运用Minitab进行过程能力(Process+Capability)_1
过程能力概述（Process Capability
Overview）
在过程处于统计控制状态之后，即生产比较稳定时，你很可能希望知道过程能力，也即满足规格界限和生产良品的能力。你可以将过程变差的宽度与规格界限的差距进行对比来片段过程能力。在评价其能力之前，过程应该处于控制状态，否则，你得出的过程能力的估计是不正确的。
你可以画能力条形图和能力点图来评价过程能力，这些图形可以帮助你评价数据的分布并验证过程是否受控。你还可以计算过程指数，即规范公差与自然过程变差的比值。过程指数是评价过程能力的一个简单方法。因为它们无单位，你可以用能力统计量来比较不同的过程。
一、选择能力命令（Choosing a capability command）
Minitab提供了许多不同的能力分析命令，你可以根据数据的属性及其分布来选择适当的命令。你可以为以下几个方面进行能力分析：
?正态或Weibull概率模型(适合于测量数据)
?很可能来源于具有明显组间变差的总体的正态数据
?二项分布或泊松概率分布模型(适合于属性数据或计数数据)
注：如果你的数据倾斜严重，你可以利用Box-Cox转换或使用Weibull 概率模型。
在进行能力分析时，选择正确的分布是必要的。例如：Minitab提供基于正态和Weibull概率模型的能力分析。使用正态概率模型的命令提供更完整的一系列的统计量，但是你的数据必须近似服从正态分布以保证统计量适合于这些数据。举例来说，Analysis (Normal) 利用正态概率模型来估计期望的PPM。这些统计量的结实依赖于两个假设：数据来自于稳定的过程，且近似服从的正态分布。类似地，Capability Analysis (Weibull) 利用Weibull 分布模型计算PPM。在两种情况下，统计的有效性依赖于假设的分布的有效性。
如果数据倾斜严重，基于正态分布的概率会提供对实际的超出规格的概率做比较差的统计。这种情况下，转化数据使其更近似于正态分布，或为数据选择不同的概率模型。在Minitab中，你可以用“Box-Cox power transformation”或Weibull 概率模型。Non-normal data对这两个模型进行了比较。
如果你怀疑过程具有较明显的组间变差，使用Capability Analysis (Between/Within)或Capability Sixpack (Between/Within)。子组内部的随机误差之上，子组数据可能还有子组之间的随机变差。对子组变差的两个来源的理解可以为过程潜在能力提供更实际的估计。Capability Analysis (Between/Within)和Capability Sixpack (Between/Within) 计算了组间和组内标准差，然后再估计长期的标准差。
Minitab还为属性数据和计数数据进行能力分析，基于二项分布和泊松概率模型。例如：产品可以根据标准判定为合格和不合格(使用Capability Analysis (Binomial)).。你还可以根据缺陷的数量进行分类(使用Capability Analysis
(Poisson)).
二、能力分析命令概况
Capability Analysis (Normal)为单个测量结果画一张能力条形图，图上包含基
于过程均值和标准差的正态曲线。这可以帮助你对正态性假设进行视觉上的评价。报告还包括一张过程能力统计量的表，包括组内和组间统计量。
Capability Analysis (Between/Within) 为单个测量结果画一张能力条形图，图上包含基于过程均值和标准差的正态曲线。这可以帮助你对正态性假设进行视觉上的评价。报告还包括一张组间/组内和长期过程能力统计量的列表。
Capability Sixpack (Normal) 同时显示以下图形，以及能力统计量的子集：- 一张Xbar (or Individuals), R or S (or Moving Range), 和run chart, 可用
来验证过程是否处于控制状态；
- 一个能力条形图和正态概率图，可以帮助验证数据是否服从正态分布；
- 一个能力图，显示过程变差与规范界限的相对性。
Capability Sixpack (Between/Within)适合于组间变差比较明显的子组数据。Capability Sixpack (Between/Within) 同时显示以下图形，以及能力统计量的子集：- 一张Individuals Chart, Moving Range Chart, and R Chart or S Chart,可用来验证过程是否处于控制状态；
- 一个能力条形图和正态概率图，可以帮助验证数据是否服从正态分布；
- 一个能力图，显示过程变差与规范界限的相对性。
Capability Sixpack (Weibull) 同时显示以下图形，以及能力统计量的子集：- 一张Individuals, R- (or Moving Range), and run chart, 可用来验证过程是否处于控制状态；
- 一个能力条形图和Weibull概率图，可以帮助验证数据是否服从Weibull 分布；
-一个能力图，显示过程变差与规范界限的相对性。
Capability Analysis (Weibull) 为单个测量结果画一张能力条形图，图上包含基于过程形状和大小的Weibull曲线。这可以帮助你对Weibull分布的假设进行直观的评价。报告还包括一张长期过程能力统计量的表。
Capability Analysis (Binomial) 适合于数据由不合格品的数量相对于抽取的全部样本数组成时。报告画了一张P图，可以帮助你验证过程是否处于控制状态，以及一张不合格品率的累积图，不合格品率的条形图，以及不合格品率图。
Capability Analysis (Poisson)适用于数据为单位缺陷数。报告画了一张U图，可以帮助你可以帮助你验证过程是否处于控制状态，还包括一张累积DPU (defects per unit)图，DPU条形图和缺陷率图。
MINITAB过程能力分析（Process Capability Analysis）
1、Capability Analysis (Normal)
[概述]
Capability Analysis (Normal)用于对来自于正态分布的数据或Box-Cox转换后的数据进行能力分析。分析报告包括一张带两条正态曲线的能力条形图，一张长期和组内能力统计量的列表。两条正态曲线分别与过程均值和组内标准差、过程均值和长期标准差相对应。
报告还包括过程数据的统计量，如过程均值，目标，组内和长期标准差，过程规范，观察到的能力，以及期望的组内和长期能力。因此，该报告可用于直观评价过程是否服从正态分布，是否以目标值为中心，是否具备持续满足过程规范要求的能力。
一个假设数据来自于正态分布的模型适合于大多数过程数据。如果数据是倾斜的，参见Non-normal data下面的讨论。
[例]
假设你在一个汽车制造厂的机器组装部门工作。某个零件，凸轮轴的长度的工程规范为600+-2mm。长期以来，该轴的长度均超出规范的要求，导致生产线上装配性性、高废弃和重工率。
