Was ist ein MR-Diagramm (Bewegungsbereich) Ein MR-Diagramm zeichnet den Bewegungsbereich über die Zeit auf, um die Prozessvariation für einzelne Beobachtungen zu überwachen. Verwenden Sie das MR-Diagramm, um die Prozessvariationen zu überwachen, wenn es schwierig oder unmöglich ist, Messungen in Untergruppen zu gruppieren. Dies geschieht, wenn Messungen teuer sind, das Produktionsvolumen niedrig ist oder Produkte eine lange Zykluszeit aufweisen. Wenn Daten als einzelne Beobachtungen gesammelt werden, können Sie die Standardabweichung für jede Untergruppe nicht berechnen. Der Bewegungsbereich ist ein alternativer Weg, um die Prozessvariation zu berechnen, indem die Bereiche von zwei oder mehr aufeinanderfolgenden Beobachtungen berechnet werden. Beispiel eines MR-Diagramms Zum Beispiel will ein Krankenhaus-Administrator verfolgen, ob die Variabilität in der Zeitdauer, um ambulante Hernienchirurgie durchzuführen stabil ist. Die Punkte variieren zufällig um die Mittellinie und liegen innerhalb der Kontrollgrenzen. Keine Trends oder Muster vorhanden sind. Die Variabilität in der Zeitdauer der Hernienchirurgie ist stabil. X-bar und R-Diagramm Was ist ein X-Bar und R (Bereich) Diagramm ist ein Paar von Kontrolltafeln mit Prozessen, die eine Untergruppe von zwei oder haben Mehr. Das Standarddiagramm für Variablendaten, X-Bar - und R-Diagramme hilft, festzustellen, ob ein Prozess stabil und vorhersehbar ist. Das X-Balkendiagramm zeigt, wie sich die mittlere oder mittlere Änderung über die Zeit und das R-Diagramm zeigt, wie sich der Bereich der Untergruppen im Laufe der Zeit ändert. Es wird auch verwendet, um die Auswirkungen der Prozess Verbesserung Theorien zu überwachen. Als Standard werden die X-Bar und R-Diagramm an Stelle der X-Bar und s oder Median und R-Diagramm zu arbeiten. Um ein X-Bar - und ein R-Diagramm mithilfe von Software zu erstellen, laden Sie eine Kopie von SQCpack herunter. Wie sieht es aus? Das X-Balkendiagramm, oben, zeigt den Mittelwert oder Durchschnitt der einzelnen Untergruppen. Es dient zur Analyse der zentralen Lage. Das Range-Diagramm, auf der Unterseite, zeigt, wie die Daten verbreitet werden. Es wird verwendet, um Systemvariabilität zu studieren. Kostenlose monatliche Qualitäts-Tipps Abonnieren Sie unseren kostenlosen monatlichen Newsletter, Quality eLine. Es bietet Informationen zur Verbesserung der Qualität, qualitativ hochwertige Trainingstipps, statistische Prozesskontrolle, gage RampR Informationen und vieles mehr. Wann wird es verwendet Sie können X-Bar und R-Diagramme für jeden Prozess mit einer Untergruppengröße größer als eins verwenden. Typischerweise wird sie verwendet, wenn die Untergruppengrße zwischen zwei und zehn fällt, und X-Balken - und s-Diagramme werden mit Untergruppen von elf oder mehr verwendet. Verwenden Sie X-Bar - und R-Diagramme, wenn Sie diese Fragen mit Ja beantworten können: Müssen Sie die Systemstabilität beurteilen? Sind die Daten in Variablen formuliert, so sind die Daten in Untergruppen größer als eins, aber kleiner als elf die Zeitreihenfolge der Untergruppen erhalten Sammeln Sie so viele Untergruppen wie möglich, bevor Sie Regelgrenzen berechnen. Bei kleineren Datenmengen können das X-Bar - und das R-Diagramm keine Variabilität des gesamten Systems darstellen. Je mehr Untergruppen Sie in Kontrollgrenzberechnungen verwenden, desto zuverlässiger ist die Analyse. Typischerweise werden zwanzig bis fünfundzwanzig Untergruppen in Steuergrenzenberechnungen