六標準差

Six Sigma
2009

蘇朝墩

©版權所有，未經授權請勿使用及出版
 Chapter 11
量測系統分析
2009

蘇朝墩

©版權所有，未經授權請勿使用及出版
 Outline
 計量型量測系統分析
 量測系統誤差
 計量型Gage R&R
 計數型量測系統分析
 計數型量測系統誤差分析
 Kappa分析
 Minitab統計軟體分析
 不可重複型量測系統分析
清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 3
Introduction
 Measure
 通常我們透過量測來獲得所需的數據資料
 六標準差利用資料分析來進行決策，而「量
測」是一個非常重要的基礎
 你所獲得的量測值(觀測值)是有效的嗎？你
的量測系統的誤差有多大？

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 5

 Measure: MSA
 在六標準差中，measure階段的目的是要確認量測
系統能夠正確的衡量y
 觀察到的總變異=單純由於流程造成的變異+量測
系統的變異
 我們希望大部分的變異是由於流程的變異(例如產品之間
的變異)所造成，並且希望量測系統之誤差盡可能愈小愈
好

 量測系統分析 (Measurement System Analysis)

 評估影響量測品質的可能因素，例如量測人員、量測 儀
器、量測程序等

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 6

 MSA
 MSA主要在評估量具的準確性(Accuracy)與變異性
(Variability)是否符合需求
 「準確性」用於描述個別量測值或平均量測值與真
值或可接受之參考值的接近程度，而穩定性
(Stability)、偏倚(Bias)與線性(Linearity)此三項特性
的分析乃在於評估量測系統的準確性。
 「變異性」用於描述個別量測值或平均量測值間的
離散程度，而重複性(Repeatability)與再現性
(Reproducibility)乃在於處理量測系統之變異性。

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 7

MSA for Variable Data
 Variable Data
 計量型資料以「連續量測」的型態呈現

 計量型量測系統可展示受測物在一連續尺度上的好
壞程度

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 9

Measurement System Error
 Resolution
 量測系統的解析度(resolution)定義為一量測系統可
如實地指出或偵測出在量測上之微小變化的能力
 量測系統不可能提供精準無誤的量測。通常量測系
統會以「數據類別（data categories）」來進行量測
結果的分類，而落入同一個數據類別的量測結果將
有相同的量測值。
 舉例來說，如果一量測系統的解析度為0.01公分，那麼，
量測規格為2.003公分、2.001公分、1.998公分的物件，
其結果將全部被歸為2.00公分的數據類別中，也就是量
測結果皆為2.00公分。
 解析度愈高則數據類別愈多，量測結果將愈精確。
清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 11
 Discrimination
 一個量測系統的分辨力(discrimination)或解析度
(resolution)，係指其對於當所衡量特性有些微改變
時，可偵測出的能力。
Example: If resolution = 0.01,
最小可讀單位 1.002, 1.003, 0.997  1.00

 推薦的分辨力為六倍總流程標準差之1/10
 例：一個符合規格之流程的標準差為0.001，則至少應使
用解析度為 (0.001× 6)/10 = 0.0006的量測系統進行量測
 也常使用來自gauge R&R study之區別分類數
(number of distinct categories)來協助分析
一個量測系統應該將其所關切的
區域，至少分成5個「數據類別」
清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 12
 Example: Discrimination
 當分辨力不足時，R chart會顯示出jumps或step的現象
Example:
原始資料
平均值
全距
1000
100
975

950
50
925

900 0

平均值 四捨五入後的資料 全距

1000 x x
100

975

950 50

925

900 0

 補救措施：使用具有額外分辨力的量測系統，如取更多位有效數字
清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 13
 Properties of Measurements
 對於同一個被量測物，量測系統不管在現在或未來都應產
出相同的量測結果，亦即應具有「穩定性」
 必須能夠產生一個接近被量測物之真值或參考值的量測數
字，亦即應該具有較小的「偏倚」。
 量測系統應在所有可量測範圍內擁有準確的量測結果，亦
即應具有「線性」的特性
 由同一施測人員對同一受測零件進行重複量測時，每次的
量測結果應呈現一致，亦即需具備「重複性」
 由經訓練的不同施測人員對同一受測零件進行量測時，應
得到相同的量測結果，亦即量測系統應具有「再現性」

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 14

 Measurement System Error

 量測系統誤差包括由於量具的穩定性
(stability)、偏倚(bias)、線性(linearity) 、重
複性(repeatability)與再現性(reproducibility)
所結合造成的變異。

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 15

 Stability
 Stability係指隨時間變化 Wed.
的偏倚值(俗稱漂移)
 量測過程的統計穩定性
 隨時間量測之穩定性
Fri.

Mon.