在对记录清单检查后，你发现该零件有两个供应商。Xbar-R图告诉你供应商2的零件失控，因此你决定停止接受供应商2的零件直至产品受控为止。
在去除供应商2后，不良装配的数量明显减少，但问题并未完全消除。你决定通过能力研究来观察供应商1是否具备满足工程规范的能力。
1 Open the worksheet CAMSHAFT.MTW.
2 Choose Stat > Quality Tools > Capability Analysis (Normal).
3 In Single column, enter Supp1. In Subgroup size, enter 5.
4 In Lower spec, enter 598. In Upper spec, enter 602.
5 Click Options. In Target (adds Cpm to table), enter 600. Click OK in each dialog box.
[结果]
如果你想解释过程能力统计量，数据应该近似服从正态分布。这个要求得到了满足，这点可以从带正态曲线的条形图上看出来。
但是你可以发现过程均值(599.548)比目标值低，切分布的左边落在了下规范界限之外。这个均值意味着你有些时候可以看到不符合最低规范（598mm）的零件。
Cpk指数表明过程是否可以生产在公差界限内的产品。供应商1的CPK为0.90，表明他们需要通过减少变差和向目标值靠拢来改善其过程。
同样，Likewise, PPM < LSL—每百万零件中质量特性值低于下规范界限的零件数—是3621.06.。这意味着大约3621个零件不满足下规范界限（598mm）。
既然供应商1是你最好的供应商，你应该与它们一起共同改善其过程，从而改善自己的过程。
2、Capability Analysis (Weibull Distribution)
[概述]
Capability Analysis (Weibull)命令用于对来自于Weibull分布的数据进行过程能力分析。分析报告包括：一个带Weibull曲线的能力条形图，一张长期能力统计表。Weibull曲线是根据过程形状和规模（大小）构造的。
报告还包括过程数据的统计量，如均值，形状，目标，过程规范，实际的长期能力，以及观察到的和期望的长期能力。因此报告可直观地评价过程相对于目标的分布，数据是否服从Weibull分布，过程是否具备持续满足过程规范的能力。
在Weibull模型中，Minitab计算长期过程统计量，Pp, Ppk, PPU, and PPL。计算是基于形状的最大可能估计和规模参数，而不是象正态分布中的均值和变差。如果数据不服从正态分布，你可以选择Box-Cox转换来应用Capability Analysis (Normal Distribution)命令来计算组内统计量，Cp和Cpk。For a comparison of the methods used for non-normal data, 参见Non-normal data对两种方法的比较。
[例]
假设你在生产地板瓷砖的公司工作，你对瓷砖表面的翘曲比较关心。为保证产品质量，你每个工作日测量10个瓷砖的翘曲量，连续测量了10天。
数据的条形图表明它们不是来自于正态分布（参见Example of a capability analysis with a Box-Cox transformation）。因此你决定基于Weibull 概率模型进行能力分析。
1 Open the worksheet TILES.MTW.
2 Choose Stat > Quality Tools > Capability Analysis (Weibull).
3 In Single column, enter Warping.
4 In Upper spec, type 8. Click OK.
[结果分析]
能力条形图没有显示在假想的模型和数据之间存在严重的差异。但你可以看出分布的右边超出了上规范界限，这意味着你有时会发现翘曲超过上规范界限（8mm）。
Ppk和PPU 指数表明过程是否能生产在允差范围内的瓷砖。两个指数均为0.77，均在1.33之下，因此，过程能力是不够的。
同样，PPM > USL—每百万产品中质量特性值高于上规范界限的产品数—为20000.00。这意味着1，000，000个瓷砖中有20000个的翘曲量将超出上规范界限（8mm）。
为观察同样的数据以Capability Analysis (Normal)分析的结果，参见Example of a capability analysis with a Box-Cox transformation。
3、Capability Sixpack (Normal)
[概述]
Capability Sixpack (Normal) 命令用来数据服从正态分布或转换数据时评价过程能力。Capability Sixpack同时显示以下信息：
?一张Xbar图(或Individuals chart for individual observations)
?一张R图或S图(or MR chart for individual observations)
?一张最近25个子组的趋势图(或最近25个观察结果)
?一个过程数据的条形图
?一个正态概率图
?一个过程能力图
?短期和长期能力统计量：Cp, Cpk, 和swithin; Pp, Ppk, and soverall
Xbar, R, 和趋势图可用于验证过程是否处于受控状态。条形图和正态概率图可用于验证数据服从正态分布。最后，能力图以图形显示相对于规范的过程能力。与能力统计量一起，这些信息可以帮助你评价过程是否受控以及产品是否符合规范。
假设数据来自于正态分布的模型适合于多数过程数据。如果数据是倾斜的，或组内变差不是固定的（如变差与均值相对应），参见Non-normal data下的讨论。[例]
假设你在一个汽车制造厂的机器组装部门工作。某个零件，凸轮轴的长度的工程规范为600+-2mm。长期以来，该轴的长度均超出规范的要求，导致生产线上装配性性、高废弃和重工率。
在对记录清单检查后，你发现该零件有两个供应商。Xbar-R图告诉你供应商2的零件失控，因此你决定停止接受供应商2的零件直至产品受控为止。
在去除供应商2后，不良装配的数量明显减少，但问题并未完全消除。你决定通过capability sixpack来观察供应商1是否具备满足工程规范的能力。
1 Open the worksheet CAMSHAFT.MTW.
2 Choose Stat > Quality Tools > Capability Sixpack (Normal).
3 In Single column, enter Supp1. In Subgroup size, type 5.
4 In Upper spec, type 602. In Lower spec, type 598. Click OK.
[结果]
[结果分析]
在Xbar-R 图上，点在控制界限之间随机分布，表明过程是稳定的。将R图上的点与Xbar上的点进行比较可发现点之间是否有相关关系。图上的点没有，表明过程稳定。
趋势图上的点随机分布，无趋势或偏移，也表明过程的稳定性。
如果你想解释过程能力统计量，数据应该近似服从正态分布。这个要求得到了满足，这点可以从正态曲线看出来。在正态概率图上，点大致在一条直线上。这些表明数据服从正态分布。
但是从能力图上，可以看出过程的允差落在了下控制界限外，表明你有时会看到不满足最低规范界限的零件。同样，Cp (1.16) and Cpk (0.90)均低于1.33，表明供应商1的过程需要改善。
4、Capability Sixpack (Weibull)
[概述]
Capability Sixpack (Normal) 命令用来数据近似服从Weibull分布时评价过程能力。Capability Sixpack (Weibull)同时显示以下信息：
?一张Xbar图(或Individuals chart for individual observations)
?一张R图(or MR chart for individual observations)
?一张最近25个子组的趋势图(或最近25个观察结果)
?一个过程数据的条形图
?一个正态概率图
?一个过程能力图
?长期过程能力统计量：Pp, Ppk, shape (b), and scale (d).
Xbar, R, 和趋势图可用于验证过程是否处于受控状态。条形图和Weibull概
率图可用于验证数据近似服从Weibull分布。最后，能力图以图形显示相对于规
范的过程能力。与能力统计量一起，这些信息可以帮助你评价过程是否受控以及产品是否符合规范。
假设数据来自于正态分布的模型适合于多数过程数据。如果数据是倾斜的，或组内变差不是固定的（如变差与均值相对应），参见Non-normal data下的讨论。
在Weibull模型中，Minitab仅计算长期过程统计量，Pp, Ppk。计算是基于形状的最大可能估计和规模参数，而不是象正态分布中的均值和变差。如果数据不服从正态分布，你可以选择Box-Cox转换来应用Capability Analysis (Normal Distribution)命令来计算组内统计量，Cp和Cpk。参见Non-normal data对两种方法的比较。
[例]
假设你在生产地板瓷砖的公司工作，你对瓷砖表面的翘曲比较关心。为保证产品质量，你每个工作日测量10个瓷砖的翘曲量，连续测量了10天。
数据的条形图表明它们不是来自于正态分布（参见Example of a capability analysis with a Box-Cox transformation）。因此你决定基于Weibull 概率模型进行capability sixpack分析。
1 Open the worksheet TILES.MTW.
2 Choose Stat > Quality Tools > Capability Sixpack (Weibull).
3 In Single column, enter Warping. In Subgroup size, type 10.
4 In Upper spec, type 8. Click OK .
[结果]
[结果分析]
能力条形图没有显示在假想的模型和数据之间存在严重的差异。同样，在Weibull概率图上，所有点近似在一条直线上。
Ppk和PPU 指数表明过程是否能生产在允差范围内的瓷砖。然而，能力图表明过程不能满足规范要求。Ppk为0.77，低于1.33之下，因此，过程能力是不够的。
同样，PPM > USL—每百万产品中质量特性值高于上规范界限的产品数—为
20000.00。这意味着1，000，000个瓷砖中有20000个的翘曲量将超出上规范界限（8mm）。
为观察同样的数据以Capability Sixpack (Normal)分析的结果，参见capability sixpack with a Box-Cox transformation。
5、Capability Analysis (Binomial)
[概述]
Capability Analysis (Binomial)命令用于对来自于二项分布的数据进行过程能力分析。二项分布通常与所抽取的样本的缺陷项目的数目的记录相关。
例如，你可能使用通过/失败GAGE来判断某个特性合格与否。你应记录检查的所有的样本数和失败的数量。或者，你可以记录某天电话报告生病的人数和每天计划工作的人数。
应用Capability Analysis (Binomial) 命令时必须满足下列条件：
?每个项目都是相同条件下的结果；each item is the result of identical
conditions
?每个项目将导致两种可能的结果（成功/失败，GO/NG）；
?对某个项目成功的概率是常数；
?项目结果之间是相互独立的。
Capability Analysis (Binomial)所产生的过程能力报告包括以下内容：
P图，用于验证过程是否受控；
?不合格品率的累积图，用于验证你收集的样本数据是否足够以对稳定的不
合格率作
出估计；
?不合格品率的条形图，显示搜集的样本的长期不合格品率的分布；
?不合格品率图，用于验证不合格品率是否受抽取的样本数影响。
[例]
