minitab16使用案例和教程(绝对值得拥有)

<统计－功效和样本数量－ 1 Proportion ： >
背景：H0：P＝ 0.9 Ha：P < 0.9 测定数据P1＝0.8 、 P2＝0.9
有意水平 α = 0.05
查出力 1－β = 0.9
P1=0.8 功效值（查出力）： 1－β ＝0.9 P2=0.9
母比率0.8 实际上是否0.9以下，需要样本102个
有意水平 α = 0.05
查出力 1－β = 0.8
差值：u0－ua ＝25－30＝-5
功效值（查出力）： 1－β ＝0.8 标准差（推定值）：sigma＝10
样本数量27 >已知u的1-sample Z的样本数量 －>t 分布假定母标准偏差未制定分析；
A—假设测定－决定标本大小：
(3)：1 Proportion（单样本）
P-Value > 0.05
→ Ho →P1 = P2
A—假设测定： Chi-Square-1.MTW
应用一： 测定频度数的同质性：
(5)： Chi-Square t（离散－单样本）
H0: P1=P2=…=Pn Ha: 至少一个不等；
背景：确认4个不同条件下，某不良是否有差异？
P-Value > 0.05 → Ho →P1 = P2＝…（无差异）
P-Value < 0.05
→ Ha →u1 ≠ u2
A—假设测定：案例：Paired t.MTW (3)： Paired t（两集团从属/对应）
< 统计－基本统计量－配对t ： >
背景：老化实验前后样本复原时间； 10样本前后实验数据，判断老化实验前后复原时间是否有差异； （正态分布；等分散； α = 0.05 ）
M--工序能力分析（连续型）：案例：Camshaft.MTW ① 工程能力统计：
短期 工序能力
长期 工序能力
X平均＝目标值 －> Cp＝Cpm
X平均≠目标值 －> Cp > Cpm
② 求解Zst（输入历史均值）：
历史均值：表示强行将它拉到中心位置 －>不考虑偏移－> Zst (Bench)
③ 求解Zlt（无历史均值）：
A—假设测定： Chi-Square-2.MTW
应用二： 测定边数的独立性：
(5)： Chi-Square t（离散－单样本）
H0: 独立的（无相关） Ha: 从属的（有相关）；
班次
不良类型
背景：确认班次别和不同类型不良率是否相关？
P-Value < 0.05 → Ha → 两因素从属（相关）
A—ANOVA（分散分析）： 两个以上母集团的平均是否相等； H0: u1=u2=…=un
－> 确认哪个因子影响收率，利用2（5-1）配置法
表示2 5-1 部分配置的清晰度 和部分实施程度.
输入data：
② 曲线分析：
-B、D、E有意；
-在A=10,B=2,C=120,D=180,E=3时， Y＝95最佳；
-BD、DE有交互作用；
③ 统计性分析：
实施t-test，判断有意因子 B、D、E、BD、DE有意
P-Value > 0.05 → 正态分布
② 等分散测定： < 统计－基本统计量－双方差 ： >
标准偏差的 信赖区间
对Data的Box-plot
测定方法选择： F－test：正态分布时； Levense’s test：非正态分布时；
P-Value > 0.05 → 等分散
③ 测定平均值： < 统计－基本统计量－2-sample t ： >
无历史均值： －> 考虑偏移－> Zlt (Bench)
* Zshift ＝ Zlt (Bench) － Zlt (Bench) ＝12.13－1.82＝0.31
工序能力分析：案例：Camshaft.MTW 另：capability sixpack工具
M--工序能力分析（离散型）：案例：bpcapa.MTW (1)：二项分布的Zst
A—假设测定：案例：2sample-t.MTW (2)： 2-sample t（单样本）
① 正态性验证：
<统计－基本统计－ 正态性检验 ： >
背景：判断两个母集团Data的平均， 统计上是否相等（有差异）
步骤①：分别测定2组data是否正规分布； ②：测定分散的同质性； ③：t－test；
P-Value > 0.05 → 正态分布
目的：掌握多X因子变化对Y的影响（交互作用细节）； <统计－方差分析－双因子：>
材料、交互的P < 0.05 －>有意；
A—假设测定－决定标本大小： (1)：1-sample Z（已知u）
<统计－功效和样本数量－ 1-sample Z： >
背景：Ha～N（30，100/25） H0～ N（25，100/n ）－为测定分布差异的标本大小