造成量測系統不穩定的可能原因為：
量具或夾具的損耗或腐蝕、設備的老
化、環境溫度的變化等。
stability
清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 16
 Example: Stability
 Stability可透過管制圖的實施來確定
 利用標準件
 使用x-bar and R charts: σˆ = R / d 2 σˆ = s / c4
 某一標準件，經過精密測定後得知其正確尺寸為
6.00。其後施測人員使用該量測系統對標準件進行
量測，如下
回
1 2 3 4 5 6 7 8 9 10
重複
1 6.01 6.07 5.99 5.89 6.04 5.97 5.97 5.98 6.03 6.03
2 6.07 6.02 5.91 6.00 6.05 6.00 5.98 6.03 6.02 5.99
3 6.10 6.08 5.98 6.01 6.05 5.97 6.03 6.03 6.01 6.03
4 6.03 5.95 5.99 6.02 6.05 5.89 6.01 6.01 6.02 6.07
5 5.99 6.10 6.00 6.09 6.03 6.00 5.98 6.09 6.09 5.97

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 17

 Example: Stability
 x-bar and R charts
UCL=6.0733
6.05
Sample Mean

_
_
X=6.0144
6.00

5.95 LCL=5.9555
1 2 3 4 5 6 7 8 9 10
Sample Group

UCL=0.2160
0.20
Sample Range

0.15
_
0.10 R=0.1021

0.05

0.00 LCL=0
1 2 3 4 5 6 7 8 9 10
Sample Group

 此量測系統之穩定性是可接受的
清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 18
 Bias
 Bias係指所觀測到的量測值 (trials under
repeatability conditions)之平均值與基準值之
間的差異(historically referred to as accuracy)

bias

例：
Improper calibration of equipment

reference average

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 19

 Example: Bias
 一個檢測員使用解析度為0.025毫米的游標卡尺，
針對一標準件(24.400毫米)衡量了12次
 數據
24.425, 24.400, 24.475, 24.425, 24.400, 24.375
24.450, 24.425, 24.425, 24.375, 24.475, 24.500
 分析
293.15
Bias = Average − Reference = − 24.400 = 0.029
12
0.029
%Bias = ×100% = 6.04% (Assume tolerance = ±0.24)
0.48

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 20

 Bias
 偏倚是量測系統的系統誤差，它會增進所有已知或
未知變異來源所共同影響的總量測誤差。
 理想上，偏倚在統計上希望可以為零，
 可利用統計檢定的方式來評估量測系統所產生的偏倚程
度是否可接受（無法拒絕偏倚為零的假設）
 造成過大偏倚的可能原因有：
 量具未校正、量具變形、量測位置不正確、量測者疲勞、
觀測誤差等。

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 21

 Linearity
Bias小，接近
 Linearity係指量具於期 量測範圍中間
望的操作範圍內之偏倚
的變化量

造成線性誤差的原因可能有：儀器未
校正、量具品質不佳、缺乏穩健的量
測方式、受測零件或量具之變形量隨 reference
量測尺寸不同而有所差異等。

Bias大，接近
量測範圍尾端
清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 22
 Example 11.3: Linearity
 Linearity: 在量具之正常工作範圍內之偏倚的
變化量
 Example
PART 1 2 3 4 5 6
Ref. value 3.00 5.00 7.00 9.00 11.00 13.00
Measureme
Each part was measured 12 times in a random sequence.
nts
Part average 3.72 5.49 7.11 8.74 10.59 12.34
Bias 0.72 0.49 0.11 -0.26 -0.41 -0.66

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 23

 Example 11.3: Linearity
 我們可找出偏倚(bias)與參考值之間的最佳適配線

偏倚

參考值
 線性(linearity)是由最佳適配直線的斜率來決定
 The linearity of the gauge: slopeprocess variation (or
tolerance)
 % linearity: 100linearity/process variation (or tolerance)

 較低的斜率(slope)表示具有較佳的量具線性

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 24

 Example 11.3: Linearity
0.8
0.6
0.4
0.2
參考值的不同
Bias

0.0
可解釋98.5%的偏倚變異
-0.2
-0.4 偏倚量受量程的不同所影響，
這並非是一個好的量測系統。
-0.6
-0.8
2 4 6 8 10 12 14
Reference

y = 1.14 − 0.142 x R 2 = 0.985

Linearity = − 0.142 × 5 = 0.71 (Tolerance = 5)
% Linearity = − 0.142 ×100% = 14.2%
清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 25
 Linearity Evaluation