假设你负责评价电话销售部门的反应情况，也就是回答来电的能力。你记录下了20天中每天因为无效销售代表没有回的来电数（不合格）。你还记录了整个的来电数。
1 Open the worksheet BPCAPA.MTW.
2 Choose Stat > Quality Tools > Capability Analysis (Binomial).
3 In Defectives, enter Unavailable.
4 In Use sizes in, enter Calls. Click OK.
[结果]
[结果分析]
P图上有一个点失控。累积不合格品率图显示长期不合格品率趋于22%，但需要收集跟多的数据以证明这一点。不合格品率看起来不受样本大小的影响。过程Z值在0.75左右，比较低，过程需要进一步进行改善。
6、Capability Analysis (Poisson)
[概述]
Capability Analysis (Poisson)用于当数据来自于泊松分布时产生过程能力报告。泊松数据通常与在某个单位上的缺陷数相关，这个单位可以是指定的时间周期或指定的空间。单位的大小可以改变，因此，你必须同时跟踪大小的变化。
例如：如果你生产电线，你可能想记录某段电线断开的数量，如果线的长度是变化的，你必须记录每段抽取的样本的大小。或者，你们生产电器，你希望记录电器表面的划伤数量。因为表面大小可能不同，你可能记录每个抽取的表面的大小，及平方英寸。
?当数据满足下列条件时，应用Capability Analysis (Poisson)：
?单位表面或时间内的缺陷率对每个项目是相同的；
?项目中缺陷数量彼此之间是相互独立的。
Capability Analysis (Poisson) 为服从泊松分布的数据产生过程能力分析报告，包括：
?U图，验证报告时过程是否受控；
?累积平均DPU (defects per unit)，验证是否收集到足够数据来对均值做出
稳定的估
计；
?DPU 条形图，显示收集到的样本的单位缺陷数的整体分布；
?缺陷图比率，验证DPU是否受抽取到的样本大小的影响。
[例]
假设你在电线厂工作，你对电线绝缘过程的有效性非常关心。你随机抽取一定长度的电线，以测试电压，测试绝缘上的弱点。你记录了弱点数和每段电线的长度(in feet)。
1 Open the worksheet BPCAPA.MTW.
2 Choose Stat > Quality Tools > Capability Analysis (Poisson).
3 In Defects, enter Weak Spots.
4 In Uses sizes in, enter Lengths. Click OK.
[结果]
[结果分析]
U图上有3个点失控。累积DPU均值在0.0265上来回变动，表明样本数是足够的以对DPU均值作出较好的估计。DPU看起来不受电线长度的影响。7、Capability Analysis (Between/Within)
[概述]
Capability Analysis (Between/Within)利用组间和组内变差产生一个过程能力报告。但数据为子组时，组内的随机误差可能不是唯一应考虑的变差来源。在子组之间也可能存在着随机误差。在这种情况下，全部过程变差包括组内变差和组间变差。
Capability Analysis (Between/Within) 计算组内标准差和组间标准差，也可以指定历史标准差。这些将被结合起来计算全部标准差。全部标准差可用于计算工程能力，如Cp和Cpk。
报告还包括过程数据的统计量，如过程均值，目标，整体（组内和组间）标准差以及长期标准差，观察到的和期望的过程能力。
[例]
假设你对将卷纸涂上一层薄的胶片的过程能力感兴趣。你关心的是纸是否被涂上了正确厚度的胶片以及是否整卷纸都涂上了胶片。你从25个连续卷中抽取了3卷测量涂的厚度。厚度的工程规范为50+-3mm 。
1 Open the worksheet BWCAPA.MTW.
2 Choose Stat > Quality Tools > Capability Analysis (Between/Within).
3 In Single column, enter Coating. In Subgroup size, enter Roll.
4 In Lower spec, enter 47. In Upper spec, enter 53. Click OK
[结果]
[结果分析]
你可以看出过程均值(49.8829)与50很接近。Cpk指数表明过程是否生产在允差内的产品。Cpk指数为1.21，表明过程能力还可以，但还可以进一步改善。
期望的组内/组间能力的PPM为193.94。这意味着100万个卷中约有194个不能满足规范界限。这种分析告诉你过程具备相当的过程能力。
8、Capability Sixpack (Between/Within)
[概述]
Capability Sixpack (Between/Within)命令适于存在组内和组间变差的时候，它允许你同时显示以下信息以评价过程能力：
?一张单值图；an Individuals chart
?一张移动极差图；a Moving Range chart
?一张R图或S图；an R chart or S chart
?一张过程数据的条形图；?a histogram of the process data
?一张正态概率图；?a normal probability plot
?一张过程能力图；?a process capability plot
?组间/组内和长期能力统计量：Cp, Cpk, Cpm (如果你指定了目标), swithin,
sbetween,
and s total; Pp, Ppk, and soverall。
单值图、移动极差图、R图或S图可以验证过程是否受控。条形图和正态概率图可以验证数据是否服从正态分布。最后，能力图可以直观地将过程变差与工程规范进行比较。在加上能力统计量，这些信息可以帮助你评价过程是否受控，以及产品是否满足规范要求。
[例]
假设你对将卷纸涂上一层薄的胶片的过程能力感兴趣。你关心的是纸是否被涂上了正确厚度的胶片以及是否整卷纸都涂上了胶片。你从25个连续卷中抽取了3卷测量涂的厚度。厚度的工程规范为50+-3mm 。
因为你想判断是否整个卷都被喷涂，你可以用Minitab来进行Capability Sixpack (Between/Within)分析。
1 Open the worksheet BWCAPA.MTW.
2 Select Stat > Quality Tools > Capability Sixpack (Between/Within).
3 In Single column, enter Coating. In Subgroup size, enter Roll.
4 In Lower spec, enter 47. In Upper spec, enter 53.
5 Click Tests. Choose Perform all eight tests. Click OK in each dialog box.
[结果]
[结果分析]
如果你想结实过程能力统计量，数据必须来自于正态分布。这一点是符合的。在能力条形图上，数据大致服从正态分布。同样，在正态概率线上，所有点大致在一条直线上。
没有点被察觉出来存在异常因素，从而表明过程受控。单值图和移动极差图上的点看起来彼此之间无明显关系，也表明过程是稳定的。
能力图显示过程符合规范要求。Cpk (1.21) and Ppk (1.14) 均比1.33低一些，因此你的过程还可以进行改善。
Minitab软件过程能力概述与分析
过程能力概述 一旦过程处于统计操纵状态，同时是连续生产，那么你可能想明白那个过程是否有能力满足规范的限制，生产出好的零件（产品），通过比较过程变差的宽度和规范界限的宽度能够确定过程能力。在评估过程能力之前，过程必须受控。假如过程不受控，你将得到不正确的过程能力值。 .你能通过画能力柱状图和能力图来评估过程能力。这些图形能够关心你评估数据的分布和检验过程是否受控。你也能够可能包括规范公差与正常过程变差之间比率的能力指数。能力指数或统计指数差不多上评估过程能力的一种方法，因为它们都没有单位，因此，能够用能力统计表来比较不同过程的能力。 选择能力命令 MINITAB提供了一组不同的能力分析命令，你能够依照数据的性质和分布从中选择命令，你能够对以下情况进行能力分析：——正态或Weibull概率模式（关于测量数据） ——不同子组之间可能有专门强变差的正态数据
——二项式或Poisson概率模式（关于计数数据或属性数据）当进行能力分析时，选择正确的公式是差不多要求，例如，MINITAB提供基于正态或Weibull分布模型上的能力分析工具，使用正态概率模型的命令提供了更完全的统计设置，然而，适用的数据必须近似于正态分布. 例如，利用正态概率模型，能力分析（正态）能够可能预期零件的缺陷PPM数。这些统计分析建立在两个假设的基础上，1、数据来自于一个稳定的过程，2、数据服从近似的正态分布，类似地，能力分析（Weibull）计算零件的缺陷的PPM值利用的是Weibull分布。在这两个例子中，统计分析正确性依靠于假设分布模型的正确性。 假如数据是歪斜特不严峻，那么用正态分布分析将得出与实际的缺陷率相差专门大的结果。在这种情况下，把那个数据转化比正态分布更适当的模型，或为数据选择不同的概率模式.用MINITAB,你能够使用Box-Cox能力转化或Weibull概率模型，非正态数据比较了这两种方法.
