Distribution) ？

 不是正态分布的 Data 有哪些？举个例 .

2. 统计基础 10. DOE （实验计划法）

7. 假设检验附录 2. 利用 Minitab 的统计基

啊 ! 那边有不良不管怎么样都要成为钱顾客所愿的 ! 成为做事方法

CTQ 的定义选定 CTQ 的 Tool

检查 SKILL 个别入库计划资材供给

必要 Data Data 检讨 Data 检讨结果教育者确保充分的资料 • Process 要怎样详细地展开 ?

依靠教案检讨教案检讨委托书(书) 教案检讨者明确的检讨邀请内容

教案检讨教案检讨结果教育者快捷有深度的教案

4. 问题发生的频度参考 : IBM 的 5-UP’s*