西格玛-MINITAB的应用介绍.ppt

列统计量是内来计算列的结果的，列column之意。 用来计算行的结果 就是类似将正态分布转为标准正态分布即为标准化。 可以让你直接到你想去的地方 一般使用自动即可。 一般要先选定那一个column。 选项可以做很多的设定，例如文字，例如控制图的判异准则等，一般都是建议不要去做修改 监控过程绩效，迅速发现过程出现的异常波动；及时采取纠正和纠正措施，避免异常的再次的发生。两种波动源的介绍。控制图的原理介绍。 在普通波动情况下，质量特性X服从N（μ，σ2），σ即为正常的变差。在界限μ±3σ时，正常情况下包含在内的点的概率是99.73％，也就是说超出这个控制界限的点，且是正常波动下的点的概率可以认为是微乎其微，那么，则说明这个超出界限的点多数是异常值。在控制图中，如何得到代表正常的变差的σ是很重要的，我们往往会采取在很短的时间内抽取一些样本作为子组，算出各子组的极差，再得到总的平均极差，除以一个系数，即可得到正常的变差的σ了。有些控制图之间的区别就因为，子组样本数的不同而使σ的估计方法的不同。 需要25组，子组的样本数为2～9，精度尚可，但计算方便。子组大小，在很短的时间内，进行2～5件测量，使每个子组内的变差是由普通原因造成。子组频率，能代表你生产同样产品的一系列过程变化（如换班，材料批次，温度变化等）初期的研究时，这种频率要高，随着过程不断的稳定，可以逐步降低。子组数，建议25组，甚至更多的能包含100个测量数据的。 数据的收集注意合理子组原则（休哈特博士）：要使组内波动仅由正常原因引起；组间波动由异常波动引起。建议每组2～5个，组数是能覆盖100个数据。 数据用supp2列，每4个为一组。 选项中有：使用σ的无偏估计。去掉（选择）哪些子组计算或估计σ与μ；在进行σ估计时的一种情况，即由于不同班次之间由于异常可能造成很大的差异，若将班次合并时会造成对σ估计扩大（即将这种变异算成是普通变异），致使无法侦测出这种变异，这里可采取的措施是分层，将两个班次分开进行控制图分析，minitab中的stage选项即可以进行这种分析，将几个不同分层的数据做控制界限，在一张图上可进行比较。 控制图要求数据大致服从正态分布，若不服从，则进行数据得转换再分析，w＝Y^lambda，可以选择不同得lambda，或者让计算机自己找到最优值。 若控制图是稳定的，受控的，则保存下来的这两个参数输入到后续的控制图数据中时，可以确定出控制用控制图 的控制界限。 判图注意：先分析R图，R图显示的是子组内的波动，是过程波动大小的指示器（异常状态出现在某些子组内）。再分析Xbar图，Xbar图显示的是子组间的波动，反映过程的稳定，是否有偏倚（异常状态虽然没有使子组内变差扩大，但对整个子组数据产生了偏倚）。 与前面基本差不多，只是计算麻烦，但是精度最高。 单值移动极差图。即子组容量为1的情况，这是在观测值由于某些原因（如测量费用很大的破坏性试验）无法取到很多或数据很少的情况下使用的控制图。检查过程变化没有前面两张图灵敏，属于不得已而为之的控制图。 由于数据较少，若在较短时间内采集，则可能使你对过程变差的估计变小，无法代表过程变差；若数据采集时间能覆盖你的整个过程，但又可能对过程变差的估计变大。故此方法是不得已而为之。 服从二项分布，当n足够大时，由中央极限定理得到近似服从正态分布。用（p（1－p））作为σ的估计。 数据：子组容量np5，子组数25组。 只有合格与不合格这种分类 一件不合格的产品的缺陷数可能是一个，也可能是多个，单位缺陷数服从泊松分布。泊松分布的均值和方差是相同的。 * 圖形 * 結果說明 在方差分析表 中，地毯的 p 值 (0.047) 表明，有足够证据证明，当 alpha 设置为 0.05 时，并非所有平均值都相等。要研究平均值之间的差异，请检查多重比较结果。 许氏 MCB 比较 许氏 MCB （与最佳值的多重比较）是将每个平均值与其他平均值中的最佳值（最大值）进行比较。Minitab 会将地毯 1、2、3 的平均值与地毯 4 的平均值进行比较，因为地毯 4 的平均值最大。地毯 1 或 4 可能是最佳的，因为对应的置信区间 包含正值。没有证据表明地毯 2 或 3 是最佳的，因为上区间端点为 0，这是最小的可能值。 注通过检查上下置信区间，可以说明任意最佳角逐者的潜在优势或不足。例如，如果地毯 1 是最佳的，则它优于与其最接近的竞争者的程度不会超过 1.246，它劣于其他水平平均值中最佳者的程度可能达到 8.511。 * Tukey 比较 Tukey 检验提供了 3 组多重比较置信区间 ： ·????地毯 1 平均值减自地毯 2、3、4 平均值：第一组 Tukey 输出的第一个区间 (-12.498, -4.748, 3.003) 给出了减自地毯 2