QC七大手法试题及答案
QC七大手法考试试题 姓名：部门：得分： 一、填空题（共20题） 1、QC七大手法包括查检表、层别法、直方图、柏拉图、特性要因图、管制图、散布图。 2、特性要因图是当一个问题的特性（结果）受到一些要因（原因）的影响时,我们将这些要因加以整理,成为有相互关系且有系统的图形。 3、散布图根据变量的相关性，可分为正相关、负相关、不相关。 4、应用到80：20原理的是QC七大手法中的___柏拉图____。~" S 5、造成产品变异的原因可分为异常原因、偶然原因。 6、查检表按用途分可分为记录用、查核用。 7、特性要因图，又称为鱼骨图、因果图。 8、制作特性要因图时，须收集多数人的意见,多多益善,可运用脑力激荡原则。 二、判断题（共30分） 1、散布图适用于计数型数据。（×） 2、排列图是寻找引发结果原因的管理图形工具。（×）3 m; `; q0 X 3、产品合格率、产品外观尺寸、时间等数据是属于计数值数据。（×） 4、在解决日常问题时，在收集数据之前就应使用层别法（√） 5、[柏拉图]方法，由品管圈(QCC)的创始人日本石川馨博士介绍到品管圈活动中使用，而成为品管七大手法之一（√） 6、制作直方图时，所收集数据的数量应大于50以上。（√） 7、偶然原因，本质上是局部的,很少或没有,可避免的。（×） 8、计量型管制图，当每小组的样本10个或10个以上时，应采用Xbar-S管制图。（√） 9、当有点出现在控制图A区以外，即可判断该点对应的产品已不合格。（×） 10、不合格数图C-CHART属于计量型管制图。（×） 三．简答题/计算题（共50分） 1、简述制作特性要因图的五步骤，举例并画一个鱼骨图。（30分） 答：①决定问题特性；②决定大要因；③决定中小要因；④圈出最主要的原因；⑤填上制作项目、日期、制作者等资料。 2、简述5W2H。（20分） （1）WHAT——是什么？目的是什么？做什么工作？ （2）HOW ——怎么做？如何提高效率？如何实施？方法怎样？ （3）WHY——为什么？为什么要这么做？理由何在？原因是什么？造成这样的结果为什么？（4）WHEN——何时？什么时间完成？什么时机最适宜？ （5）WHERE——何处？在哪里做？从哪里入手？ （6）WHO——谁？由谁来承担？谁来完成？谁负责？ （7）HOW MUCH——多少？做到什么程度？数量如何？质量水平如何？费用产出如何？
QC七大手法之控制图
品管七大手法 七大手法：检查表、层别法、柏拉图、因果图、散布图、直方图、控制图 五、散布图 将因果关系所对应变化的数据分别描绘在X-Y轴坐标系上,以掌握两个变量之间是否相关及相关的程度如何,这种图形叫做“散布图”，也称为“相关图”。 1、分类 1）正相关：当变量X增大时，另一个变量Y也增大； 2）负相关：当变量X增大时，另一个变量Y却减小； 3）不相关：变量X（或Y）变化时，另一个变量并不改变； 4）曲线相关：变量X开始增大时，Y也随着增大，但达到某一值后，则当X值增大时，Y反而减小。 2、实施步骤 1）确定要调查的两个变量，收集相关的最新数据，至少30组以上； 2）找出两个变量的最大值与最小值，将两个变量描入X轴与Y轴； 3）将相应的两个变量，以点的形式标上坐标系； 4）计入图名、制作者、制作时间等项目； 5）判读散布图的相关性与相关程度。 3、应用要点及注意事项 1）两组变量的对应数至少在30组以上，最好50组至100组，数据太少时，容易造成误判； 2）通常横坐标用来表示原因或自变量，纵坐标表示效果或因变量； 3）由于数据的获得常常因为5M1E的变化，导致数据的相关性受到影响，在这种情况下需要对数据获得的条件进行层别，否则散布图不能真实地反映两个变量之间的关系； 4）当有异常点出现时，应立即查找原因，而不能把异常点删除； 5）当散布图的相关性与技术经验不符时，应进一步检讨是否有什么原因造成假象。 七、控制图 1、控制图法的涵义
影响产品质量的因素很多，有静态因素也有动态因素，有没有一种方法能够即时监控产品的生产过程、及时发现质量隐患，以便改善生产过程，减少废品和次品的产出?控制图法就是这样一种以预防为主的质量控制方法，它利用现场收集到的质量特征值，绘制成控制图，通过观察图形来判断产品的生产过程的质量状况。控制图可以提供很多有用的信息，是质量管理的重要方法之一。 控制图又叫管理图，它是一种带控制界限的质量管理图表。运用控制图的目的之一就是，通过观察控制图上产品质量特性值的分布状况，分析和判断生产过程是否发生了异常，一旦发现异常就要及时采取必要的措施加以消除，使生产过程恢复稳定状态。也可以应用控制图来使生产过程达到统计控制的状态。产品质量特性值的分布是一种统计分布．因此，绘制控制图需要应用概率论的相关理论和知识。 控制图是对生产过程质量的一种记录图形，图上有中心线和上下控制限，并有反映按时间顺序抽取的各样本统计量的数值点。中心线是所控制的统计量的平均值，上下控制界限与中心线相距数倍标准差。多数的制造业应用三倍标准差控制界限，如果有充分的证据也可以使用其它控制界限。 常用的控制图有计量值和记数值两大类，它们分别适用于不同的生产过程；每类又可细分为具体的控制图，如计量值控制图可具体分为均值——极差控制图、单值一移动极差控制图等。 2、控制图的绘制 控制图的基本式样如图所示，制作控制图一般要经过以下几个步骤： ①按规定的抽样间隔和样本大小抽取样本； ②测量样本的质量特性值，计算其统计量数值； ③在控制图上描点； ④判断生产过程是否有并行。 控制图为管理者提供了许多有用的生产过程信息时应注意以下几个问题： ①根据工序的质量情况，合理地选择管理点。管理点一般是指关键部位、关健尺寸、工艺本身有特殊要求、对下工存有影响的关键点，如可以选质量不稳定、出现不良品较多的部位为管理点； ②根据管理点上的质量问题，合理选择控制图的种类：
如何用MINITAB进行过程能力分析
过程能力概述 一旦过程处于统计控制状态，并且是连续生产,那么你可能想知道这个过程是否有能力满足规范的限制,生产出好的零件（产品）,通过比较过程变差的宽度和规范界限的宽度可以确定过程能力。在评估过程能力之前,过程必须受控。如果过程不受控,你将得到不正确的过程能力值。 .你能通过画能力柱状图和能力图来评估过程能力。这些图形能够帮助你评估数据的分布和检验过程是否受控。你也可以估计包括规范公差与正常过程变差之间比率的能力指数。能力指数或统计指数都是评估过程能力的一种方法，因为它们都没有单位，所以，可以用能力统计表来比较不同过程的能力。 选择能力命令 MINITAB提供了一组不同的能力分析命令，你可以根据数据的性质和分布从中选择命令,你可以对以下情况进行能力分析: ——正态或Weiｂuｌl概率模式(对于测量数据) ——不同子组之间可能有很强变差的正态数据 ——二项式或Poissｏｎ概率模式(对于计数数据或属性数据) 当进行能力分析时，选择正确的公式是基本要求,例如，MINIＴAＢ提供基于正态或Weiｂull分布模型上的能力分析工具,使用正态概率模型的命令提供了更完全的统计设置,但是，适用的数据必须近似于正态分布. 例如，利用正态概率模型,能力分析（正态）可以估计预期零件的缺陷PPM 数。这些统计分析建立在两个假设的基础上,1、数据来自于一个稳定的过程，２、数据服从近似的正态分布,类似地，能力分析(Weiｂuｌｌ）计算零件的缺陷的PPM值利用的是Weibull分布。在这两个例子中,统计分析正确性依赖于假设分布模型的正确性。 如果数据是歪斜非常严重，那么用正态分布分析将得出与实际的缺陷率相差很大的结果。在这种情况下，把这个数据转化比正态分布更适当的模型，或为数据选择不同的概率模式.用ＭINITAB,你可以使用Ｂｏｘ－Coｘ能力转化或Ｗeibuｌｌ概率模型,非正态数据比较了这两种方法. 如果怀疑过程中子组之间有很强的变差来源，可以使用能力分析（组间/组内)或SＩXpaｃk能力分析(组间/组内)。除组内数据具有随机误差外，组间还可能有随机变差。明白了子组变差的来源,可以为你提供过程更真实的潜在能力评估。能力分析(组间/组内）或SIXpack能力分析（组间/组内）既计算组内标准偏差也计算组间标准偏差，然后，集中它们来计算总的标准偏差。