不一致的偏倚
有線性誤差

一致的偏倚
無線性誤差 偏 偏
倚 倚
0 0
偏
倚 量測之量程 量測之量程
0
偏 偏
量測之量程 倚 倚
0 0

量測之量程 量測之量程
在良好的量測系統下，
不論量程的大小，其
所得到的偏倚應該是
相同的。

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 26

 Repeatability
 在相同的量測條件下，進行重複量測時所產
生的變異
 系統內部變異(Within-system variation)
 The conditions of measurement are fixed and defined
例：Inconsistent part locating
 除了設備內部的變異之外，可能還包括其他環境、方
法等內部變異
 儀器變異(Equipment variation)
 同一位操作員使用相同的儀器量測相同的零件，
是否在每次量測都可得到相同的結果？
 儀器(量具)能力或潛能 施測人員內部的變異

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 27

 Reproducibility
 在不同的量測條件下，進行量測時所產生的
變異
 系統之間(條件)的變異
 Manual instruments-- Skill of the operator is important
 Automated measurement systems-- Operator is not a
major source of variation

 人員變異(Appraiser variation)
 不同的操作人員使用相同的儀器，是否可以量
測出相同的結果？ 誤差可能是評價者、環境、方法…
施測人員之間的變異

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 28

 Repeatability & Reproducibility
Mary

Frank

Jane
repeatability

reproducibility
清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 29
 Variability Sources

σ process
2
由特殊原因引起，可能不存在

σ σ product
2 2
Total

不同製造零件間的差異而形成的變異

σ inherent
2

σ repeatabil
2
ity
σ measuremen
2
t
σ reproducib
2
ility
量測系統所造成之變異

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 30

 Variability Sources

In this course

Total variance = Measurement + Part

variance variance

σ = σ +σ
2
T
2
m
2
p

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 31

 Measurement Systems Analysis
 MSA 評估repeatability, reproducibility, bias,
stability, and linearity的統計特性
 Repeatability與reproducibility之研究乃在處
理量測系統之變異性(variability)
 Bias, stability與linearity之研究乃在處理量測
系統之準確性(accuracy)

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 32

 Minitab (2002) Definition
 Precision, or measurement variation, can be
broken down into two components.
 Repeatability is the variation due to the measuring
device.
 Same operator, same part, same device
 Reproducibility is the variation due to the
measurement system.
 Different operators, same parts, same device

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 33

 MSA
 確保量測系統的量測品質是有效地分析流程
的前提
 分析量測系統之重複性及再現性最常使用的
手法是Gage R&R分析
 實務上(業界)通常以Gage R&R的分析結果來
作為評判量測系統的依據

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 34

Gage R&R
 Gage R&R Study
 Gage R&R Study
被使用來確認量具的變異是否足夠的小
(與公差寬度或零件變異相比)

σ = σ +σ
2
T
2
m
2
p
若是，則量測系統是可靠的，也就是
量測所得的數據是可信任的；
若否，則量測系統需要進行改善。

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 36

 Gage R&R Considerations
 對於一個gage R&R study，要注意下列事項：
 流程必須在統計管制之下
 Common causes not special causes
 與流程變異和規格界限相比，量測系統之變異
必須是小的
 相較於流程變異和規格界限，量測之刻度單位
必須是小的

1/10

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 37

 Various Measures
評估量測系統的變異性是否在可接受範圍內，
可用以下三項指標：
 流程變異的百分比(Percent of process variation)
 公差的百分比(Percent of tolerance)
 區別分類數(Number of distinct data categories)

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 38

 Gage R&R Relationships
σ T2 = σ m2 + σ p2
σ m2 = σ e2 + σ o2

σ p = Part standard deviation

σ m = Measurement system standard deviation
σ e = Gage standard deviation
σ o = Appraiser standard deviation

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 39

 %R&R and %Tolerance
 %R&R
量測系統之重複性和再現性佔總變異的百分比
σm
% R & RTV = ×100%
σT
 %Tolerance
量測系統之重複性和再現性佔公差的百分比
5.15σ m
% R & RTolerance = ×100% %P/T
tolerance
5.15σ: 99% spread of variation
6σ: 99.73% spread of variation
清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 40
 Additional Ways
 量測系統變異佔總變異( TV )之百分比
6σ m
% R & RTV = ×100%
6σ T

 量測系統變異佔規格公差(Tolerance)之百分比
6σ m
% R & RTolerance = ×100%
USL − LSL

or %P/T

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 41

 Measurement System Acceptability
 依照AIAG (2002)，量測系統之接受性的一
般準則為
 低於10%的誤差，
通常認為是一可接受的量測系統
 10% ~ 30%的誤差，
依據應用之重要性、量測裝置的成本、維修費用以及其
他因素等，量測系統是可接受的
(or 對於一般的量測，現有的量測系統可能是適合使用的，但對於
關鍵的量測，現有的量測系統是不適合使用的)

 大於30%的誤差，
考慮為不可接受，並且應該改善量測系統

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 42

 Acceptance Criteria
 二種情況
1. % R & RTV
2. % R & RTolerance
 如果第1項不滿足，而第2項滿足
measurement system accounts for a small portion of tolerance
 如果第2項不滿足，而第1項滿足
measurement system is separating gage variation from product variation