verwendet. X-Bar und R-Diagramme haben mehrere Anwendungen. Wenn Sie beginnen, ein System zu verbessern, verwenden Sie sie, um die Stabilität des Systems8217s zu beurteilen. Nachdem die Stabilität beurteilt wurde, bestimmen Sie, ob Sie die Daten stratifizieren müssen. Sie können ganz andere Ergebnisse zwischen Schichten, zwischen Arbeitern, unter verschiedenen Maschinen, unter vielen Materialien, etc. zu finden. Um zu sehen, wenn Variabilität auf der X-bar und R-Diagramm durch diese Faktoren verursacht wird, sammeln und geben Sie die Daten in einer Weise, die lässt Sie stratifizieren nach Zeit, Standort, Symptom, Operator und Lose. Sie können auch X-Bar - und R-Diagramme verwenden, um die Ergebnisse der Prozessverbesserungen zu analysieren. Hier würden Sie überlegen, wie der Prozess läuft und vergleichen Sie es, wie es in der Vergangenheit lief. Haben Prozessänderungen die gewünschte Verbesserung ergeben Schließlich verwenden Sie X-bar und R-Diagramme für die Standardisierung. Das bedeutet, dass Sie während des gesamten Prozesses weiterhin Daten sammeln und analysieren müssen. Wenn Sie Änderungen am System vorgenommen und das Sammeln von Daten gestoppt haben, hätten Sie nur Wahrnehmung und Meinung, um Ihnen mitzuteilen, ob die Änderungen das System tatsächlich verbessert haben. Ohne eine Kontrollkarte gibt es keine Möglichkeit zu wissen, ob sich der Prozess geändert hat, oder um die Quellen der Prozessvariabilität zu identifizieren. I-MR Charts Einzelpersonen - Moving Range Charts I-MR Diagramme zeigen einzelne Beobachtungen auf einem Diagramm zusammen mit einem anderen Diagramm des Bereichs Der einzelnen Beobachtungen - normalerweise von jedem aufeinanderfolgenden Datenpunkt. Dieses Diagramm wird verwendet, um KONTINUIERLICHE Daten darzustellen. Das Individuelle (I) Diagramm stellt jede Messung (manchmal auch als Beobachtung bezeichnet) als einen separaten Datenpunkt dar. Jeder Datenpunkt steht für sich und die Mittel gibt es keine rationale Untergruppe und die Untergruppe Größe 1. Ein paar andere gemeinsame Diagramme, die mit Untergruppen gt1 verwendet werden: Eine typische Moving Range (MR) Diagramm verwendet einen Standardwert von 2, was bedeutet, jeder Datenpunkt zeigt die Differenz (Bereich) zwischen zwei aufeinanderfolgenden Datenpunkten, wie sie aus dem Prozess in sequentieller Reihenfolge kommen. Daher gibt es einen weniger Datenpunkt im MR-Diagramm als das Individuals-Diagramm. Dieser Wert kann jedoch in den meisten statistischen Softwareprogrammen angepasst werden. I-MR-Charts sollten nach den Kontrolltests kontrolliert werden, die Sie verwenden. Es gibt viele Arten von Tests, die Kontrolle und Punkte innerhalb der Kontrolle Grenzen kann auch außerhalb der Kontrolle oder besondere Ursache zu bestimmen. Beispiel 1 Die Daten unten der Messungen wurden aus der Gesamtlänge von 30 verschiedenen Widgets entnommen. Die Berechnung berechnet die kurzfristige Schätzung mit Un-Vorspannung konstant, da es höchstwahrscheinlich eine Stichprobe ist, die die kurzfristige Leistung des Prozesses darstellt. Denken Sie daran, es gibt mehrere Schätzungen für Sigma (Standardabweichung) und jede Verwendung sollte mit dem Kunden vereinbart werden und die Begründung für seine Auswahl. Der erste Datenpunkt in der RANGE-Tabelle seit einem Bewegungsbereich von 2 wurde der Absolutwert (oder die positive Differenz) von 5,77 - 4,57 1,20 gewählt. Eine Messung pro Teil, ohne rationale Untergruppen. Die Teile werden in der Reihenfolge