用minitab软件进行测量的说明
用MINITAB软件进行测量系统分析 质量部陈志明 摘要数据分析在质量管理和过程控制活动中已得到了广泛的应用，而数据的质量又取决于测量系统的能力。本文以空调公司平衡型量热计空调系统性能测试平台的“GR&R”研究为例，介绍用MINITAB 进行测量系统分析的方法，供大家参考。 关键词数据分析MINITAB软件测量系统分析（MSA） 一测量系统分析概述 测量系统是对测量单元进行量化或对被测的特性进行评估，其所用的仪器或量具、标准、操作、方法、夹具、软件、人员、环境及假设的集合，也就是说用来获得测量结果的过程。理想的测量系统在每次使用时应只产生正确的测量结果：与一个标准值相符。而事实上，理想的测量系几乎是不存在的：用一把校准好的卡尺，不同的人测量同一件零件都会产生不同的结果。低质量的测量系统产生的测量结果往往本身就有较大的偏差，从而可能掩盖被分析过程的偏差，这种结果用于质量验证、质量改进和过程控制分析显然是不恰当的。 测量系统的质量经常使用其测得数据的统计特性来确定，测量系统必须处于统计控制中，也就说测量系统产生的偏差只能是由普通原因造成，而不应由于特殊原因导致。 测量系统分析就是用统计的方法分析测量系统所测数据的统计特性，而确定其质量水平。通常，我们用下述五个指标来评价测量系统的统计特性，它们是： 1）偏倚: 测量观察平均值与该零部件采用精密仪器测量的标准平均值的差值； 2）线性:表征量具预期工作范围内偏倚值的差别； 3）稳定性：表征测量系统对于给定的零部件或标准件随时间变化系统便倚中的总偏差量，与通常意义上的统计稳定性是有区别的； 4）重复性：指同一个评价人，采用同一种测量仪器，多次测量同一零件的同一特性时获得的测量值（数据）的偏差。 5）再现性：指由不同的评价人，采用相同的测量仪器，测量同一零件的同一特性时测量平均值的偏差。 通常，前三种指标用于评价测量系统的准确性，后两种指标用于评价测量系统的精确性。测量系统的准确性可以通过对设备的校准等比如参照ISO9000或ISO/TS16949关于测量系统的相关要求在体系上对测量系统进行维护、监控。也就是说，通过对测量系统的分辨率、偏倚、线性和稳定性进行分析后进行校准后可以解决其准确性问题，工程上通常用测量系统的精确性亦即其重复性和再现性来研究其统计特性，就是通常所说的“GR&R研究”。 二测量系统分析流程及方法 测量系统分析是一项重要的系统工程。通常需要根据测量过程的可重复性（破坏性或非破坏性）、测量结果性质（记数型数据或计量型数据）、待测单元的数量大小、过程的成本、仪器或量具的状态及测量过程输出的重要性等因素来确定分析的方法和流程。限于篇幅，本文仅就空调公司系统性能测试平台（量热计平衡室）的分析结合笔者对测量系统分析的了解做简要介绍，详细方法可参阅本文的参考文献（1）。 测量系统分析步骤： 1.验证“量具（gage）”的校准； 2.选择工件和测量者执行测量； 3.用MINITAB软件进行数据评估； 4.分析数据，解释结果，得出结论； 5.检查是否有不合格的测量单位，制定长期量具保持/改进计划。 量具必须经过校准且才处在正常状态，没有经过校准或者已经过了校准期限的量具是处于不正常状态的，其测量所得数据不能用于测量系统分析。 为保证数据的统计独立性，视测量过程的时间、费用等因素，一般随机选择代表整个过程的10件工
Minitab DOE数据分析
————— 2014/5/15 9:16:17 ————————————————————欢迎使用 Minitab，请按 F1 获得有关帮助。 结果: DOE_热处理(全因).MTW 拟合因子: 强度与加热温度, 加热时间, 转换时间, 保温时间 （Step3：回归系统的统计质量） 强度的估计效应和系数（已编码单位） 系数标 项效应系数准误 T P 常量 541.319 1.841 293.98 0.000 加热温度 20.038 10.019 1.841 5.44 0.032 加热时间 16.887 8.444 1.841 4.59 0.044 转换时间 3.813 1.906 1.841 1.04 0.409 保温时间 11.113 5.556 1.841 3.02 0.095 加热温度*加热时间 0.737 0.369 1.841 0.20 0.860 加热温度*转换时间 -0.487 -0.244 1.841 -0.13 0.907 加热温度*保温时间 3.062 1.531 1.841 0.83 0.493 加热时间*转换时间 1.263 0.631 1.841 0.34 0.764 加热时间*保温时间 7.113 3.556 1.841 1.93 0.193 转换时间*保温时间 0.837 0.419 1.841 0.23 0.841 加热温度*加热时间*转换时间 2.612 1.306 1.841 0.71 0.552 加热温度*加热时间*保温时间 -5.288 -2.644 1.841 -1.44 0.288 加热温度*转换时间*保温时间 1.787 0.894 1.841 0.49 0.675 加热时间*转换时间*保温时间 1.038 0.519 1.841 0.28 0.805 加热温度*加热时间*转换时间*保温时间 1.838 0.919 1.841 0.50 0.667 Ct Pt 1.981 4.634 0.43 0.711 （Step2：观察回归效果） S = 7.36546 （是西格玛希望越小越好） PRESS = * R-Sq = 97.17% R-Sq（预测） = *% R-Sq（调整） = 74.56% （step1：至少有两个主效应因子的P值大于等于0.05)
QC七大手法是什么
QC七大手法是什么? 检查表(Data collection form) 分层法(Stratification) 散布图(Scatter) 排列图(Pareto) 直方图(Histogram) 因果图(Cause-Effect diagram) 控制图(Control Chart) 应用在哪些方面?如何运用? 1. 查检表（Check List） 以简单的数据或容易了解的方式，作成图形或表格，只要记上检查记号，并加以统计整理，作为进一步分析或核对检查用，其目的在於『现状调查』。 2. 柏拉图（Pareto Diagram） 根据所搜集之数据，以不良原因、不良状况、不良发生或客户抱怨的种类、安全事故等，项目别加以分类，找出比率最大的项目或原因并按照大小顺序排列，再加上累积值的图形。用以判断问题症结之所。 3. 特性要因图（Characteristic Diagram） 一个问题的特性（结果）受一些要因（原因）的影响时，将这些要因加以整理，而成为有相互关系而且有条且有系统的图形。其主要目的在阐明因果关系，亦称『因果图』，因其形状与鱼骨图相似故又常被称作『鱼骨图』。 4.散布图（Scatter Diagram） 把互相有关连的对应数据，在方格上以纵轴表示结果，以横轴表示原因，然后用点表示分布形态，根据分析的形态未研判对应数据之间的相互关系。 5. 管制图（Control Chart） 一种用於调查制造程序是否在稳定状态下，或者维持制造程序在稳定状态下所用的图。管制纵轴表产品品质特性，以制程变化数据为分度；横轴代表产品的群体号码、制造曰期，依照时间顺序将点画在图上，再与管制界限比较，以判别产品品质是否安定的一种图形。 6. 直方图（Histogram） 将搜集的数据特性值或结果值，在一定的范围横轴上加以区分成几个相等区间，将各区间内的测定值所出现的次数累积起来的面积用柱形画出的图形。因此也叫柱形图。 7. 层别法（Stractification） 针对部门别、人别、工作方法别、设备、地点等所搜集的数据，按照它们共同特徵加以分类、统计的一种分析方法 QC七大手法 第一章概述 一、起源
