Professional Documents
Culture Documents
GB教材
GB教材
6.Graph 分析 附录 1. 统计 Table
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
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
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.
• 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
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
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 )
IDOV
Re-
Verify
Design
Yes Yes
Re-
Define* New Measure Analyze Control
Design
? No
?
No
Improve
DMAIC
Define 明确要改善的对象 .
了
气
生
婆
老
? Analysis 选定对改善对象有影响的致命因子 .
么
什
是
由
理
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 .
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 !
◆ 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
• 总体可以判断它是良品?
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 .
σ PPM 品质费用
6 3.4 1% 以下 Stretch Goal
5 233 5~15%
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)
部品数 / 连续工程的收率变化
Complexity Yield(%)
Parts/Product 2σ 3σ 4σ 5σ 6σ
至今为止 …
我们是合格的
LSL USL
I am Data
以后是 …
Spec-in 就是合格
事前预测
隐藏的不良
Spec
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
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
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
区分 Data 的种类的目的是什么?
● ●
● ●
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 ?
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
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
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
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
Descriptive Statistics
Variable: PK
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
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 (-------*-------)
-+---------+---------+---------+-----
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
• 掌握对于地域别显示器需要的比重
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
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 .
Interaction
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)
• 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
前框不良较多为最大原因
选定为改善 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
No
No Raster
Raster 高压部 Vcp Power on/off
Mode 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
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
KNOWHOW 确定设备
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
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
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
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
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
• 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
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
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
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
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 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
• 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
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
3. 深刻度 : 问题的深刻度
❏ 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 ?
❏ 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 ?
• 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
正规性验证 (Normality Test)
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
Anderson-Darling Normality Test
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
正规性验证 (Normality Test)
进行 Box-cox Transformation
Minitab Menu : Stat / Control Charts / Box-cox Transformation
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
前面所求的
Est 的 Lambda 值
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
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
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
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)
60/293 LGENT/Six Sigma Part
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
.. . .
.... .... .
. .. . . .
.
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
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
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
63/293 LGENT/Six Sigma Part
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
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
正确性 正确性
( 下限 ) ( 上限 )
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 ?
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.
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
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 .
解释 :
Gage name:
Date of study :
Gage R&R (ANOVA) for data Reported by :
Tolerance:
Misc:
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
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
%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
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
2 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 .
6 Good Good Good Good
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
10 Good Good Good Good
11 Good Good Good Good 反复测量的结果不同时
12 Good Good Good Good
13 Good No Good Good Good 例 ) Sample 3 , 8 , 13 的情况
14 Good Good Good Good
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 .
17 Good Good Good Good
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 .
20 Good Good Good Good
部品之间偏差
• 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,
• 求上页例题的所有可能的不一致个数 ?
30(sample 数 ) * 42 / 4 = 120.
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
5) 从这里可以得出什么结论 ?
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
• 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)
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
8
-1 6
2
2 3 4 5 6 7 8 9 10
0
Master Part Measurement Linearity Accuracy
❏ 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 )
※ 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 .
• 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 )
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
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
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)
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
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
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
• 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
( 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
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
为了工程能力向上而努力
为了工程能力向上而努力
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
• 注意
- Subgroup Size ???
- Subgroup Number ???
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
• 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
- 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 .
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 )
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
❏ 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 ?
❏ 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 ?
• Example 中的缺陷是 ?
• 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?
• 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
• Example 中 DPMO 是 ?
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
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?
3) 对 Graph 分析结果的对策是 ?
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 .
画所有 Data 的
Graph 时
按照特定集团别画 Graph 时
10
Frequency
5
60 65 70 75
Height
75
Height 70
65
60
100 150 200
Weight
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
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
选定对问题 Y 有致命影响的候补 X 因子
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
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
• 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%.
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
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 .
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
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
.80
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
StDev: 9.39007 A-Squared: 0.159
N: 10 P-Value: 0.925 .01
.001
82 83 84 85 86 87 88
LG
Average: 84.98 Anderson-Darling Normality Test
StDev: 2.11229 A-Squared: 0.264
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
LG
SS
0 10 20 • Data 分布是正态分布 .
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
(means are indicated by solid circles)
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
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
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 )
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 .
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
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
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 ?
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 ?
Click
▼ 实行结果
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 ?
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
(means are indicated by solid circles)
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 Æí 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 )
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?
进行 Project 时 , 困难事项或需要组织支援的必要的事项是什么 ?
2. Short-cutting Activity
- 不要随意省略 DMAIC 各个阶段的一部分
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
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
Y 25 22 81 78
X 40 40 150 150
= =
ΣΣ(Xij -X)2 = ΣΣ(Xij -Xi)2 + ΣΣ(Xi -X)2 + 2AB
i j
i j i j
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 .
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
Response Strength
Factors Factor
ConfLvl 95.0000
5. 做分散分析
Minitab Menu : Stat / ANOVA / One way
5. 结果如下 , 请解释其结果
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
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
实行结果 :
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 ?
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
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
°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
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
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
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
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
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
A B C
74
70
66
Y
62
58
1 2 3 1 2 3 1 2 3
80
A
3
65
2
1 50
80
B
3
65
2
1 50
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 .
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 .