gemessen, aus der sie aus dem Prozess gekommen sind. xa0 Es gibt einen weniger Entfernungsdatenpunkt als die gemessenen Teile. xa0 Mit MR-bard2 zur Schätzung von Sigma (kurzfristige Schätzung für Standardabweichung). Beide Diagramme zeigen einen stabilen und kontrollierten Prozess an. Dies würde für den Stabilitätsabschnitt eines MSA genügen. Wenn dies die neuen (AFTER) Daten aus einer Prozessverbesserung waren und diese Leistung besser und wünschenswerter als die BEFORE-Leistung ist, dann könnten diese Steuergrenzen als die neuen Prozesssteuergrenzen gesetzt werden. Wenn dies die vorherigen (VORHERIGEN) Daten eines Prozesses waren und alle Variationen durch eine gemeinsame Ursache inhärenter Variation erklärt werden, dann wird es eine grundlegende Änderung (hoffentlich eine Verbesserung) zur Veränderung und Aufrechterhaltung dieser Leistung erfordern. Das Ziel des Teams ist es, alle speziellen Ursachenvariationen zu eliminieren oder zu erklären und grundlegende, beispiellose Verbesserungen zu machen, um das bestehende Maß an gemeinsamer Ursache-Leistung zu einer reduzierten Variation und einer präziseren Leistung um ein Ziel zu treiben. Beispiel 2 VOR DEM NACH I-MR-Diagramm Nachstehend ist ein Beispiel von Daten, die am Ende der IMPROVE-Phase aus einer Zeitstudie erstellt wurden, bevor und nachdem die Verbesserungen bei einem Inspektionsprozess durchgeführt wurden. Die Zeiten wurden jeweils mit ihrer eigenen Gruppe (Untergruppengröße 1) dargestellt. Die Zeit ist ein kontinuierlicher Datentyp, für den Sie ein SPC-Diagramm wie ein I-MR verwenden würden. Sie sehen aus dem Diagramm den Durchschnitt für die einzelnen Messzeiten ging auf 9,79 Minuten und. Durch Untersuchen der unteren Grafik, können Sie sehen, die Variation zwischen den Zeiten wurde auch reduziert. Um statistisch zu analysieren, ob sich der Mittelwert geändert hat, können Sie den 2 sample-t-Test oder den paired-t-Test verwenden (abhängig von den Daten und unter der Annahme, dass die Daten normal verteilt sind). Hypothesentests Unter Verwendung der Daten in der obigen Tabelle wurde ein 2-Stichproben-t-Test mit einem Alpha-Risiko durchgeführt, das auf 0,05 gesetzt wurde, um zu bestimmen, ob es einen signifikanten Unterschied in der Leistung des Mittels VOR und NACHER gibt. ANMERKUNG: Obwohl sowohl BEFORE als auch AFTER 52 Proben entnommen wurden, werden die Paare aufgrund unterschiedlicher Teile nicht abgestimmt und sind eine zerstörende Studie. Wurde die Bewertung unter Verwendung der gleichen Teile und nicht zerstörender Teile durchgeführt, dann könnte der gepaarte t-Test verwendet werden. Xa0 Null-Hypothese Ho: Mittelwert BEFORE Mittelwert AFTER Alternative Hypothese H A. xa0Mean AFTER lt Mean BEFORE Dies erzeugt einen Ein-Tailed-Test. Die Nullhypothese wird abgelehnt. Es gibt ein paar Möglichkeiten, dies zu schließen. Die Teststatistik von 26.42 ist grßer als der kritische t-Wert bei 0,05 und dF 76, was 1,67 für einen tailed Test ist. DF Freiheitsgraden, wobei der p-Wert kleiner als 0,05 ist. Mit dem statistischen Beweis, dass eine Verschiebung im Mittel von 19,65 Minuten bis 9,79 Minuten aufgetreten ist. Die AFTER-Leistung hat auch alle SPC-Tests bestanden, so dass die neuen Kontrollgrenzen für die Überwachung dieses Prozesses verwendet werden sollten. Dies ist ein wichtiger Bestandteil der CONTROL-Phase und der überarbeiteten FMEA. xa0. Die überarbeitete FMEA sollte die neuen Grenzwerte für den Prozess dokumentieren, um schnell zu erkennen, ob die