 使用以下二個準則
 第1項與第2項皆須滿足
[
 使用 min % R & RTV , % R & RTolerance ]
清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 43
 Number of Distinct Categories
 區別分類數(ndc)：表達量測系統可以可靠的
分辨不同讀數之數目
σ p 
Number of distinct categories =   ×1.41
σ m 

 ndc應該採無條件捨去的方式取到整數位值，
而且要大於或等於5

DC#1 DC#2 DC#3 DC#4

Xmeasured是在二個讀數
Xmeasured
之間的某個地方

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 44

 x and R charts
 一個gage R&R分析之產出通常包括 x-bar and
R charts.
 當x-bar chart不在管制狀態下，這表示零件
變異高過於repeatability and reproducibility，
而這是我們要的
 當R chart不在管制狀態下，這表示評估人員
之間存在不一致性

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 45

 Preparation for a MSA Study
 規劃所使用之方法
 有時候Reproducibility可以被忽略，例如「按鈕」
 選擇評估人員數、零件數、重複數
 通常5-10個零件數，至少2 位評估人員與2次的重複
 選擇可以正常操作儀器的人員
 選擇可以代表整個操作範圍的零件(零件要編號)
 確定儀器具有足夠的分辨力，特性被讀出的值至少
是流程變異的1/10
如果特性的變異為0.01，則設備至少應該能被讀出0.001的變化量

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 46

 Measuring Method
 量測應該以隨機順序進行
 記錄所獲得之最靠近讀數
 這項工作應該由瞭解實施一個可靠研究之重
要性的人員來負責
 確認每位評估人員使用相同的程序來獲取量
測值
 Operation instruction
 Part locating or orientation scheme

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 47

Three Methods for Gage R&R Analysis
 Range method (全距法)
 只對量測系統提供一整體的變異狀況，無法將變異分解
為重複性與再現性
 Average and Range method (平均值-全距法)
 可以將變異分解為重複性與再現性，但不能確定此二者
之間的交互作用
 ANOVA method (變異數分析法)
 可以從數據中得到更多的資訊，例如零件與評估者之間
的交互作用；其缺點為計算較複雜

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 48

Examples
iRi

Example 11.4: Gage R&R (Range method)

 有5個零件和2個評估人員
 從過去的研究中得知流程標準差為0.1680
受測零件 施測人員A 施測人員B 全距
1 0.45 0.55 0.10
2 0.80 0.75 0.05
3 0.95 0.90 0.05
4 0.55 0.65 0.10
5 0.75 0.70 0.05

R=
∑ R i
=
0.35
= 0.07
5 5

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 50

 Example 11.4: Gage R&R (Range method)
 量測系統之變異(含重複性與再現性)為
R R 0.07
σm = *
= = = 0.0588
d 2 1.19 1.19
 流程標準差為0.1680

那麼 σ m 0.0588
 %Gage R & R = = = 35.0% > 30%
σ T 0.1680
 結論：量測系統需進行改進
g = 子組的個數
d2*
1 2 3 4 5
m= 2 1.41 1.28 1.23 1.21 1.19
子組的大小 3 1.91 1.81 1.77 1.75 1.74

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 51

Example 11.5: Gage R&R (Average and Range method)
k=
Xijk 平均值
1 2 3 4 5
i = A, j = 1 0.29 1.34 -0.80 0.59 2.26
i = A, j = 2 0.41 1.17 -0.92 0.75 1.99
平均值 0.35 1.26 -0.86 0.67 2.13 0.708
全 距 0.12 0.17 0.12 0.16 0.27 0.168
i = B, j = 1 0.04 0.88 -1.46 0.02 1.77
i = B, j = 2 -0.11 1.09 -1.07 0.01 1.45
平均值 -0.04 0.99 -1.27 0.02 1.61 0.262
全 距 0.15 0.21 0.39 0.01 0.32 0.216
平均值 0.16 1.12 -1.06 0.34 1.87
X ⋅⋅⋅ = (0.708 + 0.262) / 2 = 0.485 R⋅⋅ = (0.168 + 0.216) / 2 = 0.192
R零件 = Max( X ⋅⋅ k ) − Min( X ⋅⋅ k ) = 2.930 R人員 = Max( X i ⋅⋅ ) − Min( X i ⋅⋅ ) = 0.708 − 0.262 = 0.446

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 52

Example 11.5: Gage R&R (Average and Range method)
1
2
1
1
Sample Mean

1
1 UCL=0.846
__
X=0.485
0 1 1 LCL=0.124

-1 1

1 2 3 4 5 6 7 8 9 10
Sample Group

0.60 UCL=0.6273
Sample Range

0.45

0.30
_
R=0.192
0.15

0.00 LCL=0
1 2 3 4 5 6 7 8 9 10
Sample Group

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 53

Example 11.5: Gage R&R (Average and Range method)
R⋅ ⋅ 0.192 R人員 0.446
σ 儀具 = = = 0.166 σ 人員+ 儀具 = = = 0.315
d 2* 1.160 d 2* 1.414

