1、Minitab 常用操作簡介.目錄入門課程數據分類數據分析的普通思緒四步驟如何選擇適宜的質量工具？根底班簡單的統計圖形：直方圖、Paratoo圖、餅圖、散點圖SPC方法及步驟MSA(可變數據/屬性數據)計算過程才干Cp/Cpk/Pp/Ppk.一、數據的分類.二.數據分析的普通思緒 我們看到一組或幾組數據，一定要理清大致的分析思緒，普通來說，分為四個階段：穩定性分析研討分布研討偏向研討中心.三. 如何選擇適宜的質量工具離散型延續型卡方檢驗(Chi Square)T檢驗(t-test)方差分析(ANOVA)實驗設計(DOE)相關回歸(Correlation Regression)非參數檢驗對數回歸

2、(Logistic Regression)離散型延續型XYY=f(x).四、簡單的統計圖形直方圖Paratoo圖餅圖散點圖.直方圖.直方圖.Paratoo圖.Paratoo圖.餅圖.散點圖. 目的了解控制圖的根本原理，確認過程穩定性 主要內容 控制圖 統計過程控制 過程判異原那么五、SPC控制圖.什么是控制圖控制圖是經過時間的推移來統計跟蹤流程和產品參數的方法。控制圖詳細表現出反響(隨機)變動的變動的自然界限的控制上限與下限。這些界限不應與客戶規格界限相比較。控制圖基于對X或Y設立3平均界限.一個控制圖的組成成分UCL:控制上限LCL:控制下限UCL = m + k1sCL = mLCL =

3、m k2sCL:中心線M x 樣本平均的均值S 得自樣本的規范差K1,k2 標示不同尋常的觀測值的常數(通常=3).計數型計量型什么類型的數據 ?按群還是按個體搜集的數據 ?是缺陷還是不良工程?群(平均值)(n1)個體數值(n=1)X-Bar RX-Bar S個體挪動范圍 I-MR 特殊類型的“缺陷 不良工程 缺陷的概率低嗎? 假設他知道壞的數，他知道好的數嗎？泊松分布二項分布個體挪動范圍I-MR否是是每個樣本數的幾率面積不變 ? 是否c 圖u 圖不變的樣本數 ? np 圖否是p 圖選擇正確的管理圖 注: X-Bar S 適宜于群大小 (n) 10控制圖選擇方法.控制圖管理普通原那么LCLCL

4、UCL管理形狀(偶爾緣由引起的動搖)異常形狀(特殊緣由引起的動搖)-3+3 + = = 0.27%異常形狀(特殊緣由引起的動搖).控制圖異常形狀檢驗方法在MINITAB可以對能夠成為異常形狀的8種特別緣由進展檢驗. A,B.C顯示離中心線分別相距規范偏向3,2,1的區域. 檢驗1:一個點超出區域A 檢驗2: 以中心線為基準,在同一側面有9個延續點. 檢驗3: 相連的6個點延續上升或下降. 檢驗4: 延續的14個點相繼上升或下降,對此應檢討數據的操作性. 檢驗5: 延續的3個點中2個在A區域(以中心線為基準在同一側) 檢驗6: 延續的5個點中4個在區域B或其外邊的位置(以中心值為基準在同一側)

5、檢驗7: 延續的15個點在區域C(以中心線為基準看兩側) 第一是什么使它變好 第二是數據能否讀錯或測定儀誤差 檢驗8: 延續的8個點在區域C外邊的位置(以中心線基準兩側).X bar-R控制圖.X bar-R控制圖.IM-R控制圖.IM-R控制圖.P圖.P圖.U圖.六. 丈量系統分析MSA.我們無法評價我們不知道的，假設我們不能用數據表示，實踐上就等于不知道只需正確地認識，才干進展管理我們無法管理時，只能依托運氣 - 摘自“The Vision of Six Sigma (Mikel J. Harry)丈量系統的意義 沒有兩個東西是完全一樣的，但是即使是， 我們丈量時依然會得到不同的值。 在六

