已读AMinitab常用操作p82课件

1、Minitab 常用操作简介29 Oct 2009Johnson Controls目录入门课程数据分类数据分析的一般思路（四步骤）如何选择合适的质量工具？基础班简单的统计图形：直方图、Paratoo图、饼图、散点图SPC方法及步骤MSA(可变数据/属性数据)计算过程能力Cp/Cpk/Pp/Ppk一、数据的分类二.数据分析的一般思路 我们看到一组或几组数据，一定要理清大致的分析思路，一般来说，分为四个阶段：稳定性分析研究分布研究偏差研究中心三. 如何选择合适的质量工具离散型连续型卡方检验(Chi Square)T检验(t-test)方差分析(ANOVA)试验设计(DOE)相关回归(Correla

2、tion Regression)非参数检验对数回归(Logistic Regression)离散型连续型XYY=f(x)四、简单的统计图形直方图Paratoo图饼图散点图直方图直方图Paratoo图Paratoo图饼图散点图 目标理解控制图的基本原理，确认过程稳定性 主要内容 控制图 统计过程控制 过程判异原则五、SPC控制图什么是控制图控制图是通过时间的推移来统计跟踪流程和产品参数的方法。控制图具体表现出反应(随机)变动的变动的自然界限的控制上限与下限。这些界限不应与客户规格界限相比较。控制图基于对X或Y设立3平均界限一个控制图的组成成分UCL:控制上限LCL:控制下限UCL = m + k

3、1sCL = mLCL = m k2sCL:中心线M x 样本平均的均值S 得自样本的标准差K1,k2 标示不同寻常的观测值的常数(通常=3)计数型计量型什么类型的数据 ?按群还是按个体收集的数据 ?是缺陷还是不良项目?群(平均值)(n1)个体数值(n=1)X-Bar RX-Bar S个体移动范围（ I-MR ）特殊类型的“缺陷” 不良项目 缺陷的概率低吗? 如果你知道坏的数，你知道好的数吗？泊松分布二项分布个体移动范围（I-MR）否是是每个样本数的几率面积不变 ? 是否c 图u 图不变的样本数 ? np 图否是p 图选择正确的管理图 注: X-Bar S 适合于群大小 (n) 10控制图选择

4、方法控制图管理一般原则LCLCLUCL管理状态(偶然原因引起的波动)异常状态(特殊原因引起的波动)-3+3 + = = 0.27%异常状态(特殊原因引起的波动)控制图异常状态检验方法在MINITAB可以对可能成为异常状态的8种特别原因进行检验. A,B.C显示离中心线分别相距标准偏差3,2,1的区域. 检验1:一个点超出区域A 检验2: 以中心线为基准,在同一侧面有9个连续点. 检验3: 相连的6个点连续上升或下降. 检验4: 连续的14个点相继上升或下降,对此应检讨数据的操作性. 检验5: 连续的3个点中2个在A区域(以中心线为基准在同一侧) 检验6: 连续的5个点中4个在区域B或其外边的位

5、置(以中心值为基准在同一侧) 检验7: 连续的15个点在区域C(以中心线为基准看两侧) 第一是什么使它变好 第二是数据是否读错或测定仪误差 检验8: 连续的8个点在区域C外边的位置(以中心线基准两侧)X bar-R控制图X bar-R控制图IM-R控制图IM-R控制图P图P图U图六. 测量系统分析MSA我们无法评价我们不知道的，如果我们不能用数据表示，实际上就等于不知道只有正确地认识，才能进行管理我们无法管理时，只能依靠运气 - 摘自“The Vision of Six Sigma” (Mikel J. Harry)测量系统的意义 没有两个东西是完全相同的，但是即使是， 我们测量时仍然会得到不

6、同的值。 在六西格玛管理中，数据的应用是极其频繁和相当广泛的。六西格玛方法的 成败与效益，在很大程度上取决于所使用的数据的质量。无论是过程控制、 抽样检验、回归分析、试验设计等都需要使用数据。为了获得高质量的数据， 需要对产生数据的测量系统有充分的了解和深入的分析。测量值的构成 真值(实际产品散布)测量误差(测量散布 )测量值(观测的散布)=尽管有数据但它不是时常是事实,有必要确认数据的可靠性.测量系统分析方法测量内容有两种形式 计量值/定量值- 数据可以用连续的标尺来描述 计数值/定性值- 数据不能用连续的标尺来描述- 通过/不通过，好/坏 等计量值和计数值必须用不同的方法处理计量型测量系统

