最新MINITAB质量分析工具应用大全PPT课件

Δ11 11 4.62 90 178.1 94.21
Δ12 12 5.04 95 180.2 92.51
Step由实验者配置，
Step10 时 Y 取 最 大 值 ， 适 用因子配置；
二次试验－－ (1) 因子配置设计：
背景：通过最大倾斜法求Y最大化的因子水平，通过追加实验，确认是否最佳水准的领域； 收率(Yield) 时间(80 , 90) 温度(171,181)
案例：bpcapa.MTW
(1)：二项分布的Zst
缺陷率： 不良率是否 受样本大小 影响？
－平均（预想）PPM＝226427 －Zlt＝0.75 ＝>Zst＝Zlt＋1.5＝2.25
3-4 M--工序能力分析（离散型）：
案例：bpcapa.MTW
(2)：Poisson分布的Zst
4 功效和样本数量
I — DOE： 8-2：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：
倾斜越大， 主效果越大 无法确认交互效果
③ 统计性分析：
④ 确认此后试验方向：
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。
最佳方向
I — DOE： 8-3：2水准部分配置
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：
4-3 ：1 Proportion（单样本）
A—假设测定： Chi-Square-1.MTW
应用一： 测定频度数的同质性：
5-5： 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）
A—假设测定： Chi-Square-2.MTW
Δ 5 5 2.10 60 165.5 87.80
Δ 6 6 2.52 65 167.6 88.65
Δ 7 7 2.94 70 169.7 92.40
Δ 8 8 3.36 75 171.8 93.54
Δ 9 9 3.78 80 173.9 94.78
Δ10 10 4.20 85 176.0 95.30
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）；
不良类型
背景：确认班次别和不同类型不良率是否相关？
班次
P-Value < 0.05
→ Ha → 两因素从属（相关）
6 方差假设检验
A—ANOVA（分散分析）： 两个以上母集团的平均是否相等； 6-1 ： One-way A（一因子多水平数）
① 因子配置设计：
背景： - 反应值 : 收率(Yield) - 因 子 : 流入量(10, 15), 触媒(1, 2), 旋转数(100，120), 温度(140, 180), 浓度( 3, 6)
－> 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：
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 ： >
Coded Level
A
B
Uncoded Level
A
B
试验结 果
(收率)
中心点 0
0
35 155
80.44
Δ
1 0.42 5
2.1
81.08
Δ 1 1 0.42 40 157.1 82.90
Δ 2 2 0.84 45 159.2 83.14
Δ 3 3 1.26 50 161.3 83.70
Δ 4 4 1.68 55 163.4 84.33
通过分散分析判断1次效果、交互作用及曲率效果的有意性。 - 1次效果(Main Effect) 有意； - 弯曲不有意，故而没有曲率效果。
一次试验－－ (3)确认最大倾斜方向：
< 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 0.325B 0.775
Cod (1 e,0.d 4)2
A—假设测定－决定标本大小：
4-4：2 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
4-1 1-sample Z（已知u） A—假设测定－决定标本大小：
<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
有意水平 α = 0.05
查出力 1－β = 0.8
差值：u0－ua ＝25－30＝-5
P-Value < 0.05
→ Ha →u1 ≠ u2（有差异）
A—假设测定：
5-4： 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 ）
P-Value > 0.05 → H0 → P=0.01
功效值（查出力）： 1－β ＝0.8 标准差：sigma＝10
A—假设测定－决定标本大小：
4-2 ：1-sample T（未知u）
<统计－功效和样本数量－ 1-sample t： >
背景：Ha～N（30，100/25） H0～ N（25，100/n ）－为测定分布差异的标本大小
有意水平 α = 0.05
H0: u1=u2=…=un
Ha: 至少一个不等；
背景：确认三根弹簧弹力比较？
P-Value < 0.05 → Ha → u不等，有差异；
信赖区间都重叠 －> u无有意差； 1和2可以说无有意差，1和3有有意差；
A—ANOVA（分散分析）： 两个以上母集团的平均是否相等；
6-2： Two-way A（2因子多水平数）
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
5 均值假设检验
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 ）
A—假设测定：案例：Camshaft.MTW 5-1 ： 1-sample T（单样本） 未知总体标准差
P-Value > 0.05 → Ho（信赖区间内目标值存在） →可以说平均值为600
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
P-Value < 0.05 → Ha →u1 ≠ u2
A—假设测定：案例：Paired t.MTW 5-3： 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 ）
最大倾斜方向：A每增加1时，B增加0.42 的方向。
- 实际水平 : A ( 30,40) ,B(150,160)
→ ห้องสมุดไป่ตู้还原实际水平值， 线性变换的 △ 值各各乘5.
Un c ( 1 o 5 ,0 .4 d 5 2 e ) ( d 5 ,2 .1 )
• 线性变换的因子的水准还原为实际水准值。
Step
2、群间变动大；
3 工序能力分析
3-1 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)
实施对因子效果的t-test，判断与data有意的因子。 A、B对结果有意；AB交互对结果无有意；
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。
MINITAB质量分析工具 应用大全
1 测量系统分析
1-1 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
2 数据正态性检验
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
P-value > 0.05 －> 正态分布（P越大越好） 本例：P＝ 0.022 ，数据不服从正态分布。 原因：1、Data分层混杂；
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：
在中心点实验的次数！
一次试验－－ (2)统计性分析：
实施对因子效果的 t-test， 判断有意的因子。 －A, B 有意；
<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
7 相关性分析
A—（相关分析）： Scores.MTW
P-Value < 0.05 → Ha → （有相关相关）
I — DOE： 8-1 ：2因子2水准
8 实验设计
① 因子配置设计：
输出结果：
输入 实验 结果
② 曲线分析：
倾斜越大， 主效果越大
交叉越大， 交互效果越大
最大的data
③ 统计性分析：
A—假设测定：
5-4： 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 ）
P-Value > 0.05 → Ho →P1 = P2
确认哪个因子影响收率，利用中心点包括的22配置法
二次试验－－ (2)统计性分析：
③ 求解Zlt（无历史均值）：
无历史均值： －> 考虑偏移－> Zlt (Bench)
* Zshift ＝ Zlt (Bench) － Zlt (Bench) ＝12.13－1.82＝0.31
3-2 工序能力分析 capability sixpack工具
案例：Camshaft.MTW
3-3 M--工序能力分析（离散型）：
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
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。
8-4 最大倾斜法：
A—假设测定：案例：2sample-t.MTW 5-2 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