统计学与质量基础介绍.ppt

时间序列图制作步骤： 1、决定需要分析的测量变量； 2、收集数据（至少20个数据点）； 3、画一个有X—横轴和Y—纵轴的图； 4、在Y轴上画出测量变量的实际测量值； 5、在X轴上画出测量点的时间或顺序； 6、计算中位数Median，并从中位数处画一条水平线； 7、按时间或顺序将各点连接起来； 8、计算运行次数（忽略中位线上的点） 5 10 15 20 25 0 10 20 30 40 50 概率统计学基础与应用知识；包括： 数据的基本类型 抽样基本原理与应用 数据分布的统计特征 过程绩效衡量标准：μσ、σ变异的基本概念与理解 数据的基本分布类型与应用 置信区间与假设检验基本概念 假设检验基本类型：t-test、ANOVA介绍 与控制图相关的基本图形介绍：频率图与时间序列图 绩效衡量指标体系介绍 DPO (Defects per Opportunity) 每机会缺陷数 DPU (Defects per Unit) 每单位缺陷数 为了消除缺陷的基准 工厂单位改善中使用 DPMO (Defects per Million Opportunities) 每百万机会缺陷数 考虑制品复杂度的比较基准 企业内或企业之间Benchmarking手段 Opportunity Defects DPO = Unit Defects DPO = 制成品 部件 2 部件 1 组装品 A 组装品 B 特性 B 特性 A 机会(Opportunity) 有可能发生缺陷的检查或试验对象 发生缺陷的机会在特性、部件、组装品等制造任何阶段都可能存在。 复杂度(Complexity ) 总机会数与制成品或Process复杂度正比。 部件 特性 材料 机械 工具 次序 制品 Process 复杂度 相关部件、特性或材料越多， 成为越复杂的制品。 相关机械、工具或次序越多， 成为越复杂的Process. 以下Drilling加工的例子，计算DPU、DPO及DPMO： ① Data 类型是? ② Unit? ③ Defect? ④ Opportunity? ⑤ DPU? ⑥ DPMO? DPU计算 总生产单位数 总缺陷数 = DPU DPU不能考虑一个单位里有多少缺陷机会。 DPU = = = DPMO 总缺陷发生机会数 总缺陷数×1,000,000 = DPMO = DPMO计算中心 一般表示6?水准时，比不良率  3.4ppm更恰当的是3.4DPMO 使用互相不同的Process、制品之 间或制造领域和非领域之间比较时更 恰当。 在作业的各阶段中包括再作业或部件的废弃等不良的管理指标，是良品率的概念。 一次合格率 (FTY, First Time Yield)： 决定各单个作业的品质水准时使用。再作业/不修理的Process中可用 流程合格率 (RTY, Rolled Throughput Yield)： 表现全体作业过程的品质水准时使用的指标中的一个。表现为多个步骤一次合格率的倍数。 Yield(合格率)的种类 Yield (合格率) 45,000 ppm 浪费 30,000 ppm 浪费 56,000 ppm 浪费 95.5% FTY 97% FTY 94.4% FTY RTY = 0.955*0.97*0.944 = 87.4% 不但是最终阶段，其它各阶段的能力RTY都重视。 Hidden Factory : 再作业/ 过程报废 已知的数据是缺陷数据时，RTY的计算如下： 是意味着泊松分布中 P[X = 0] (没有一个缺陷的概率) - e DPU 已知的数据是不良品率时，RTY的计算如下： RTY = FTY1 ? FTY2 ? FTY3 ? …… 带一个硬币作为道具。 实际教材中要加入手机交货周期的案例。 实际教材中要加上“戴明红珠实验”案例。教材中不提供。 x f(x) μ 正态密度函数 正态分布函数 x F(x) μ -1σ 1σ 2σ -2σ -3σ 3σ μ 68.27% 95.45% 99.73% 正态分布的平均值、中位数、众数相等； 这个世界上没有绝对的正态分布，只有近似的正态分布； 工程领域、制造过程中的大部分数据都符合近似的正态分布。 14 20 23 11 8 26 17 Values Z-Values -1 1 2 -2 -3 3 0 正态分布： 原始数据计算 平均值=17 标准偏差=3 标准正态分布： 转换后数据计算 平均值=0 标准偏差=1 这种转换使我们比较容易计算超出产品规格的不良比率。 正态变量的标准化： 在概率论中，把随机变量X减去自己的均值μ，再除以自己的标准差σ，所得到新变量Z=（X-μ）/