假设:Ho:μa=μb-Ha:μa≠μb
我们必须证明Ho是错误的,才能得出结论,正在发生重要的事情:在“六西格码”中,您有一个需要改进的过程。但是,很可能您已经用这种方式运行了一段时间,并且“每个人”都习惯了当前的行为。因此,您必须提供有力的证据表明“变化的条件”比当前位置要好;这样,将更改流程和“撒布”的风险降到了最低!
在决定是否拒绝时,我们可以犯两个决定错误之一
正确的
I类错误
(风险α)产品
风险(被告)
第二类错误
(风险β)
消费者风险(社会)
正确
何真
真相何假
如何管理决策风险
- 但是,在继续之前……我们需要讨论决策风险的概念,我们将使用与决策相关的风险来更改具有给定数量变化的流程。由于不可能百分百地确定何时做出决策,因此我们需要建立一些规则,以决定我们在决策过程中愿意承受的风险等级,为了使其更有用,我们不仅要使用统计模型不仅可以提高决策的准确性,还可以限制我们必须从“新”流程中获取的数据量。
如果您认为X很重要(或拒绝Ho),那么您将面临什么样的决策错误?
如果您确定X不重要(或不拒绝Ho),那么您将面临什么样的决策错误?
如果您认为X很重要(或拒绝Ho),那么您将面临什么样的决策错误?
如果您确定X不重要(或不拒绝Ho),那么您将面临什么样的决策错误?
我们的社会在哪里更愿意冒险?
类型I错误:当您确定安全范围存在差异而事实是没有差异时,会发生此错误。
类型II错误:当您确定安全范围没有差异而事实是存在差异时,会发生
类型I错误:当您确定化学成分没有差异而事实是没有差异时发生
II型错误:当您确定化学含量没有差异而事实是存在差异时,会发生这种错误。
类型I错误:当您确定韩元比例存在差异而事实是没有差异时发生
类型II错误:当您确定韩元所占的比例没有差异时,就会发生这种情况
为什么要进行假设检验?
显着性水平(α)
一般:一般:
- 我们希望这些观察是随机发生的概率不到10%(α=.10)。5%的舒适度要高得多(α=.05)。百分之一的感觉很好( α=.01)。此alpha等级基于我们的“无差异”假设和一些参考分布。
•但是,这取决于利益和后果,Α是关键的“ P值”!
收集数据后,我们计算统计检验
“ p值”很幸运,当Ho为true时,结果出现的可能性:
如果Ho为真(没有差异),则Minitab将计算出较高的“ p值”。
如果Ho为假(如果存在差异),则Minitab将计算一个小的“ p值”
p值基于根据您的数据针对当前或假定的参考分布(正态,t分布,卡方,f分布等)计算出的统计检验。
大p值
小p值
何被接受
何被拒绝
如果p低,则X通过!如果p高,则X不适用!十五
p值比简单的切点更具意义。
假设检验
例:
以下数据代表从一台机器执行相同操作的10个样本组成的一组。长度规格为20mm。零假设Ho表示它符合规格,而替代假设它与20mm不同。
在数学上表示为:
Ho =μ机器=μ20Ho:μ机器≠μ20
我们必须进行假设检验研究才能知道真相。
(请参阅确定Ho假设的后续步骤)。
假设检验
结论:如果P>.05的值,我们认为Ho为真,而Ha为重制。
假设检验
第三步
假设检验
假设检验
结论:由于P>.05 Ha被拒绝,因此Ho被认为是正确的。
SPC(统计过程控制)
E(S)=“统计”统计技术(数学)的应用,用于通过使用数字和数据来测量和分析过程中的变化或变化。
P =“过程”用于对产品或服务执行特定任务的机器,工具,方法,材料和/或人员的任何组合。有些流程是制造流程,有些是服务流程,而另一些则是两者共同的支持操作。
C =“控制”使用反馈回路控制过程,通过该过程我们可以测量实际性能,将其与标准进行比较,并对差异或变化采取行动。我们对标准变更的响应越早,产品或服务的质量就越稳定。
SPC:这是一种有效的数据收集和分析方法。它可以应用于以数字表示的任何内容。它的应用不仅限于制造,还包括采购,生产控制,人员,会计,销售等。
什么是控制图?