σ 儀具
2
 R人員  2 2
 0.446  0.166
2
σ 人員 =  *  − =   − = 0.311
 2 
d 重複量測數 × 受測零件數  1 .414  2 × 5

σ 量測 = σ 儀具
2
+ σ 人員
2
= 0.166 2 + 0.3112 = 0.353

R零件 2.930
σ 零件 = = = 1.181
d 2* 2.481

σ 總 = σ 量測
2
+ σ 零件
2
= 0.3532 + 1.1812 = 1.233

σ 量測 0.353
%RR 總變異 = ×100% = ×100% = 28.63%
σ總 1.233
σ 零件 1.181 量測系統的能力不佳
ndc = ×1.41 = ×1.41 = 4.72 ≅ 4
σ 量測 0.353
清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 54
Example 11.5: Gage R&R (Average and Range method)
Gage R& R (Xbar/R) for 量測值
Components of Variation 量測值 by 受測零件
100
% Contribution 2
% Study Var
Percent

50 0

0 -2
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5
受測零件
R Chart by 施測人員
1 2 量測值 by 施測人員
UCL=0.6273
2
0.50
Sample Range

_ 0
0.25
R=0.192

0.00 LCL=0 -2
1 2
施測人員
Xbar Chart by 施測人員
1 2 施測人員 * 受測零件 Interaction
施測人員
1.5 1.5 1
UCL=0.846
Sample Mean

2
__
Average

0.5 X=0.485 0.5

LCL=0.124
-0.5
-0.5

1 2 3 4 5
受測零件

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 55

Example 11.5: Gage R&R (Average and Range method)
計量型Gage R&R分析之Minitab報表
Gage R&R Study - XBar/R Method
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 0.12471 8.20
Repeatability 0.02740 1.80
Reproducibility 0.09731 6.40
Part-To-Part 1.39583 91.80
Total Variation 1.52054 100.00
Study Var %Study Var
Source StdDev (SD) (5.15 * SD) (%SV)
Total Gage R&R 0.35314 1.81868 28.64
Repeatability 0.16552 0.85241 13.42
Reproducibility 0.31195 1.60655 25.30
Part-To-Part 1.18145 6.08448 95.81
Total Variation 1.23310 6.35047 100.00
Number of Distinct Categories = 4
清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 56
 Example 11.6: Gage R&R (ANOVA method)
計量型Gage R&R分析之Minitab報表
Gage R&R Study - ANOVA Method
Two-Way ANOVA Table With Interaction
Source DF SS MS F P
受測零件 4 19.3474 4.83685 228.100 0.000
施測人員 1 0.9946 0.99458 46.903 0.002
受測零件*施測人員 4 0.0848 0.02121 0.888 0.505
Repeatability 10 0.2387 0.02387
Total 19 20.6655
Gage R&R
Study Var %Study Var
Source StdDev (SD) (5.15 * SD) (%SV)
Total Gage R&R 0.34678 1.78591 30.14
Repeatability 0.15202 0.78288 13.21
Reproducibility 0.31168 1.60517 27.09
施測人員 0.31168 1.60517 27.09
Part-To-Part 1.09701 5.64961 95.35
Total Variation 1.15052 5.92517 100.00
Number of Distinct Categories = 4
清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 57
 Measurement Improvement
 如何改善量測系統之重複性
 定期儀器維護、保養
 量具的夾緊或零件的定位方式需要加以改善
 重新設計量測儀器

 如何改善量測系統之再現性
 員工教育、訓練
 可能需要某些夾具協助操作員，使其更具一致性的使用
量具
 清楚定義操作程序，使容易執行

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 58

MSA for Attribute Data
 Attribute Data
 計數型資料以「類別」而非「連續量測」的型態呈
現。
 計數型量測系統是一種量測數值為一有限分類數量
的量測系統，其量測結果牽涉到對於受測物的類別
判斷
 常見的計數型量測系統，例如
 go/no go量規，
 很滿意（2）、滿意（1）、一般（0）、不滿意（-1）、
很不滿意（-2）五種評鑑結果

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 60

Measurement System Error
 Measurement System Error
 計數型量測系統誤差同樣可藉由評估量測系
統的五項統計特性來獲得：
 穩定性（Stability）
 偏倚（Bias）
 線性（Linearity）
 重複性（Repeatability）
 再現性（Reproducibility）

