[计算机软件及应用]6SIGMA常用工具.ppt

* * * 有交互作用的试验设计步骤: 根据交互作用表和正交表进行试验设计 进行试验获得试验结果 对数据进行方差分析 验证数据 案例\DOE试验案例.doc 一元线性回归分析 相关系数 一元线性回归模型 回归方程的显著性检验 利用回归方程作预测 回归分析 Regression Analysis 回归分析是研究一个随机变量y与另一些变量x1,x2,…,xk之间关系的统计方法. x带有“原因”的性质，为自变量. y带有“结果”的性质，为因变量. 例1 由专业知识知道，合金的强度y(×107Pa)与合金中碳的含量x(%)有关。为了生产强度满足用户需要的合金，在冶炼时如何控制碳的含量？如果在冶炼过程中通过化验得12组数据，列于下表中： 画散点图。为了研究两个量间存在什么关系，可以画一张散点图，具体见下图： 两 类 关 系 确定性关系与相关关系： （1）儿子的身高与父亲的身高 （2）教育投资与家庭收入 （3）体重与身高 （4）合金钢强度与合金钢中的碳含量 相 关 系 数（correlation coefficients） 散点图的n个点基本在一条直线附近，但又不完全在一条直线上，我们希望用一个量来表示他们的密切程度，这个量称为相关系数： 可以证明有-1≤r≤1。 在合金钢的例子中可算得： 相关系数r 示意图与说明 x y r=1，完全线性正相关 x y r=-1，完全线性负相关 当r0时 0 y x 强正相关 变量之间有很强的正相关性，变量之间可能存在显著的因果关系 y x 0 弱正相关 变量之间有一定的正相关性，暗示变量之间可能存在较弱的因果关系. 当r0时 强负相关 变量之间有很强的负相关性，暗示变量之间可能存在显著的因果关系 y x 0 弱负相关 变量之间有一定的负相关性，暗示变量之间可能存在较弱的因果关系 y x 0 当r=0时，称两个变量不相关. y x 复杂相关 变量之间有复杂相关性，暗示变量之间可能存在的显著因果关系因受不可控变量的干扰而模糊不清。 0 不相关 变量之间表现出明显的无关. y x 0 相关系数的检验 在正态分布假设下，对假设 H0:r=0 ，H1:r≠0 其拒绝H0的拒绝域为： n为样本量，α是显著性水平， 为自由度为n-2的r的 分位数. 譬如在合金钢例子中n=12，若取α=0.05，拒绝域为{|r|0.576}，如今r=0.9705，可以显著性水平α=0.05认为，合金强度y与其碳含量x间存在线性关系。 一元线性回归模型 x是自变量，非随机变量。 y是因变量，随机变量。 y由两部分迭加而成： 1. 是随x变化的趋势，用β0+β1x表示 2. 是其它随机因素影响的总和，用ε表示，常设ε~N(0,σ2)。故有如下的数据结构式： yi=β0+β1x+εi，i=1,2,…,n 回归系数的最小二乘估计。按最小二乘法：记若 满足如下等式：则称 ， 为β0 ,β1的最小二乘估计。 β0 与β1的最小二乘估计 可以验证： ， 使Q(β0,β1)达到最小. 回归方程： 此回归方程总经过 和 两点 计算步骤 回归方程的显著性检验 回归方程的检验有两种方法: 1. 对于给定的显著性水平α，当相关系数r的绝对值大于临界值 时，两个变量间存在线性相关关系 2. 方差分析的方法 误差分解方法 总的波动可用总偏差平方和ST表示： 波动的原因有二： 1. 由于自变量x取不同值引起y的变化； 2. 其它因素（除x以外）引起y变化的随机误差. 方差分析表 各平方和的计算： 利用回归方程作预测 当x=x0时, y是随机变量, 只能对其平均取值作出估计: 案例\一元线性回归案例.doc 案例\线性回归分析案例.doc 下图给出在不同x值上预测区间的示意图： 当n较大时（如n30），t分布可以用正态分布近似，进一步，若x0与 相差不大时，δ可以近似取为： 其中u1-α/2是标准正态分布的1-α/2分位数 x y 6SIGMA常用工具概念回顾 流程图 因果图 排列图 失效模式分析FMEA 关联图与矩阵图 质量功能展开QFD 测量系统分析MSA DOE与方差分析 一元线性回归分析 * * * * * 方差分析与试验设计是英国统计学家兼遗传学家费希尔（Fisher）在进行农业实验时发展起来的一套通过