六西格玛AIC阶段培训总结2015年

1、AIC阶段培训总结A阶段：一、多变量分析1、“多变量分析”应该持续到输出变量的所有范围都被观测完为止意思：选取的样本能代替整体。2、（1）确定目标：明确陈述研究的目的， 就是研究输入对输出的影响。（2）确定要研究的KPIVS和KPOVS关键的数据：a 、来自于因果矩阵和 FMEA 的关键 Xsb、流程图中有可能遗漏的噪音变量或其他变异来源（3）典型的噪音变量确认每个变量的测量系统分析（4）选择数据抽样的方法- 简单随机抽样 (Simple Random Sample)- 分层抽样 (Stratified Sampling)- 集群抽样 (Cluster Sampling)- 系统抽样 (Sys

2、tematic Sampling)- 子群抽样 (Subgroup Sampling)（5）数据收集、计划（6）流程运行的程序和设定描述（7） 组成及培训小组（8） 清楚划分责任（9） 确定数据分析的方法（10 ）运行流程和记录数据（11）数据分析时间序列图：功能：判断：趋势、漂移、周期变化点图：和箱线图一样。主效应图:响应就是Y。交互作用图：因子之间是否有影响。多变异图：统计-质量工具-多变异图散点图：两个连续变量相关性的分析。（12）结论Order 采用散点图；day：箱线图或者点图；truck type ：箱线图或者点图；assembly person：箱线图或者点图（13）报告结果提出

3、建议。直方图：直方图代表该区间内数据出现的频次。帕累托图：帮助聚焦于引起80%不良绩效的20%的问题。二、中心极限定理1、 抽样三个原理（样本大于25）：（1）样本平均值分布的平均值非常接近总体的平均值；（2）样本平均值的标准差是总体标准差除以样本大小的平方根；（3）样本平均值的分布非常接近于正态分布。样本平均值分布是T分布，（样本大于25），接近正态分布。卡方分布是从0开始。三、置信区间1、全部样本的平均值的95%在总体平均值的两个标准差之内。群间的变异比群内的变异相对好解决。2、Z分布3、置信区间，计算方法:统计-单样本t或者统计-基本统计量-图形化汇总。T分布是2个标准差之内的分布，t=

4、2。T分布看的是平均值分布；卡方分布是和标准差有关；F分布是方差分布。流程能力计算四、假设检验1、3西格玛 99.7%；2西格玛95%；1西格玛68%。2、假设检验3、H0=原假设（0假设或者归属假设）Ha=备择假设（不含等号）P值=概率值（0.05,接受原假设；0.05，拒绝原假设）4、P值0.05，正态分布；P值0.05，不是正态分布；怀疑的东西或者原因一般设定为备择假设。风险的大小：0.95；指的是概率分布在置信区间内。如果错误的拒绝原假设，所承担的风险是风险，显著水平：0.05，有显著影响；大于0.05，无显著影响。检验统计量：T、F、Z值；P值不是检验统计量，只是概率值。五、T检验与

5、选定的非参数检验1、T检验 前提：（1）Y连续，X离散；（2）数据正态分布；T值检验（单样本和双样本检验），主要看均值。一个因子多个水平（2个水平以上样本的），用的是方差分析，主要分析均值之间是否有差异。2、非参数检验数据不正态分布的话：采用非参数检验，主要看中位数。数据若不正态度，应先考虑的问题：（1）检查数据为何不正态；考虑是否增加样本量？（2）检验是否有异常点；（3）数据是否分层；（4）分辨率是否不够？3、单样本t假设（1）稳定性；（2）正态分布检验；P值大于0.05，正态分布；小于0.05，非正态。（3）单样本t；P值，大于0.05，接受原假设；小于0.05，拒绝原假设。4、双样本t分

6、布H0=没有差异；Ha=有差异。均值1=均值2（1）稳定性；（2）正态分布检验；P值大于0.05，正态分布；小于0.05，非正态。（3）离散度检验； H0=方差相等；Ha=方差不相等。A、数据堆叠：数据-堆叠。-B、统计-方差分析-等方差检验P值大于0.05，不能拒绝原假设，小于0.05，拒绝原假设，备择假设成立。（3）双样本t；P值，大于0.05，接受原假设；小于0.05，拒绝原假设。若等方差，双样本检验时选择“假定等方差”；若不等方差，不用选择“假定等方差”。若方差不等，结论：双样本P=0，拒绝原假设，说明存在差异。总的变异（方差）=群间变异（方差）+群内变异（方差）T越小P值越大；T值越