7、分析可变数据MSA让我们用Minitab来分析一些数据 打开文件计量型MSA试题-1使用Minitab的测量测量系统分析功能 可变数据MSA Minitab Session解释零件与操作者没有交互影响可变数据MSA来源 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重复性 60 2.7589 0.04598Total 89 94.6471 Minitab Session解释量具 R&R 方差分量

8、来源 方差分量 贡献率合计量具 R&R 0.09143 7.76 重复性 0.03997 3.39 再现性 0.05146 4.37 Operator 0.05146 4.37部件间 1.08645 92.24合计变异 1.17788 100.00过程公差 = 2 研究变异 %研究变异 %公差来源 标准差(SD) (6 * SD) (%SV) (SV/Toler)合计量具 R&R 0.30237 1.81423 27.86 36.28 重复性 0.19993 1.19960 18.42 23.99 再现性 0.22684 1.36103 20.90 27.22 Operator 0.22684

9、 1.36103 20.90 27.22部件间 1.04233 6.25396 96.04 125.08合计变异 1.08530 6.51180 100.00 130.24可区分的类别数 = 4可变数据MSA Minitab Session解释因测量系统的变动(贡献度)是 7.76%, 零件间的差异变动是 92.24%.重复性散布是 3.39%再现性散布是 4.37%.测量系统的精确度/过程波动比是 27.86%, 可以接受.测量系统的精确度/容差比是36.28,测量系统判别良/不良的能力不足.测量系统的识别力是4， 可以接受.可变数据MSA Minitab 图表分析“整个散布中,GAUGE

10、R&R占据的比重是否充分的小? ” Gage R&R, Repeat,Reprod.的高度越接近0越好.“作业者别反复测量值是否稳定”注意 !R Chart的界限线超出的话,调查其原因后 再测量.“相互不同零件鉴别能力是否充分?”与R Chart相反，脱离管理界限线越多越好.可变数据MSA Minitab 图表分析“所选的样本是否能正确反映过程的散布?”. 如果此值均一的话,可认为样本没有正确 反映过程的实际散布情况“作业者间存在差异与否? ” 而言的. 作业者无差异为好.“根据标本各作业者是否进行相互不同的测量? ”而说的. 对于标本,各作业者的测量值相同为好.可变数据MSA属性数据测量系统

11、分析 数据收集的范围是? - 合格品 50%,不合格品50% 40%为确时的合格品, 40%为确实的不合格品 20%为不容易区别的 数据需要收集多少? - 一般需要收集 100个左右. 检验者数 样本数 各样本的反复评价 23 25 100 2以上 测量系统的评价基准是多少? - 一般计数型测量系统的目标是90% ,或具有90%以上的再现性和反复性测量方法属性数据MSA例题 收集样本(12个零件,3名操作者,测量反复2次)属性数据MSA StatQuality ToolsGage Study Attribute Gage R&R Study在Minitab的工作栏中输入数据 Minitab分析

12、属性数据MSA输入测量值输入零件输入操作者输入已知零件真值属性数据MSA Minitab Session解释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

13、AgreementAppraiser # 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.总观测次数对比一致率， 作业者1在总共12次观测中 10次一致, 83%的一致总观测次数对比真值的一致率，作业者2人总共1

15、2次观测中有5次与真值一致, 42%一致总观测次数对比真值的不一致率，作业者2人总共次观测中将良品判定为不良，将不良判定为良品等不一致率为50%属性数据MSA Minitab Session解释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.作业者间一致率名作业者总计次观测中,次一致, %的一致率所有作业者和真值的一致率名作业者总计次观测中次和观测值一致, %的一致率.这里 # Matched是?所有测定者测定各零件或与真值比较时的一致性一致性不超过90%时，需要改善属性数据MSA Minitab图表分析作业者的观测值的一致程度可通过信赖区间确认出来.作业者与真值的

17、一直程度可通过信赖区间确认出来.属性数据MSA 目标理解过程能力分析原理，并能根据数据类型计算过程能力 主要内容 计量型过程能力分析 计数性过程能力分析六. 过程能力分析过程能力是什么？过程在受控状态下时，客户要求与过程表现(产品质量或服务质量的变动程度)的比值，如果过程表现越能满足顾客要求，则过程能力越充分，反之则不足USLLSL你的数据是什么类型的计量型记数型收集数据收集数据用 Minitab分析数据用 Minitab分析数据过程能力表述PPMCp, Cpk, Pp, Ppk过程能力表述DPU,DPMO, PPM过程能力分析路径“缺陷”(x4) 1 2 3 4 5 6 7 错误数“缺陷”(