6、西格瑪管理中，數據的運用是極其頻繁和相當廣泛的。六西格瑪方法的 成敗與效益，在很大程度上取決于所運用的數據的質量。無論是過程控制、 抽樣檢驗、回歸分析、實驗設計等都需求運用數據。為了獲得高質量的數據， 需求對產生數據的丈量系統有充分的了解和深化的分析。.丈量值的構成 真值(實踐產品分布)丈量誤差(丈量分布 )丈量值(觀測的分布)=雖然有數據但它不是時常是現實,有必要確認數據的可靠性.丈量系統分析方法丈量內容有兩種方式 計量值/定量值- 數據可以用延續的標尺來描畫 計數值/定性值- 數據不能用延續的標尺來描畫- 經過/不經過，好/壞 等計量值和計數值必需用不同的方法處置.計量型丈量系統分析.可變

7、數據MSA讓我們用Minitab來分析一些數據 翻開文件計量型MSA試題-1運用Minitab的丈量丈量系統分析功能 .可變數據MSA. Minitab Session解釋零件與操作者沒有交互影響可變數據MSA來源 DF SS MS F P部件 9 88.3619 9.81799 492.291 0.000操作者 2 3.1673 1.58363 79.406 0.000Part * Operator 18 0.3590 0.01994 0.434 0.974反復性 60 2.7589 0.04598Total 89 94.6471. Minitab Session解釋量具 R&R 方差分量來

8、源 方差分量 奉獻率合計量具 R&R 0.09143 7.76 反復性 0.03997 3.39 再現性 0.05146 4.37 Operator 0.05146 4.37部件間 1.08645 92.24合計變異 1.17788 100.00過程公差 = 2 研討變異 %研討變異 %公差來源 規范差(SD) (6 * SD) (%SV) (SV/Toler)合計量具 R&R 0.30237 1.81423 27.86 36.28 反復性 0.19993 1.19960 18.42 23.99 再現性 0.22684 1.36103 20.90 27.22 Operator 0.22684

9、1.36103 20.90 27.22部件間 1.04233 6.25396 96.04 125.08合計變異 1.08530 6.51180 100.00 130.24可區分的類別數 = 4可變數據MSA. Minitab Session解釋因丈量系統的變動(奉獻度)是 7.76%, 零件間的差別變動是 92.24%.反復性分布是 3.39%再現性分布是 4.37%.丈量系統的準確度/過程動搖比是 27.86%, 可以接受.丈量系統的準確度/容差比是36.28,丈量系統判別良/不良的才干缺乏.丈量系統的識別力是4， 可以接受.可變數據MSA. Minitab 圖表分析“整個分布中,GAUGE

10、 R&R占據的比重能否充分的小? Gage R&R, Repeat,Reprod.的高度越接近0越好.“作業者別反復丈量值能否穩定留意 !R Chart的界限線超出的話,調查其緣由后 再丈量.“相互不同零件鑒別才干能否充分?與R Chart相反，脫離管理界限線越多越好.可變數據MSA. Minitab 圖表分析“所選的樣天性否能正確反映過程的分布?. 假設此值均一的話,可以為樣本沒有正確 反映過程的實踐分布情況“作業者間存在差別與否? 而言的. 作業者無差別為好.“根據標本各作業者能否進展相互不同的丈量? 而說的. 對于標本,各作業者的丈量值一樣為好.可變數據MSA.屬性數據丈量系統分析. 數

11、據搜集的范圍是? - 合格品 50%,不合格品50% 40%為確時的合格品, 40%為確實的不合格品 20%為不容易區別的 數據需求搜集多少? - 普通需求搜集 100個左右. 檢驗者數 樣本數 各樣本的反復評價 23 25 100 2以上 丈量系統的評價基準是多少? - 普通計數型丈量系統的目的是90% ,或具有90%以上的再現性和反復性丈量方法屬性數據MSA.例題 搜集樣本(12個零件,3名操作者,丈量反復2次)屬性數據MSA. StatQuality ToolsGage Study Attribute Gage R&R Study在Minitab的任務欄中輸入數據 Minitab分析屬性