7、大P值越小。t=群间变异/群内变异比值越大，P值越小，差异越大。比值越小，T分布中，一个T就对应一个P值。关系是：数据不正态：统计-非参数- Mann-Whitney。6、配对TN1=N2，数据成对出现，同一个载体。7、单因子方差分析方差和回归方法可以转换。主效应图或者区间图模型： ：群间差异、 ：均值、：随机误差路径：（1）稳定性；I-MR图（2）正态分布检验；P值大于0.05，正态分布；小于0.05，非正态。（3）离散度检验；（ 等方差检验）A、数据堆叠；B、等方差检验（统计-方差分析-等方差检验）。H0 Ha，P小于0.05 拒绝原假设。（4）统计-方差分析-单因子分析P值小于0.05，

8、说明因子对Y有显著影响。（5）残差分析，随机并正态，若残差不正态，K-W检验（主要检验中位数）， 统计-非参数-KW检验。单因子方差分析: C4 与 C5 来源 自由度 SS MS F PC5 2 80.386 40.193 44.76 0.000误差 87 78.116 0.898合计 89 158.502S = 0.9476 R-Sq = 50.72% R-Sq（调整） = 49.58%R-Sq = 50.72%代表人对厚度的影响占50.72%，此项为实际占比。因子的占比可能不是100%，主要原因是因子之间存在交互作用。来源 自由度 SS ：平方和（变动量），人引起的变动为群间变动， 群内

9、变动（残差，error） MS ：平均平方 群间方差:40.193=80.386/2, 群内方差0.898=78.116/87 F ：群间变异/群内变异 44.76= 40.193/0.898 P :1-概率分布图里的P值（下图），操作路径:计算-概率分布-F检验。方差分析检验的是群间和群内差异，ANOVA为了决定平均值是否有差异采用F-T。方差分析中：数据中有的数据正态不正态，应对不正态的数据进行核实不正态原因，或者加大样本量。8、卡方检验（X、Y都离散）操作路径：统计-表格-卡方检验（双向表）卡方值越大，P值越小，相关；卡方值越小，P值越大，不相关。有相关，在检查卡方值，卡方值越大，贡献越

10、大，实际和预期的数据相差比较大，数据越有问题。 9、相关与回归分析（X、Y都连续）（1）、相关系数；（2）、相关与因果关系，相关不一定因果，因果一定相关；（3）、绘制并分析拟合直线图；1、相关：（统计-基本统计量-相关），散点图也可以看相关性。H0=不相关；Ha=相关P值小于0.05，相关，拒绝原假设接收备择假设；P值大于0.05，不相关，接收原假设。P代表是否相关，相关系统R是看相关强弱，（-1+1）2、回归拟合回归告诉X和Y的关系，一个模型。回归分析是一种分析连续变量间相关性的统计工具。“计算最佳拟合直线”。分析路线图:（1）规划分析内容；（2）收集数据；（3）Minitab绘制拟合直线图

11、；（4）评估R2和P值的显著性；（5）评估残差；（6）制定决策。路径：统计-回归-拟合线图（1）拟合直线图先看P值，再看R2 回归方程为Braking Distance = 182.8 + 0.4763 SpeedS = 13.5571 R-Sq = 69.5% R-Sq（调整） = 67.9%方差分析来源 自由度 SS MS F P回归 1 7955.9 7955.91 43.29 0.000误差 19 3492.1 183.79合计 20 11448.0回归分析一个缺陷： 内推法不适应外推法，意思是X在一定的区间。（2）看P值和R2R2越高，相关性越高。（3）残差分析X的实际数据点与拟合线

12、上的对应的理论点之间的差值。残差图：右上图，杂乱分布；右下图：数据点受控；左上图应该正态分布；左下图应该是正态分布。残差分析目的：预测更准确点。图形-概率图，检查残差是否正态。不正态，说明模型预测的不够准确。（4）制定决策不是所有数据成为线性的，非线性的选择二次的。下图：五、精益分析工具 减少浪费，是否增值？整理 、整顿、 清扫（保持干净）、 清洁、（让所有的东西可用）、总结：I阶段：改善快速换型、5S、拉动系统、差错预防。SMED“单分钟即时换模”single minute exchange 快速换模 内部作业和外部作业换模换模指的是：换型前最后一个产品到换型后第一个产品产出。5S整理：整理要和不要的东西；整顿：一个能够容纳每样东西并且每样东西都在它自己所在位置的地方。清扫：打扫清洁：保证所有的设备或者东西全部可用。素养：差错预防：缺陷状态：缺陷即将发生；1、断根原理：从根本上排除掉，使绝不发生错误。2、保险原理：“共同”动作必须同时执行来完成。3、自动原理4、相符原理：借用检核是否相符合动作，来防止错误的发生。5、顺序原理：6、隔离原理：借分隔不同区域的方式，来隔离发生。7、重复原理8、标示原理9、警告原理10、缓和原理11、条件原理六、实验设计（DOE）反复实验、单因子法全因子法：3因子两水平2K ： K:因子数；2：水平数。交互