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 62

 A Simple Example
 計數型量測系統誤差分析之數據
 量測結果分為三類：好(1)、一般(0)、差(-1)
受測物 真值 時間 時間 施測人員A 施測人員B 施測人員C
1 1 今日 上午 -1 1 1
1 1 今日 下午 1 1 0
2 0 今日 上午 0 0 1
2 0 今日 下午 0 0 0
3 -1 今日 上午 -1 -1 -1
3 -1 今日 下午 -1 -1 -1
1 1 次週 上午 1 1 0
1 1 次週 下午 1 1 1
2 0 次週 上午 0 -1 0
2 0 次週 下午 0 0 1
3 -1 次週 上午 -1 0 -1
3 -1 次週 下午 -1 -1 -1
清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 63
 Bias
 「偏倚」是想知道：在量測系統的量測結果裡，被
判斷屬於某個類別的受測物比例是否與實際的比例
相符？
 在整個量測過程共36次的量測結果中顯示
 受測物被判斷屬於好（1）的比例為 11/36 = 0.306
 實際上，受測物為好（1）的比例為4/12 = 0.333
 當量測類別為好（1）時，偏倚 = 0.306 – 0.333 = -0.027
 量測系統之整體偏倚情況，可由各類別偏倚的絕對
值和之平均來估算
0.306 − 0.333 + 0.333 − 0.333 + 0.361 − 0.333
偏倚 = = 0.018
3
清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 64
 Repeatability
 「重複性」是想知道：當一施測人員在短時間內
（上午／下午）量測同一受測物多次時，是否每次
的量測結果都一致？
 以施測人員A的六組量測結果為例
 受測物1在今日上午和下午的量測結果不一致，但在其
它的量測上皆呈現一致的結果
 施測人員A的重複性 = 5/6 = 0.833
 整體量測系統之重複性可以施測人員的重複性平均
來表示
0.833 + 0.667 + 0.333
重複性 = = 0.611
3
清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 65
 Reproducibility
 「再現性」所衡量的是：當所有施測人員量測同一
受測物時，是否量測的結果為一致？
 就「今日」的量測而言
 三位量測人員在上午對受測物1、下午對受測物1，及上
午對受測物2所得的量測結果並不一致（0），而其他的
量測呈現一致（0）的情形，因此，對於該量測系統
「今日」的六次量測，其再現性為 3/6 = 0.500。
 同樣計算該量測系統在「次週」的再現性為0.333
 量測系統的整體再現性為：
0.500 + 0.333
再現性 = = 0.417
2
清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 66
 Stability
 「穩定性」所衡量的是：量測系統在相隔一段時間
下，其量測能力的變異性，而量測能力包含前述的
偏倚、重複性及再現性
 以「今日」的18個量測數據計算量測系統的偏倚
 受測物被判斷屬於好（1）的比例為5/18 = 0.278
實際上受測物為好（1）的比例為2/6 = 0.333
 受測物被判斷屬於一般（0）的比例為6/18 = 0.333
實際上受測物為一般（0）的比例為2/6 = 0.333
 受測物被判斷屬於差（-1）的比例為 7/18 = 0.387
實際上受測物為差（-1）的比例為2/6 = 0.333
 該量測系統「今日」的偏倚計算如下：
0.278 − 0.333 + 0.333 − 0.333 + 0.387 − 0.333
偏倚 今日 = = 0.036
3
清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 67
 Stability

0.278 − 0.333 + 0.333 − 0.333 + 0.387 − 0.333

偏倚 今日 = = 0.036
3
0.333 − 0.333 + 0.333 − 0.333 + 0.333 − 0.333
偏倚 次週 = =0
3

穩定性 偏倚 = Std ( 0.036, 0 ) = 0.025

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 68

 Stability
 關於重複性的穩定性評估，首先以「今日」的量測
數據計算量測系統的重複性
 施測人員A在今日量測受測物1所得的量測結果不一致，
但在受測物2和受測物3的量測上呈現一致的結果，因此，
施測人員A在今日的重複性為2/3 = 0.667
 施測人員B在今日的重複性為3/3 = 1
 施測人員C在今日的重複性為 1/3 = 0.333
 施測人員A、B及C在「次週」之重複性分別為：
1、0.333、0.333
 重複性的穩定性可以各施測人員在不同時間所得重
複性的標準差來表示：
穩定性 重複性 = Std ( 0.667, 1, 0.333, 1, 0.333, 0.333 ) = 0.328
清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 69
 Stability
 「今日」的再現性為3/6 = 0.500
 「次週」的再現性為 2/6 = 0.333
 該量測系統在再現性上所表現的穩定性
穩定性 再現性 = Std ( 0.500, 0.333 ) = 0.118

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 70

 Linearity
 計數型量測系統的線性所衡量的是：當施測人員量
測涵蓋所有量測結果類別（真值）的受測物時，受
測物的分類是否在每個結果類別上皆具有一致性？
 在評估線性時，以量測結果在不同量測類別（真值）
所呈現的偏倚全距來表示
 量測類別為好（1）時，其偏倚= -0.027
 量測類別為一般（0）時，其偏倚= 0
 量測類別為差（-1）時，其偏倚= 0.028