12、數據MSA.輸入丈量值輸入零件輸入操作者輸入知零件真值屬性數據MSA. Minitab Session解釋Assessment AgreementAppraiser # Inspected # Matched Percent 95 % CI1 12 10 83.33 (51.59, 97.91)2 12 6 50.00 (21.09, 78.91)3 12 8 66.67 (34.89, 90.08)# Matched: Appraiser agrees with him/herself across trials.Each Appraiser vs Standard Assessment A

13、greementAppraiser # Inspected # Matched Percent 95 % CI1 12 9 75.00 (42.81, 94.51)2 12 5 41.67 (15.17, 72.33)3 12 8 66.67 (34.89, 90.08)# Matched: Appraisers assessment across trials agrees with the known standard.Assessment DisagreementAppraiser # 良品 / 不良 Percent # 不良 / 良品 Percent # Mixed Percent1

14、1 16.67 0 0.00 2 16.672 1 16.67 0 0.00 6 50.003 0 0.00 0 0.00 4 33.33# 良品 / 不良: Assessments across trials = 良品 / standard = 不良.# 不良 / 良品: Assessments across trials = 不良 / standard = 良品.# Mixed: Assessments across trials are not identical.總觀測次數對比一致率， 作業者1在總共12次觀測中 10次一致, 83%的一致總觀測次數對比真值的一致率，作業者2人總共12

15、次觀測中有5次與真值一致, 42%一致總觀測次數對比真值的不一致率，作業者2人總共次觀測中將良品斷定為不良，將不良斷定為良品等不一致率為50%屬性數據MSA. Minitab Session解釋Between Appraisers Assessment Agreement# Inspected # Matched Percent 95 % CI 12 4 33.33 (9.92, 65.11)# Matched: All appraisers assessments agree with each other.All Appraisers vs Standard Assessment Agre

16、ement# Inspected # Matched Percent 95 % CI 12 4 33.33 (9.92, 65.11)# Matched: All appraisers assessments agree with the known standard.作業者間一致率名作業者總計次觀測中,次一致, %的一致率一切作業者和真值的一致率名作業者總計次觀測中次和觀測值一致, %的一致率.這里 # Matched是?一切測定者測定各零件或與真值比較時的一致性一致性不超越90%時，需求改善屬性數據MSA. Minitab圖表分析作業者的觀測值的一致程度可經過信任區間確認出來.作業者與真值

17、的不斷程度可經過信任區間確認出來.屬性數據MSA. 目的了解過程才干分析原理，并能根據數據類型計算過程才干 主要內容 計量型過程才干分析 計數性過程才干分析六. 過程才干分析.過程才干是什么？過程在受控形狀下時，客戶要求與過程表現(產質量量或效力質量的變動程度)的比值，假設過程表現越能滿足顧客要求，那么過程才干越充分，反之那么缺乏USLLSL.他的數據是什么類型的計量型記數型搜集數據搜集數據用 Minitab分析數據用 Minitab分析數據過程才干表述PPMCp, Cpk, Pp, Ppk過程才干表述DPU,DPMO, PPM過程才干分析途徑.“缺陷(x4) 1 2 3 4 5 6 7 錯誤

18、數“缺陷(x 130 Min)“無缺陷(x Quality Tools Capability Sixpack Normal.Minitab圖表分析它是正態分布嗎？和規格限比起來工程的分布怎樣樣？ 它是正態分布嗎？子集間有差別嗎？ 它受控嗎?它受控嗎?.Minitab圖表分析.Capability Analysis正態性檢驗 Stat Basic Statistics Normality Test.正態檢驗P值0.05正態正態檢驗. 過程才干分析 Stat Quality Tools Capability Analysis Normal.組內過程才干總體過程才干觀測的不良率組內(短期，潛在) 估

19、計不良率 全體(長期，實踐)估計不良率 過程才干分析.過程才干解釋Cp是 閱歷極限程度.Ppk與Cpk越近似越好.分布能夠的最好實踐 (總體)過程平均值的位置 規格范圍的中點 實踐位置CpPpkCpkPp.尋覓可變型數據太難了！屬性數據過程才干分析.DPU/DPO/DPMODPU = 2DPO = 0.5DPMO = 500,000DPU = 3DPO = 0.75DPMO = 750,000DPU = 1DPO = 0.25DPMO = 250,000= 1時機= 1單位1單位 = 4 時機= 缺陷泊松分布過程才干分析.計算單位產品缺陷數(DPU): 翻到Sigma表, 然后估計Sigma程