zukünftige Prozessleistung weiterhin kontrolliert und nachhaltig bleibt Obere und untere Kontrollgrenzen, um einen erwiesenen verbesserten Prozeß zu überwachen, wahrscheinlich kein Leistungsverhalten offenbaren, das sich zurückzieht oder beginnt, auf alte Muster zurückzufallen. Und das Ziel ist nicht, dies zu erlauben, Probleme schnell und sichtbar zu machen, so dass sie angesprochen werden können und den Prozess wieder eingeholt werden. Xa0 Test für Variation Reduktion Um statistisch zu überprüfen, ob sich die Variation geändert hat, bevor Sie den F-Test verwenden konnten Für gleiche Abweichungen. Da dieses Beispiel einen 95-Grad der Vertrauenswürdigkeit anwendet, wäre jeder p-Wert lt 0,05 statistisch signifikant, und Sie würden die Nullhypothese zurückweisen und schließen, dass es einen Unterschied gibt. SEHHILFE . Eine weitere visuelle Leitlinie ist es, die für die BEFORE (1) - und AFTER (2) - Daten in blau dargestellten Konfidenzintervalle zu untersuchen. Wenn sich die Intervallbandlinien DO überlappen, gibt es keine statistische Differenz zwischen der Variation vor und nachher. Wenn die Intervallbandlinien nicht überlappen, gibt es einen statistisch signifikanten Unterschied zwischen der Variation vor und nachher. Je weiter die Linien von der Überlappung entfernt sind, desto niedriger ist der p-Wert und desto mehr Vertrauen haben Sie beim Abschluss, es gibt einen signifikanten Unterschied (scheint offensichtlich). Wenn der Rand der Linien nahe beieinander liege (wie der linke Rand der oberen Linie und der rechte Rand der unteren Linie in unserem Beispiel), dann wäre der p-Wert nahe Null und die F-Statistik würde Ungefähr gleich dem F-kritischen Wert sein. RECALL: Das Ziel der meisten Six Sigma Projekte ist es, den Mittelwert zu einem Ziel zu verbessern (Genauigkeit zu addieren) und die Variation zu reduzieren (Präzision hinzuzufügen). Levenes-Test kann auf nicht-normalen Sätzen von Daten verwendet werden, um für gleiche Abweichungen zu testen. Mit dem neuen (AFTER) Prozess in der Steuerung können Sie fortfahren, die abschließende Prozessfähigkeit zu bewerten und die neue z-Kerbe herzustellen oder einen Leistungsindex zu verwenden. Einweg-ANOVA Es gibt auch ein Interesse zu bestimmen, ob es einen signifikanten Unterschied zwischen den vier Gutachter in der AFTER-Studie. Dies könnte dazu beitragen, einen oder mehrere Schätzer zu identifizieren, die von mehr Training profitieren könnten und untersuchen, woher die neue Variation kommt (innerhalb jedes Betreibers, unter oder beider) Mit einem One-Way ANOVA mit alpha bei 0,05 die folgenden Ergebnisse des AFTER Daten wurden generiert. xa0 Erinnerung gab es 52 Lesungen so dF 51. Es wird festgestellt, gab es keine statistische Differenz zwischen den Betreibern. Es gibt mehrere Dinge, die die Schlussfolgerungen zu unterstützen. Der p-Wert weit über 0,05 (mit anderen Worten, lehnen Sie die Nullhypothese nicht ab) F-statistik lt F-kritischer Wert von 2,81 Stark überlappende Konfidenzintervalle. Jim und Dave hatten fast genau die gleichen Ergebnisse. Der Unterschied zwischen Paul und Dave ist der größte, aber noch nicht statistisch signifikant bei einem Alpha-Risiko von 0,05. Sind alle Beweise dafür, dass es keinen Unterschied zwischen den Paaren oder Kombinationen von ihnen gibt. Der niedrige F-Wert von 0,27 sagt, dass die Variation innerhalb der Schätzer größer ist als die Variation zwischen ihnen und nicht innerhalb der Ablehnungsregion.
No comments:
Post a Comment