QC七大手法试题及答案
Q C七大手法试题及答案 SANY GROUP system office room 【SANYUA16H-
QC七大手法考试试题 姓名：部门：得分： 一、填空题（共20题） 1、QC七大手法包括查检表、层别法、直方图、柏拉图、特性要因图、 管制图、散布图。 2、特性要因图是当一个问题的特性（结果）受到一些要因（原因）的影响时,我们将这些要因加以整理,成为有相互关系且有系统的图形。 3、散布图根据变量的相关性，可分为正相关、负相关、不相关。 4、应用到80：20原理的是QC七大手法中的___柏拉图____。 5、造成产品变异的原因可分为异常原因、偶然原因。 6、查检表按用途分可分为记录用、查核用。 7、特性要因图，又称为鱼骨图、因果图。 8、制作特性要因图时，须收集多数人的意见,多多益善,可运用脑力激荡原则。 二、判断题（共30分） 1、散布图适用于计数型数据。（×） 2、排列图是寻找引发结果原因的管理图形工具。（×） 3、产品合格率、产品外观尺寸、时间等数据是属于计数值数据。（×） 4、在解决日常问题时，在收集数据之前就应使用层别法（√） 5、[柏拉图]方法，由品管圈(QCC)的创始人日本石川馨博士介绍到品管圈活动中使用，而成为品管七大手法之一（√） 6、制作直方图时，所收集数据的数量应大于50以上。（√） 7、偶然原因，本质上是局部的,很少或没有,可避免的。（×）
8、计量型管制图，当每小组的样本10个或10个以上时，应采用Xbar-S管制图。（√） 9、当有点出现在控制图A区以外，即可判断该点对应的产品已不合格。（×） 10、不合格数图C-CHART属于计量型管制图。（×） 三．简答题/计算题（共50分） 1、简述制作特性要因图的五步骤，举例并画一个鱼骨图。（30分） 答：①决定问题特性；②决定大要因；③决定中小要因；④圈出最主要的原因；⑤填上制作项目、日期、制作者等资料。 2、简述5W2H。（20分） （1）WHAT——是什么？目的是什么？做什么工作？ （2）HOW——怎么做？如何提高效率？如何实施？方法怎样？ （3）WHY——为什么？为什么要这么做？理由何在？原因是什么？造成这样的结果为什么？（4）WHEN——何时？什么时间完成？什么时机最适宜？ （5）WHERE——何处？在哪里做？从哪里入手？ （6）WHO——谁？由谁来承担？谁来完成？谁负责？ （7）HOWMUCH——多少？做到什么程度？数量如何？质量水平如何？费用产出如何？
运用Minitab进行过程能力(Process+Capability)_1
过程能力概述（Process Capability Overview） 在过程处于统计控制状态之后，即生产比较稳定时，你很可能希望知道过程能力，也即满足规格界限和生产良品的能力。你可以将过程变差的宽度与规格界限的差距进行对比来片段过程能力。在评价其能力之前，过程应该处于控制状态，否则，你得出的过程能力的估计是不正确的。 你可以画能力条形图和能力点图来评价过程能力，这些图形可以帮助你评价数据的分布并验证过程是否受控。你还可以计算过程指数，即规范公差与自然过程变差的比值。过程指数是评价过程能力的一个简单方法。因为它们无单位，你可以用能力统计量来比较不同的过程。 一、选择能力命令（Choosing a capability command） Minitab提供了许多不同的能力分析命令，你可以根据数据的属性及其分布来选择适当的命令。你可以为以下几个方面进行能力分析： ?正态或Weibull概率模型(适合于测量数据) ?很可能来源于具有明显组间变差的总体的正态数据 ?二项分布或泊松概率分布模型(适合于属性数据或计数数据) 注：如果你的数据倾斜严重，你可以利用Box-Cox转换或使用Weibull 概率模型。 在进行能力分析时，选择正确的分布是必要的。例如：Minitab提供基于正态和Weibull概率模型的能力分析。使用正态概率模型的命令提供更完整的一系列的统计量，但是你的数据必须近似服从正态分布以保证统计量适合于这些数据。举例来说，Analysis (Normal) 利用正态概率模型来估计期望的PPM。这些统计量的结实依赖于两个假设：数据来自于稳定的过程，且近似服从的正态分布。类似地，Capability Analysis (Weibull) 利用Weibull 分布模型计算PPM。在两种情况下，统计的有效性依赖于假设的分布的有效性。 如果数据倾斜严重，基于正态分布的概率会提供对实际的超出规格的概率做比较差的统计。这种情况下，转化数据使其更近似于正态分布，或为数据选择不同的概率模型。在Minitab中，你可以用“Box-Cox power transformation”或Weibull 概率模型。Non-normal data对这两个模型进行了比较。 如果你怀疑过程具有较明显的组间变差，使用Capability Analysis (Between/Within)或Capability Sixpack (Between/Within)。子组内部的随机误差之上，子组数据可能还有子组之间的随机变差。对子组变差的两个来源的理解可以为过程潜在能力提供更实际的估计。Capability Analysis (Between/Within)和Capability Sixpack (Between/Within) 计算了组间和组内标准差，然后再估计长期的标准差。 Minitab还为属性数据和计数数据进行能力分析，基于二项分布和泊松概率模型。例如：产品可以根据标准判定为合格和不合格(使用Capability Analysis (Binomial)).。你还可以根据缺陷的数量进行分类(使用Capability Analysis
QC(旧)七大手法之六——散布图
QC（旧）七大手法之六——散布图(scatter diagram) 第一小节散布图的观察分析 一．定义 散布图，也称散点图、相关图，散布图法又称为相关图法，QC要掌握的是平面散布图，是指通过分析研究两种因素的数据（成对出现）之间的关系，来控制影响产品质量的相关因素的一种有效方法（图示技术）。 散布图是研究成对出现的两组数据之间关系的图示技术。在生产实际中，往往是一些变量共处于一个统一体中，它们相互联系、相互制约，在一定条件下又相互转化。有些变量之间存在着确定性的关系，它们之间的关系，可以用函数关系来表达，如圆的面积S=πr2，有些变量之间却存在相关关系（即统计关系），即这些变量之间既有关系，但又不能由一个变量的数值精确地求出另一个变量的数值，如钢铁材料强度与含碳量之间的关系，车间的照明度与IPQC的测量误差之间的关系，人的身高与体重之间的关系等，这种统计关系只能用统计技术去研究，即将这两种有关的数据列出，用点子打在坐标图上，然后观察这两种因素之间的关系，这种图就是散布图或相关图，对散布图的分析称为相关分析。散布图中所分析的两种数据之间的关系，一般有三种：可以是特性与原因的关系，即特性——原因（结果——原因）；也可以是某一特性与另一特性的关系，即特性——特性（结果——结果）；还可以是同一特性的两个原因之间的关系，即原因——原因。 