20、度計算每百萬時機的缺陷數(DPMO):DPU/DPMO與Sigma程度泊松分布過程才干分析.翻到Sigma表,然后估計Sigma程度 4.67 Sigma計算單位產品缺陷數(DPU):計算每百萬時機的缺陷數(DPMO):DPU/DPMO與Sigma程度泊松分布過程才干分析.999,996.6999,995999,991999,987999,979999,968999,952999,928999,892999,841999,767999,663999,517999,313999,032998,650998,134997,445996,533995,339993,790991,802989,276

21、良品數3.45913213248721081592333374836879681,3501,8662,5553,4674,6616,2108,19810,7246.05.95.85.75.65.55.45.35.25.15.04.94.84.74.64.54.44.34.24.14.03.93.8st4.54.44.34.24.14.03.93.83.73.63.53.43.33.23.13.02.92.82.72.62.52.42.3lt986,097977,250971,284964,070955,435945,201933,193919,243903,199884,930864,3348

22、41,345815,940788,145758,036725,747691,462655,422617,911579,260539,828500,000460,172良品數13,90322,75028,71635,93044,56554,79966,80780,75796,801115,070,666158,655184,060211,855241,964274,253308,538344,578382,089420,740460,172500,000539,8283.73.53.43.33.23.13.02.92.82.72.62.52.42.32.22.12.01.91.81.71.61.

23、51.4st2.22.01.91.81.71.61.51.41.31.21.11.00.90.80.70.60.50.40.30.20.10.0-0.1lt420,740382,089344,578308,538274,253241,964211,855184,060158,655,666115,07096,80180,75766,80754,79944,56535,93028,71622,75017,86413,90310,7248,198良品數579,260617,911655,422691,462725,747758,036788,145815,940841,345864,334884,

24、930903,199919,243933,193945,201955,435964,070971,284977,250982,986,097989,276991,8021.31.21.11.00.90.80.70.60.50.40.30.20.10.0-0.1-0.2-0.3-0.4-0.5-0.6-0.7-0.8-0.9st-0.2-0.3-0.4-0.5-0.6-0.7-0.8-0.9-1.0-1.1-1.2-1.3-1.4-1.5-1.6-1.7-1.8-1.9-2.0-2.1-2.2-2.3-2.4lt6,2104,6613,4672,5551,8661,350968687483337

25、2331591087248322113953良品數993,790995,339996,533997,445998,134998,650999,032999,313999,517999,663999,767999,841999,892999,928999,952999,968999,979999,987999,991999,995999,997-1.0-1.1-1.2-1.3-1.4-1.5-1.6-1.7-1.8-1.9-2.0-2.1-2.2-2.3-2.4-2.5-2.6-2.7-2.8-2.9-3.0st-2.5-2.6-2.7-2.8-2.9-3.0-3.1-3.2-3.3-3.4-3

26、.5-3.6-3.7-3.8-3.9-4.0-4.1-4.2-4.3-4.4-4.5ltDPMO與Sigma程度表泊松分布過程才干分析.例題：DPU, DPMO是多少?泊松分布過程才干分析.94.4% 合格RTY與Sigma程度浪費 56,000 ppm97% 合格浪費 30,000 ppm95.5% 合格RTY = 0.955*0.97*0.944 = 87.4%浪費 45,000 ppmRTY不僅為最終階段,各階段的才干同樣重要Hidden Factory : 再作業/廢棄泊松分布過程才干分析.IQC100%合格PQC95.5%合格OQC97.0%合格 包裝94.4%合格 RTY = 1.00 0.955 0.970 0.944 = 0.874 = 87.4 %RTY例:泊松分布過程才干分析.RTY與DPU 測值DATA為缺陷DATA時 ,即指在泊松分布下 PX = 0 (無一個缺陷的概率 ) 注釋： e = 2.7183