Analysis of Variance
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
• 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
Frequency
1
-6 -4 -2 0 2 4 6
Normal Score
0
-1
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
Anderson-Darling Normality Test
A-Squared: 0.414
P-Value: 0.269
Residual
0
-5
20 70 120
Fitted Value
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
140
120
100
80
Y
60
40
Regression
20
95% CI
95% PI
0
10 20 30 40 50 60 70 80
9 11
X1 为 9, X2 为 11 时
推定 Y 值 .
Source DF Seq SS
x1 1 313.04
x2 1 19.03
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
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
→ 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
Prism(DOE)
( 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
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
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 )
分析
实验计划 实验实施 验证实验
主效果 交互作用 Cube Plot
反复实验次数
2 水平实验
3 水平实验
因子数量
3 因子以上的交互作用
confounding
0 0
20 25 32 33 1 2
0.42
0.39
0.36
gap
0.33
0.30
0.5
height
0.4
1
0.3
-1
0.5
width
0.4
1
0.3
-1
resin
0.41 0.49
0.27 0.51
1
resin
0.28 0.21
-1 -1
-1 1
height
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
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
A: A
B: B
AB
Normal Probability Plot of the Standardized Effects
(response is Y, Alpha = .10)
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
0 0
17 19 2 4
95
90
85
Y
80
75
A B
A
94 170
190
Centerpoint
Mean
84
74
2 4
B
95
85
Y
75 4
170
3
B
180 2
A 190
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
浓度 (E) 3 6
Not Acceptable
Acceptable
Best
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)
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
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
Axial Point
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 .
• 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 .
• 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
• 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 )
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
• Minitab Menu : Stat / DOE / Response Surface / Analyze Response Surface Design
^ - 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
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
• 为了生成残差 Minitab Menu : Stat / DOE / Response Surface / Analyze surface design /graph
• 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.
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
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
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 ?..
Y1
Maximum
y = 99.2178
d = 0.92178
Y2
Maximum
y = 95.0860
d = 0.50860
1 上海
2 3
南京
❏ 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
• 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 : ,,,
❏ 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
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
❏ 分析结果概要
Y Critical X
路线 , 排气量 , 车辆种类
路线 , 排气量
❏ 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
Analysis of Variance
Regression 6 for time
9.0600 9.0600 1.51000 2.72 0.086
Source DF Seq SS Adj SS Adj MS F P
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
❏ 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
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
❏ 最佳 Spec 决定以及实际工程能力验证
• 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
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)
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
237/293 LGENT/Six Sigma Part
管理图 (Control Chart)
解释管理图?
- 异常原因 (Special Cause) 的具有代表性的类型
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
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)
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 .
0.25
UCL=0.2464
0.24
Sample Mean
0.23
0.22 Mean=0.2223
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
601
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…
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
16 29 3000 0. 010 40
20
LCL=14.25
10 1
0 5 10 15
Sample Number
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 ȱµãÊý
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
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 ȱµãÊý
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
❏ 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 )
❏ 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 ?
❏ 活动结果是否作成文件化并且共享 ?
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
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
Descriptive Statistics
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
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?
例题 2 : 求多种统计量
• 执行结果 , 计算的 Data 在工作表上按列出现 .
例题 2 : 求多种统计量
• 如果想要把这些统计量要在 Session Window 上显示 ?
x P( X = x)
5.00 0.1859
成功次数
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 .
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) ?
x P( X <= x)
14.00 0.9165
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) ?
x P( X <= x)
-0.2800 0.3897
Z Confidence Intervals
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?
50000
51000
54000
52000
54000
50000
53000
52000
52000
T Confidence Intervals
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
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 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
N Mean StDev SE Mean
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
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 )
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
Exact
Sample X N Sample p 95.0 % CI P-Value
1 120 500 0.240000 (0.203197, 0.279910) 0.000
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).
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
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 .
• Stat / basic statistics / 1 Sample t
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.
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
N Mean StDev SE Mean
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
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
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 .
before after
76 81
60 52
85 87
58 70
91 86
75 77
82 90
64 63
79 85
88 83
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
假设已设定的
两个比率的差异
Boxplots of A - C
(means are indicated by solid circles)
C
278/293 LGENT/Six Sigma Part
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 .
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
Individual 95% CIs For Mean
Based on Pooled StDev
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
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 .
Material
设备 B1 B2 B3
输入如下的反应变量
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 .
boy
69
70 65 68
73 64 67
72 66 66
65 59 65
66 62 60 65 70
girl
Correlations (Pearson)
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
Regression Analysis
Analysis of Variance
Source DF SS MS F P
Regression 2 603.66 301.83 21.80 0.000
Residual Error 9 124.59 13.84
Total 11 728.25
Source DF Seq SS
Math 1 541.69
Absent 1 61.97
Residual
-5
70 80 90
Fitted Value
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 .
New Design
A B C 合 计
地区
21 121 58 200
LA
18 138 44 200
London
67 539 194 800
合 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
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 .
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
例题 18 : 离散型资料的独立性检验 (2/2)
Chi-Square Test
2 28 79 60 167
25.05 78.49 63.46
3 9 49 63 121
18.15 56.87 45.98
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 .
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
例题 19 : 离散型资料的适合度检验 (2/4)
2. Calc / calculator
例题 19 : 离散型资料的适合度检验 (3/4)
3. Calc / Probability Distribution / Chi-square
4. Calc / Caculator
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 .