P-Value > 0.05
→ H0 → P=0.01
A—假设测定：
(4)： 2 proportion t（离散－单样本）
< 统计－基本统计量－ 2 proportion t： >
背景：为确认两台设备不良率是否相等， A: 检查1000样本，检出14不良， B: 检查1200样本，检出13不良， 能否说P1=P2? （α = 0.05 ）
通过分散分析，判断1次效果、2次效果的有意性； - 主效果有有意， - 交互效果无有意。
显示因子的水准不能线性变换 (Coded) 时的回归系数. - Coded是指实际因子水准 (-1, +1)变换为线性变换。
I — DOE： (2)：多因子不同水准 ① 因子配置设计：
输入data：
反复次数
② 曲线分析：
背景：确认生产线（因子1）、改善（因子2）影响下， 测定值母平均是否相等，主效果和交互效果是否有意？
生产线：P-Value < 0.05 → Ha → u不等，有差异； 改善、交互： P-Value > 0.05 → H0 → u相等，无差异；
生产线：信赖区间没有都重叠 －> u有差别－>对结果有影响 改 善：信赖区间重叠 －> u无差别－>对结果没有影响
背景：3名测定者对30部品反复2次TEST
检查者1需要再教育； 检查者3需要追加训练； (反复性)
个人与标准的一致性 （再现性？）
两数据不能相差较大， 否则说明检查者一致的 判定与标准有一定差异
M--测量系统分析： 离散型案例（顺序型）：散文.Mtw 背景：3名测定者对30部品反复2次TEST
张四 需要再教育； 张一、张五需要追加训练； (反复性)
通过分散分析，判断1次效果、2次效果的有意性 - 主效果和交互作用效果都有意。
I — 最大倾斜法：
背景： 反应值 : 收率(Yield) 时间＝35min，温度＝155时，Y＝80％ －> 因 子 : 时间(30 , 40) 温度(150,160)
确认哪个因子影响收率，利用中心点包括的22配置法
一次试验－－ (1) 因子配置设计：
P-Value < 0.05 → Ha →u1 ≠ u2（有差异）
A—假设测定：
(4)： 1 proportion t（离散－单样本） 背景：为确认某不良P是否为1％，检查1000样本，检出13不良，
< 统计－基本统计量－ 1 proportion t： >
能否说P=1%? （α = 0.05 ）
目的：掌握多X因子变化对Y的影响（大概）；
－> 材料和时间 存在交互作用；
(5)Multi-vari Chart（多变因图）Sinter.MTW
目的：掌握多X因子变化对Y的影响（）； <统计－方差分析－主效果图、交互效果图：>
倾斜越大，主效果越大
无交互效果 －> 平行； 有交互效果 －> 交叉；
(5)Multi-vari Chart（多变因图）Sinter.MTW
假设P：H0的P值（0.9）
母比率0.8 实际上是否小于0.9，需要样本217个
A—假设测定：案例：Camshaft.MTW (1)： 1-sample t（单样本）
背景：对零件尺寸测定100次，数据能否说明与目标值（600）一致 （α = 0.05 ）
P-Value > 0.05 → Ho（信赖区间内目标值存在） →可以说平均值为600
M--测量系统分析： 连续型案例： gageaiag.Mtw 背景：3名测定者对10部品反复2次TEST
所有点落在管理界限内 －>良好
大部分点落在管理界限外 －>主变动原因：部品变动
－>良好
－>测量值随部品的变动 －>测量值随OP的变动
－>对于部品10，OP有较大分歧；
M--测量系统分析： 离散型案例（名目型）：gage名目.Mtw
< 图形－等值线图： >
• 利用追定的回归系数，决定最大倾斜方向(Δ)
∆A = 0.325 ∆B 0.775
∆Coded = (1,0.42)
最大倾斜方向：A每增加1时，B增加0.42 的方向。
A—假设测定－决定标本大小：
(3)：2 Proportion（单样本）
<统计－功效和样本数量－ 1 Proportion ： >
背景：H0：P1＝P2 Ha：P1 < P2 有意水平 α = 0.05 查出力 1－β = 0.9
P的备择值：实际要测定的比例？ －－母比率；
功效值（查出力）： 1－β ＝0.9
两数据不能相差较大， 否则说明检查者一致的判定 与标准有一定差异
M--正态性测定: (测定工序能力的前提) 案例： 背景：3名测定者对10部品反复2次TEST