散布图分析法，是适用范围较广的一种数理统计方法。只要生产或试验中，存在着一些变量共处于一个共同体中，并且它们的关系又是不能用函数表示的非确定性关系，就可以运用散布图法来分析其是否具有相关关系以及这种关系的密切程度（即相关系数大小）。 若同时存在的不只是两个变量，而是多个变量，则可以两两分别作散布图来加以分析。当然，也可用正交试验设计方法来对多变量（因素）之间的关系进行分析，并求得它们之间的最优配合。 注：用相关图法，可以应用相关系数r、回归分析等进行定量的分析处理，确定各种因素对产品质量的影响程度。如果两个数据之间的相关程度很大，那么可以通过一个变量的控制来间接控制另外一个变量。 一般两组变量之间可能存在的关系有函数关系、相关关系和不相关三种情况。相关关系是普通存在的，而函数关系仅是相关关系的特例。 质量是一种随机现象，在产品实现的过程中，存在两类因素影响产品质量的特性，其一是随机性因素（偶然性因素），其二是系统性因素（非随机性因素即确定性因素）。在一定生产力水平下，随机性因素是不可观测和不可控无须控制的因素，在这种因素作用下产品质量特性的变化不会超出允许的界限（公差），产品质量符合要求。而系统性因素是确定性因素，是构成生产过程的必要条件，可观测可控制，发生异常变化，产品质量特性则会超出允许的界限，产品质量将不会符合要求。因此，在质量管理中，观测和控制这些决定产品质量特性是否符合要求的系统性因素，是一项重要的控制活动。 产品质量特性与影响因素的关系，可能没有确定的函数关系，但却具有某种关联，即原因和结果的关系。如何确定影响产品质量特性的因素之间存在的相关关系？能否通过控制相关因素达到控制产品质量的目的？这就是散布图要回答的关键问题。 二．散布图的作图过程 第一步：将需要研究是否有关系的两种数据收集30组或对(至少30对)以上，并一一对应地填入数据表：
qc七大手法之散布图
第九章 散布图(Scatter Diagram) 一、前言 散布图有以下的作用： ⒈能大概掌握缘故与结果之间是否有关联及关联的程度如何。 图2-1。 ⒉能检查离岛现象是否存在。图2-2。 ⒊缘故与结果关联性高时，二者可互为替代变数。关于过程参数或产品特性的掌握，可从缘故或结果中选择一较经济性的变数予以监测。同时可通过观看一变数的变化来明白另一变数的变化。 二、散布图的定义 特性要因图（鱼骨图）大概能够了解工程上那些缘故会阻碍 第九章 散布图 145 X X
产品的质量特性，散布图也是以这种因果关系的方式来表示其关连性。并将因果关系所对应变化的数据分不点绘在x—y轴坐标的象限上，以观看其中的关联性是否存在。 三、散布图的制作方法 以横轴（X轴）表示缘故，纵轴（Y轴）表示结果，作法如下： ⒈收集成对的数据(x1,y1)，(x2,y2)，…整理成数据表。 146 品管七大手法 ⒉找出x,y的最大值及最小值。 ⒊以x,y的最大值及最小值建立x—y坐标，并决定适当刻度便 于绘点。 ⒋将数据依次点于x—y坐标中，两组数据重复时以☉表示，三 组数据重复时以表示。
⒌必要时，可将相关资料注记在散布图上。 ⒍散布图的注意事项： ⑴是否有异常点： 有异常点时，不可任意删除该异常点，除非异常的缘故已确实掌握。 ⑵是否需分层： 数据的获得常常因为操作人员、方法、材料、设备或时刻等的不同，而使数据的关联性受到扭曲。 a. 全体时低度关联，分层后高度关联。 b. 全体时高度关联，分层后低度关联。 第九章 散布图 147 Y X Y X Y Y Y
⑶散布图是否与原有技术、经验相符： 散布图若与原有技术、经验不相符时，应追查缘故与结果是否受到其他因素干涉。 四、散布图的判读 依散布图的方向、形状，有以下几种关联情形： ⒈完全正（负）关联：点散布在一直线上。 X X 关 X X
最新MINITAB下数据的过程能力分析
MINITAB下数据的过程能力分析： 1.正态数据： a.检验数据的正态性：统计》基本统计量》正态性检验》确定（MINITAB示例） P>0.05，则数据服从正态分布，因此可进行连续数据中正态数据的过程能力分析及其指数的计算，但在进行分析和计算之前还需判定过程是否受控，可使用控制图； b.控制图监控：统计》控制图》子组的变量控制图》X-R图》确定； 可见无异常发生，过程受控； c.过程能力分析与计算：统计》质量工具》能力分析》正态》确定 2.非正态数据：
a.数据的正态性检验：同上 P<0.05，所以数据为非正态数据，需进行转换后方可进行过程能力分析，但这并不妨碍用原始数据进行控制图的绘制。 b.数据的转换：统计》控制图》BOX-COX变换》填入数据“扭曲”，子组大小 填“10》选项》将变换后的数据存入“C2”中》确定； 得到如下图，可知转换的λ=0.5，即对原始数据求平方根； c.控制图的绘制：步骤同上
d. 过程能力分析：统计》质量工具》能力分析》正态》单列为“C2”，子组大小为“10”，规格上限为“2.82”，2.82=81/2，确定 3. 4. 离散数据： a ． 计算DPMO ，公式参见SRINNI 培训： b ．将DPMO 暂时理解为不合格品率，如果DPMO=66807.2，则不合格品率P=0.00668072； c ． 计算》概率分布》正态分布》逆累计概率》输入常量“0.0668072”，，确定： d ． e ． 根据正态分布的对称性： Z =︳-1.5︳+1.5=3，即相应的SIGMA 水平为3， 公式为： Z=︳x ︳+1.5
干货：如何用Minitab软件进行过程能力分析(CPCPK)
干货：如何用Minitab软件进行过程能力分析（CPCPK） 引入过程能力分析的目的 1、在我们现有的管理过程中，我们经常会遇到有些具体指标总是不尽人意，存在许多需要改进的地方。那么在改进之前，我们就有必要知道我们的问题到底有多严重？目前的过程能力到底是多少？也就是说，在试图解决一个问题(改进)之前，首先需要深入了解问题现状及其过程能力。因此进行过程能力分析很有必要。过程能力分析可以根据实际情况选择使用，如果暂时还不能计算，可以放在以后去解决。 2、哪一个过程最佳?上面三个图中，哪一个过程最佳？你是否想知道，为什么？过程表现如何？什么是最佳的过程？什么是最差的过程？连续数据过程能力指数Cp1、Cp－表示过程容差与自然容差的比值大小，用来衡量过程的能力。 2、计算过程能力的要求：A、稳定过程；B、数据分布类型——正态分布。连续数据过程能力指数CpK1、Cpk－表示当过程中心值偏移时，中心值与规格上下限之间的最短距离与1/2自然容差的比值大小。 2、计算过程能力的要求：A、稳定过程；B、数据分布类型——正态分布。 3、中心值无偏离时，Cpk= Cp CP/CPK计算事例[一]中心值无偏离时，Cpk= Cp
CP/CPK计算事例[二]中心值偏离时，Cpk CpCP/CPK计算事例[Minitab]1、例如:按照设计图纸的要求,某一机柜门板的长度要求是1.5±0.1图纸下发给供应商后,供应商试加工了32个样品,具体的数据如下,请衡量该供应商加工该门板的过程能力。 2、首先要判断是否为正态分布，若否，则须经转换为正态分布后方可使用Minitab求取Cpk。 A、数据是否正态根据P值来判断,如果P值大于0.05，数据符合正态分布；P值小于0.05，则数据是非正态的。 B、实际操作过程中，如果数据为非正态，只要数据的容量大于30个，我们也可以近视认为数据是符合正态分布的。3、用Minitab软件计算CPKSigma计算事例[Minitab]使用Excel计算Sigma水平说明：在上图Probability一栏中输入合格率，则Excel会自动计算出的长期的σ水平即: Zlt=1.9110；最后加上1.5 σ的补偿，得出短期的σ水平即: Zst=3.411。
Minitab统计分析(上)
