S 2--Lesson 2--Graphical Data Analysis.pptVIP

Nokia QCC.doc Nokia QCC.doc 6-Sigma 統計知识培训 6-Sigma 統計知识培训 假設測試的一般步驟 Step 1: 定義實際的問題 Step 2: 闡明統計的問題 Step 3: 選擇統計的測試 Step 4: 建立Alpha 和 Beta風險 Step 5: 建立“Delta” Step 6: 選擇合適的樣本大小 Step 7: 建立抽樣計劃 Step 8: 收集數據 Step 9: 進行統計測試 Step 10: 作出結論 將決定變成行動 舉例 在自行車廠的一個改善團隊正在努力降低從倉庫選出錯誤產品並運到生產車間的失誤率. 由于需要重新存貯, 重新挑選, 產品的缺陷以及有些時候錯誤的部件被用于裝配的原因, 導致了COPQ的上升. 通過XY矩陣, FMEA以及由一些歷史數據作出的boxplot指出班次是一個潛在的X變量.  問題:　如何進行統計測試去觀察失誤率与班次是否有關? 例子—定義問題 Step 1: 定義實際的問題 取貨錯誤率取決于不同班次的工作表現嗎? Step 2: 闡明統計的問題 H0--取貨錯誤率与班次是獨立無關的. Ha--取貨錯誤率由班次決定, 它們是相關的. Step 3: 選擇統計測試 既然我們正在處理比率, 我們將使用二項式或?2進行測試. Step 4: 建立Alpha和Beta風險 ? 我們將使用Alpha ? 風險 0.05. 即: 統計測試 假設 是不相關的, 而實際算出的結果是相關的, 出現這樣情況 相關的情況 的機率是5%. 根據情況的重要程度, 我們可以提高或降低Alpha. 對於安全參數, 我們可能使用a 0.001 0.1% . ? 我們在典型情況下選擇Beta ? 0.10. 即: 統計測試 假設 是相關的, 而實際算出的結果是不相關的, 出現這樣情況 不相關的情況 的機率是10%. 這就意味著如果存在差異, 我們將會有10%機會檢測不到該差異存在. Beta通常用于說明測試的能力, 1- ?. 例子—建立風險 實際差異及樣本大小 Step 5: 建立“Delta” 目前的平均誤差率是1.5%. 我們的項目目標是降低50%達到0.75%, 因此delta是0.75% 1.5%-0.75% . Step 6: 選擇合適的樣本大小. 對每一個統計測試, 我們都將包含樣本大小的選擇. 針對該問題, 樣本大小是21班次*200次取貨/班 4200樣本 每個班次 . Step 7: 建立抽樣計劃. 我們要對第1班及第2班的失誤進行為期21個工作日 2班次/天 的樣本數據收集. 使用Minitab進行測試 Step 8: 收集數據 下面是數據的總結 ? 班次1—總的取貨數 4200; 失誤 66 ?班次2—總的取貨數 4200; 失誤 30 Step 9: 統計測試我們使用Minitab進行比率的測試 見下頁: Stat Basic Statistics 2 Proportions Test and CI for Two Proportions Sample X N Sample p 1 66 4200 0.015714 2 30 4200 0.007143 Estimate for p 1 - p 2 : 095% CI for p 1 - p 2 : 0 0.0131138 Test for p 1 - p 2 0 vs not 0 : Z 3.70 P-Value 0.000 不良率的差 Stat Basic Statistics 2 Proportions 結論 Step 10: 作出結論 P值 0.00 0.05, 即發生了?錯誤. 所以我們可以作出結論每個班次的失誤率是不同的, 即: 班次和失誤率之間存在相關性. 我們原先假設取貨錯誤率与班次是獨立無關的, P 0.00即推翻了我們的假設, 證明了失誤率與班次之間是相關的. 95% CI for p 1 - p 2 : 0 0.0131138 ?失誤率存在差異的95%的置信度是0.4%到1.3%, 而Delta 0.75%, 也就是說, 預測的改善程度有可能分布在0.4% ~ 0.75%或0.75%~1.3%之間. 所以我們不能說: 班次的失誤率達到了我們原先設定的目標 從1.5%降低到0.75% P-A-L 練習 某包裝車間的一個團隊正在努力降低在包裝過程中膠紙拉力偏低的不良率, 他們將目標設定為: 從現在的10000ppm降低到5000ppm. 通過細緻的調查, 同時運用XY矩陣, FMEA以及由一些歷史數據作出