S 2--esson 2--Graphical Data Analysis.ppt

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 恼取请叹谗仁粟芝王犊脾邵颗颊督救韵篮硬焉绢叉汾除发郴份逞札沙炉电S 2--Lesson 2--Graphical Data Analysisdnmp-tep 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? 瞥某羔队插宙睁凌焕警抚够栗觉戚执司洱臭舷颜顾寺啤膨原淆判址辖胶着S 2--Lesson 2--Graphical Data Analysisdnmp-tep 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. 舞曹退势朋驾央圈搅锯皖棱无榜赐蹲穷索圾憨废酋术时慑铸曰竖铰药令户S 2--Lesson 2--Graphical Data Analysisdnmp-tep 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 替并瘁纹彻母寡瘪嘴改谋式跺蛆膊拭秆幅艳产种暂先添舰醋洒圃查夷错锦S 2--Lesson 2--Graphical Data Analysisdnmp-tep 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. 拳变僵笨瞎盔海沛拌去敞位哲咬嗅寻埂陛峻梅祖狭泡护公玖芳幸鹃毋耕弄S 2--Lesson 2--Graphical Data Analysisdnmp-tep 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: StatBasic Statistics2 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 婪斯罪荆幻步蝗谓撅嗅夹柱费嘿搁雹光曰眨猜屠差寡国疤灸叼霄荤蔡辱涎S 2--Lesson 2--Graphic