它是过程特征的图形表示。
通过显示是否仅存在常见的变异原因来表示一个过程。
它告诉您过程中是否有变化,以及何时发生变化。
它不会告诉您导致更改的原因以及更改是“好”还是“坏”。
控制下限
控制图应用
- 协助确定流程是否在统计控制范围内运行变异的“共同原因”与变异的“特殊原因”分开帮助实现和维持统计控制
控制图系统的好处
- 成熟的技术可提高生产率有效防止缺陷避免不必要的过程调整提供诊断信息提供有关过程能力的信息
常见原因与 变化的特殊原因
为什么要花时间来确定过程中的变化是由于常见还是特殊原因造成的?
测试特殊原因…
1)收集,绘制和分类至少30条数据,并确保它们通过正态性测试并计算控制极限。通常,这包括计算平均值,标准偏差,然后从平均值“上下” 3个标准偏差。
2)进行以下测试:(如果通过了,则认为变化是自然的特殊原因)
2.1)任何超出控制范围的点。
2.2)7点连续增加或减少。
2.3)均值一侧(而非目标)的7个连续点。
2.4)以“锯”的形式连续14个点。
常见原因与 变化的特殊原因
减少变化的常见原因的三种策略…
1)分层-检查与过程输出有关的不同特征,例如,星期几发生最大的变化或哪个样式/零件产生最大的变化。通常,在对数据进行分层时,帕累托图非常有用
2)分解-将流程分为各个组成部分,并研究流程中每个步骤的变化。它经常与能力和绩效研究有关。分解数据时,流程图,直方图和pareto图表非常有用。
3)实验-在不同级别上更改一些因素并分析结果和效果。实验可能是昂贵的,并且通常仅在完成分层和/或分解后才尝试。
解释图形
循环模式:
在图中观察到重复的循环。这种配置可能是系统变化的结果,例如温度,操作员疲劳,操作员和/或机器的定期旋转,电压或压力波动等。
混合物:
可以看出,大多数点趋向于非常接近控制极限,而很少接近中心线。混合条件由重叠的两个或多个分布生成,从而生成过程的输出。此模型的严重性取决于分布重叠的程度。有时,混合是“过度控制”的结果,在这种情况下,操作员过于频繁地对过程进行调整,以响应正常变化,而不是仅对可分配原因做出反应。
解释图形
趋势级别的变化:
过程:沿一个方向连续移动。
趋势的流程平均更改将触发一个新级别。这些变化通常是由于逐渐磨损了某种新工具而导致的:操作员,或对过程至关重要的其他某些组件材料,方法,机器的退化。趋势可以等 这也可能是一年四季方法变化(例如温度)的影响的结果。检查或更改标准以改进流程。
解释图形
分层:
绘制的点趋于在中心线附近聚集。分层的一个潜在原因是控制极限的计算不正确。也可能是该过程得到了改善,其分布范围已经缩小。无论哪种方式,都必须重新计算控制极限。
可变数据的控制图
横杆
- 测量过程的目标或中心检查变量的均值随时间的变化与X线图类似的单个点而不是均值
z中位数
- 类似于X线图,样品中的所有点和中点都被围成一个圆圈与X线图一起使用的范围验证过程随时间的变化性测量均匀性的得失z Sigma类似范围图使用样本的Sigma估计
移动范围
- 与范围图相似,在每个连续点上绘制一个新范围,并与各个图一起使用
Minitab -Individuals中的练习
打开文件:Individ.mtw
在Minitab中锻炼-个人
在Minitab –Xbar-R中
打开练习:Xbar.mtw
Stat> Control Charts> Xbar-R
Variable = variable Subgroup = subgroup
在Minitab –Xbar-R中锻炼
属性控制图
- 它们基于接受/不接受的决定。它们几乎可以应用于收集数据的任何操作中。它们用于无法测量或昂贵或难以测量的质量特性,而不同于控制图通过变量,可以为一个或多个质量特性建立属性图;缺陷是样品中一个单元,相对于指定标准有一个或多个不合格;缺陷是相对于质量标准的每个不合格。指定的验收标准。