18、x 130 Min)“无缺陷”(x Quality Tools Capability Sixpack Normal29 Oct 200957Johnson ControlsMinitab图表分析它是正态分布吗？和规格限比起来工程的散布怎么样？ 它是正态分布吗？子集间有差异吗？ 它受控吗?它受控吗?29 Oct 200958Johnson ControlsMinitab图表分析29 Oct 200959Johnson ControlsCapability Analysis正态性检验 Stat Basic Statistics Normality Test正态检验P值0.05正态正态检验 过程能力

19、分析 Stat Quality Tools Capability Analysis Normal组内过程能力总体过程能力观测的不良率组内(短期，潜在) 估计不良率 全体(长期，实际)估计不良率 过程能力分析过程能力解释Cp是 经验极限水平.Ppk与Cpk越近似越好.散布可能的最好实际 (总体)过程平均值的位置 规格范围的中点 实际位置CpPpkCpkPp寻找可变型数据太难了！属性数据过程能力分析DPU/DPO/DPMODPU = 2DPO = 0.5DPMO = 500,000DPU = 3DPO = 0.75DPMO = 750,000DPU = 1DPO = 0.25DPMO = 250,

20、000= 1机会= 1单位1单位 = 4 机会= 缺陷泊松分布过程能力分析计算单位产品缺陷数(DPU): 翻到Sigma表, 然后估计Sigma水平计算每百万机会的缺陷数(DPMO):DPU/DPMO与Sigma水平泊松分布过程能力分析翻到Sigma表,然后估计Sigma水平 4.67 Sigma计算单位产品缺陷数(DPU):计算每百万机会的缺陷数(DPMO):DPU/DPMO与Sigma水平泊松分布过程能力分析999,996.6999,995999,991999,987999,979999,968999,952999,928999,892999,841999,767999,663999,51

21、7999,313999,032998,650998,134997,445996,533995,339993,790991,802989,276良品数3.45913213248721081592333374836879681,3501,8662,5553,4674,6616,2108,19810,7246.05.95.85.75.65.55.45.35.25.15.04.94.84.74.64.54.44.34.24.14.03.93.8st4.54.44.34.24.14.03.93.83.73.63.53.43.33.23.13.02.92.82.72.62.52.42.3lt986,097

22、977,250971,284964,070955,435945,201933,193919,243903,199884,930864,334841,345815,940788,145758,036725,747691,462655,422617,911579,260539,828500,000460,172良品数13,90322,75028,71635,93044,56554,79966,80780,75796,801115,070135,666158,655184,060211,855241,964274,253308,538344,578382,089420,740460,172500,0

23、00539,8283.73.53.43.33.23.13.02.92.82.72.62.52.42.32.22.12.01.91.81.71.61.51.4st2.22.01.91.81.71.61.51.41.31.21.11.00.90.80.70.60.50.40.30.20.10.0-0.1lt420,740382,089344,578308,538274,253241,964211,855184,060158,655135,666115,07096,80180,75766,80754,79944,56535,93028,71622,75017,86413,90310,7248,198

24、良品数579,260617,911655,422691,462725,747758,036788,145815,940841,345864,334884,930903,199919,243933,193945,201955,435964,070971,284977,250982,136986,097989,276991,8021.31.21.11.00.90.80.70.60.50.40.30.20.10.0-0.1-0.2-0.3-0.4-0.5-0.6-0.7-0.8-0.9st-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

25、-1.6-1.7-1.8-1.9-2.0-2.1-2.2-2.3-2.4lt6,2104,6613,4672,5551,8661,3509686874833372331591087248322113953良品数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

26、-2.2-2.3-2.4-2.5-2.6-2.7-2.8-2.9-3.0st-2.5-2.6-2.7-2.8-2.9-3.0-3.1-3.2-3.3-3.4-3.5-3.6-3.7-3.8-3.9-4.0-4.1-4.2-4.3-4.4-4.5ltDPMO与Sigma水平表泊松分布过程能力分析例题：DPU, DPMO是多少?泊松分布过程能力分析94.4% 合格RTY与Sigma水平浪费 56,000 ppm97% 合格浪费 30,000 ppm95.5% 合格RTY = 0.955*0.97*0.944 = 87.4%浪费 45,000 ppmRTY不仅为最终阶段,各阶段的能力同样重要Hidden Factory : 再作业/废弃泊松分布过程能力分析IQC100%合格PQC95.5%合格OQC97.0%合格 包装94.4%合格 RTY = 1.00 0.955 0.970 0.944 = 0.874 = 87.4 %RTY例:泊松分布过程能力分析RTY与DPU 测值DATA为缺陷DATA时 ,即指在泊松分布下 PX = 0 (无一个缺陷的概率 ) 注