Minitab统计分析(上） Minitab介绍 1.Minitab是众多统计软件当中比较简单易懂的软件之一； 2.相对来讲，Minitab在质量管理方面的应用是比较适合的； 3.Minitab的功能齐全，一般的数据分析和图形处理都可以应付自如。Minitab与6 Sigma的关系1.在上个世纪80年代Motolora开始在公司内推行6 Sigma，并开始借助Minitab 使6 Sigma得以最大限度的发挥；2.6 Sigma的MAIC阶段中，很多分析和计算都可以都通过Minitab简单的完成；3.即使是对统计的知识不怎么熟悉，也同样可以运用Minitab 很好的完成各项分析。Minitab的功能 1.计算功能(1)计算器功能(2)生成数据功能(3) 概率分布功能(4)矩阵运算2.数据分析功能 (1)基本统计(2)回归分析(3)方差分析(4)实验设计分析(5)控制图(6)质量工 具(7)多变量分析时间序列；列联表，非参数估计，EDA，概率与样本容量。3.图形分析(1)直方图 (2)散布图(3)时间序列图(4)条形图(5)箱图(6)矩阵图(7)轮廓图三维图，点图，饼图，边际图，概率图，茎叶图，特征图。课程内容安排1.由于时间有限，很多内容只是做简单的介绍；2.在两天的时间里，主要的课程内容安
排如下：Minitab界面和基本操作介绍 数据的生成(Make Random Data)数据的生成结果生成有规律的数据 Select:计算>产生模板化数据>简单数集结果输出数据类型的转换(Change Data Type)Select: 数据> 更改数据类型> 数字到文本数据类型的转换结果数据的堆栈（Stack&Unstack）Select: 数据> 堆叠> 列数据的堆栈结果数据块的堆栈(Stack Blocks)Select: 数据> 堆叠> 列的区组数据块的堆栈结果转置栏（Transpose Columns）Select: 数据> 转置列转置结果连接（Concatenate）Select: 数据> 合并连接结果编码（Code） Select: 数据> 编码>数字到文本编码结果Minitab 之常用图形QC手法常用的图形如下：(1)特性要因图(2)控制图(参见SPC部分)(3)柏拉图(4)散布图(5)直方图(6)时间序列图特性要因图练习输入表中Select: 统计> 质量工具> 因果填好各项需要的参数柏拉图练习输入数据Select: 统计> 质量工具> Pareto 图结果输出练习下表为STS冷轧工厂ZRM不良现状,试做分析散布图练习输入数据 Select: 图形> 散点图输入参数输出图形直方图练习输入数据
品管(QC)七大手法之散布图
品管（QC ）七大手法之散布图 摘要 品管七大手法主要是用较便捷的手法来解决一些管理上的问题，在开展全面质量管理活动中，用于收集和分析质量数据，分析和确定质量问题，控制和改进质量水平的常用七种方法。下面我们就QC 七大手法中的散布图进行介绍。 什么是散布图？ 散布图是用非数学的方式来辨认某现象的测量值与可能原因因素之间的关系. 这种图示方式具有快捷，易于交流, 和易于理解的特点。用来绘制散布图的数据必须是成对的(X,Y)。通常用垂直轴表示现象测量值Y ，用水平轴表示可能有关系的原因因素X 。 散布图又叫相关图，它是将两个可能相关的变数资料用点画在坐标图上，用成对的资料之间是否有相关性。 散布图的分类 1、强正相关（如容量和附料重量） 2、强负相关（油的粘度与温度） 3、弱正相关（身高和体重） 4、弱负相关（温度与步伐） 5、不相关（气压与气温） 6、曲线相关 散布图的构成 散布图是由一直角坐标，其横轴表示X 变量的测定值，纵轴表示Y 变量的测定值，将各组X 测定值与Y 测定值之交点全部绘出，即成为散布图。 散布图的特色 (1)从散布图可简单容易判断X 与Y 两个变量间: ?是否有相关关系。 ?相关关系的強弱。 ?是正相关或者負相关。 ?是直线相关或是曲线相关。 (2)从散布图上可简单容易判断数据是否有异常趋势或是有沒有必要作层別分析。
散布图的用途 (1)验证两个变量间的相关关系。 (2)掌握要因对特性的影响程度。 散布图的作法 1、收集X与Y两个变量足够之对应数据。 2、计算X变量测定值的平均值，计算Y变量测定值的平均值。 3、在直角横坐标X轴上划出X值的刻度(刻度在轴的内侧，数字标示在轴的外侧)，并且以最小值当起点，刻度间表示均为同等值。纵坐标Y轴上划出Y值的刻度(刻度在轴的内侧，数字标示在轴的外侧)，并且以最小值当起点，刻度间表示均为同等值。 4、X轴与Y轴之交点处不可标示0数字，并且X轴的全宽度与Y轴的全宽度最好相等。 5、将各組之数据的点绘于坐标上： (1)如有2点重复时以⊙表示。 (2)如有3点重复时以⊙表示。 制作散布图时，应注意以下事项： 1、两组变量的对应数至少在30个以上，最好50个，100个最佳。 2、找出X、Y轴的最大值与最小值，并以X、Y的最大值及最小值建立X－Y坐标。 3、通常横坐标用来表示原因或自变量，纵坐标表示效果或因变量。 4、散布图绘制后，分析散布图应谨慎，因为散布图是用来理解一个变量与另一个变量之间可能存在的关系，这种关系需要进一步的分析，最好作进一步的调查。 散布图的看法----相关关系的判定法 1、完全相同 a.完全正相关---X变量增加时Y的变量随着增加，点子逐渐上升成一斜线（下图所示） b.完全负相关---X变量增加时Y的变量却减少，点子逐渐下降成一斜线（下图所示）
过程能力minitab教程
过程能力m i n i t a b教 程 集团标准化工作小组 #Q8QGGQT-GX8G08Q8-GNQGJ8-MHHGN#
过程能力概述（Process Capability Overview） 在过程处于统计控制状态之后，即生产比较稳定时，你很可能希望知道过程能力，也即满足规格界限和生产良品的能力。你可以将过程变差的宽度与规格界限的差距进行对比来片段过程能力。在评价其能力之前，过程应该处于控制状态，否则，你得出的过程能力的估计是不正确的。 你可以画能力条形图和能力点图来评价过程能力，这些图形可以帮助你评价数据的分布并验证过程是否受控。你还可以计算过程指数，即规范公差与自然过程变差的比值。过程指数是评价过程能力的一个简单方法。因为它们无单位，你可以用能力统计量来比较不同的过程。 一、选择能力命令（Choosing a capability command） Minitab提供了许多不同的能力分析命令，你可以根据数据的属性及其分布来选择适当的命令。你可以为以下几个方面进行能力分析： ?正态或Weibull概率模型(适合于测量数据) ?很可能来源于具有明显组间变差的总体的正态数据 ?二项分布或泊松概率分布模型 (适合于属性数据或计数数据) 注：如果你的数据倾斜严重，你可以利用Box-Cox转换或使用Weibull 概率模型。 在进行能力分析时，选择正确的分布是必要的。例如：Minitab提供基于正态和Weibull概率模型的能力分析。使用正态概率模型的命令提供更完整的一系列的统计量，但是你的数据必须近似服从正态分布以保证统计量适合于这些数据。举例来说，Analysis (Normal) 利用正态概率模型来估计期望的PPM。这些统计量的结实依赖于两个假设：数据来自于稳定的过程，且近似服从的正态分布。类似地，Capability Analysis (Weibull) 利用Weibull 分布模型计算PPM。在两种情况下，统计的有效性依赖于假设的分布的有效性。 如果数据倾斜严重，基于正态分布的概率会提供对实际的超出规格的概率做比较差的统计。这种情况下，转化数据使其更近似于正态分布，或为数据选择不同的概率模型。在Minitab中，你可