 綜合三個量測類別的偏倚，該量測系統的線性為：
線性 = 0.028 − (−0.027) = 0.055

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 71

Kappa Analysis
 Kappa
 Kappa係數為一種衡量一致性的統計量測指數
 Kappa係數在計算時考慮到因僥倖而形成一致的可
能性，因此，一般被認為其計算方式較單純的比例
計算來得穩健
 Kappa係數衡量二量測過程間，個別將N個物件分
類至C個互斥類別時的分類一致性
 此係數適合用於評估計數型量測系統的量測是否一致

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 73

 Kappa
 表示二施測人員量測結果之一致性的Kappa係數可
以下式計算：
Po − Pe
Kappa =
1 − Pe
Po為施測人員量測結果中所觀察到的一致性比例
Pe為施測人員量測結果中所期望的一致性比例
 若Kappa係數為1，則表示完全的一致；若Kappa係數為0，
則表示施測人員量測結果的一致性僅是建構於僥倖上
 對於計數型量測系統分析，通用的法則為：
 當Kappa係數大於0.75，則表示有良好的一致性
 當Kappa係數小於0.4，則表示該量測系統需要改善
清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 74
 Cross Tabulation
B
總計
類別 0 類別 1
類別 0 a b g1 = a + b
A
類別 1 c d g2 = c + d
總計 f1 = a + c f2 = b + d n=a+b+c+d

 g1   g2 
 f1 ×  +  f 2 × 
a+d n  n 
Po = Pe = 
n n
a 表示被施測人員A及施設人員B皆判定為類別0的受測物數量；
d 表示被施測人員A及施設人員B皆判定為類別1的受測物數量；
f1 × g1 / n 為二施測人員一致地將受測物判定類別1的期望數量；
f 2 × g 2 / n 為二施測人員一致地將受測判定為類別0的期望數量；
清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 75
 Example: Kappa Analysis
計數型量測系統Kappa分析之數據
施測人員A 施測人員B 施測人員C
受測物 真值
A-1 A-2 A-3 B-1 B-2 B-3 C-1 C-2 C-3
1 1 1 1 1 0 1 1 1 1 -1
2 0 0 0 0 0 0 0 0 0 0
3 -1 0 -1 -1 -1 1 -1 -1 -1 -1
4 1 1 1 1 1 1 1 1 1 1
5 -1 -1 -1 -1 0 -1 -1 -1 -1 -1
6 -1 -1 -1 0 -1 -1 -1 1 -1 -1
7 0 0 0 0 0 0 0 0 0 0
8 1 1 1 1 1 1 1 1 1 1
9 1 1 0 1 1 1 1 1 0 1
10 1 1 1 1 1 1 1 1 1 1
11 0 0 0 1 0 -1 0 0 0 0
12 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1
13 0 0 0 0 0 0 0 1 0 0
14 1 1 1 1 1 1 1 1 1 1
15 -1 -1 -1 -1 -1 -1 -1 -1 -1 -1

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 76

 Example: Kappa Analysis
首先針對施測人員，進行兩兩間量測一致性的估計
B
總計
類別 1 類別 0 類別 -1
類別 1 16 2 0 18
A 類別 0 1 10 3 14
類別 -1 1 1 11 13
總計 18 13 14 45
 18   14   13 
18 ×  + 13 ×  + 14 × 
16 + 10 + 11
Pe = 
45   45   45 
Po = = 0.822, = 0.340
45 45
0.822 − 0.340
Kappa AB = = 0.730
1 − 0.340
清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 77
 Example: Kappa Analysis
接下來，在受測物真值已知的情況下，可同樣利用
Kappa分析來進行評估每位受測人員的量測結果是
否正確的一致性分析。將每位施測人員的量測結果
與受測物的真值建構成列連表，並以與上述同樣的
方式計算其Kappa係數。
真值
總計
類別 1 類別 0 類別 -1
類別 1 17 1 0 18
A 類別 0 1 11 2 14
類別 -1 0 0 13 13
總計 18 12 15 45
 18   14   13 
18 ×  + 12 ×  + 15 × 
17 + 11 + 13
Pe = 
45   45   45 
Po = = 0.911, = 0.339
45 45
0.911 − 0.339
Kappa A = = 0.865
1 − 0.339
清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 78
 Example: Kappa Analysis
Kappa A B C

A 0.865 0.730 0.799

B 0.730 0.865 0.730

C 0.799 0.730 0.865

分析結果顯示：
• 所有施測人員得到的量測結果與真值間具有良好的一致性
（Kappa係數大於0.75）
• 施測人員A與施測人員C的量測結果亦具有一致性
• 施測人員A與B，以及施測人員B與C之間的量測一致性則仍須加強

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 79

Attribute Agreement Analysis
 Agreement Analysis
 在受測物「真值」已知的情況下，我們亦可針對每
位施測人員的量測進行有效性的評估
量測正確的次數
有效性 =
量測總次數
 基準
 當有效性高於90%時，該施測人員的量測為可接受
 當有效性界於80%至90%時，該施測人員的量測可被有
限度地接受
 若有效性低於80%時，則該施測人員的量測應予以拒絕
 例如：施測人員在其自己的45次量測中產生41次的正
確結果，因此有效性為41/45 = 91% (量測為可接受)。
清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 81
Minitab Report
 Minitab Report
 Minitab統計軟體已內建計數型量測系統分析的功
能，執行路徑為：Stat > Quality Tools > Attribute Agreement Analysis
 Minitab統計軟體分析內容包含：
 每一位施測人員的量測結果一致性分析(Within
Appraisers)
 每一位施測人員量測結果與受測物真值的一致性分析
(Each Appraiser vs Standard)
 不同施測人員量測結果間的一致性分析(Between
Appraisers)
 所有量測結果與受測物真值的一致性分析(All Appraisers
vs Standard)
 Minitab分析結果除了展示各項一致的比率外，亦展示一
致比率的95%信賴區間。
清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 83
 Attribute Agreement Analysis
Attribute Agreement Analysis for 量測值

Within Appraisers
Assessment Agreement
Appraiser # Inspected # Matched Percent 95 % CI
A 15 11 73.33 (44.90, 92.21)
B 15 11 73.33 (44.90, 92.21)
C 15 11 73.33 (44.90, 92.21)
# Matched: Appraiser agrees with him/herself across trials.

Between Appraisers
Assessment Agreement
# Inspected # Matched Percent 95 % CI
15 8 53.33 (26.59, 78.73)
# Matched: All appraisers‘ assessments agree with each other.

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 84

Gage Study of Destructive Test
 Gage Study of Destructive Testing
 「不可重複型的量測系統分析」又稱為「破壞性測
試之量測系統分析」
 常見的例子有：玻璃硬度測試、半導體晶圓測試、車輛
撞擊測試等。
 「破壞性測試」無法針對同一個單位進行重複測試
來獲得量測誤差之估計
 當測試是屬於破壞性，我們無法從「產品被量測之
後的變異」中分割出「量測本身的變異」
 然而，藉由小心的選取被量測的對象，我們經常可
以最小化被量測產品本身的變異(it is often possible to
minimize the product variation between pairs of measurements)
透過對慎選之相似受測物的量測，可以得到量測誤差的估計

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 86

 Example 4: Gage Study of Destructive Testing
Lot 1 2 3 4 5 6
Sample 1 14.82 15.45 15.31 14.32 14.28 15.35
Sample 2 14.87 15.38 15.27 14.29 14.37 15.39
Range 0.05 0.07 0.04 0.03 0.09 0.04
強化玻璃硬度的測試係屬於破壞性作業，
在不同批次中選取兩個玻璃樣本的硬度測試結果。
由於同批次中的樣本1及樣本2是在完全相同的生產條件下所產出，因此
其量測數據被用以代表一組「重複」的量測結果。基於各批次間為獨立
無關的，量測變異即可合理地由各批次在二次量測間的差異來構成。

0.2 R 0.053
UCL = 0.1743 σm = = = 0.047
d 2 1.128
0.1

R = 0.0533 n 2 3 4
LCL = 0.000 d2 1.128 1.693 2.059
1 2 3 4 5 6

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 87

 Example 4: Gage Study of Destructive Testing
Lot 1 2 3 4 5 6
Sample 1 14.82 15.45 15.31 14.32 14.28 15.35
Sample 2 14.87 15.38 15.27 14.29 14.37 15.39
x-bar 14.845 15.415 15.290 14.305 14.325 15.370
MR 0.570 0.125 0.985 0.020 1.045

When tracking the consistency of the process, it is best to use the x-mR chart.

The x-mR chart indicates no

inconsistency in the process.

清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 88

 Example 4: Gage Study of Destructive Testing
 在此例中，使用了二個管制圖
 R chart 檢視量測過程(measurement process)中的一致性
 x-mR chart 檢視生產過程(production process)的一致性
 產品量測的標準差之估計值為
MR 0.549
σp = = = 0.487
d2 1.128
 「區別分類數」之估計值為
σ p  0.487
  × 1 . 41 = ×1.41 = 14.64 ≅ 14
σ m  0.047
The magnitude for number of distinct categories suggests that the
measurement process adequately detects product variation.
清華大學 工業工程與工程管理學系 蘇朝墩 編 Pg 89