控製圖和 3 西格碼<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />參考附表：
我有大約 30 個觀察結果。 這些值的標準差為 0.534121。
平均值為：73.93235。
現在，如果我想根據 ± 3 sigma 的經驗法則計算控制限值，則限值為：72.3 LCL 和 75.5 UCL。
但是，如果我使用附件中的表格繪製控製圖，則 UCL 和 LCL 的計算結果為：72.852 至 75.01。
我無法理解這種差異的原因。
有人可以解釋一下嗎？
我試圖解決這個問題，發現 JMP 使用 ± 2 sigma 來計算極限，並且為此目的估計的 sigma 值與我上面計算的值不同。 我無法理解這一點。
回覆：控制圖和 3 西格瑪控製圖不會告訴您輸出是否正常。我告訴您該過程是否在“合理程度的統計控制”下運行。如果是，則該過程正在正常運作。如果不是，則在改進流程之前需要消除導致變更的特殊原因。消除特殊原因並不是流程的改進。一旦您的流程運作良好，就可以對流程本身進行更改，以使其以更理想的平均水平和/或更少的可變性達到新的效能水準。
回覆：控制圖和 3 西格瑪任何對 Walter Shewhart 在設計控製圖方面的絕對天才感興趣的人都應該閱讀他於 1931 年出版的原著。您可以在 Amazon.com 上獲得 50 週年紀念版。我已經反覆閱讀這本書好幾次了，我總是對這個簡單的工具有更多的了解，它有 500 頁的發展和理論支持，是一部實證傑作。
1989 年，W. Edwards Deming 說：「休哈特博士於 1924 年設計並公佈了這條規則。 從那以後，沒有人做得更好。”
1967 年 8 月號工業品質管制發表文章《我們的欠沃特的債休哈特「 哪個包括一頁備忘錄從休哈特給他的老闆和第一個發布的控製圖的副本。太棒了！
回覆：控制圖和 3 西格瑪這裡有一些關於控製圖基礎知識的非常好的討論。 和其他人一樣，我建議你買惠勒的書。
他在其中解釋說，限制起著兩個作用。 首先判斷是否有失控情況。 如果不是，那麼它們發揮的第二個作用是預測未來產出可能出現的位置。
因此，對於您關於新資料出現時重新計算限制的問題... 如果製程穩定，則無需修改限制 - 它們本質上會為您提供與已有的相同的限制。 如果您的流程不穩定，那麼限制就是單獨進行判斷 - 幫助您識別並消除特殊原因。
不穩定的過程可能會導致您計算極限的重大變化。 計算極限，找出特殊原因並消除它們。 有些人有在消除特殊原因資料的基礎上計算「理論極限」的做法。 其他人在收集新數據時繼續修改限制，同時繼續識別和消除特殊原因。 一旦您經過一段時間沒有任何特殊原因，您可以聲明該過程穩定並凍結限制。
事實上，如果缺乏流程知識，就無法使用圖表。 借助圖表，您應該了解您的操作是否穩定。 例如，如果您換入/換出工具，您可能會期望圖表會變更。 如果是這種情況，您需要為操作中涉及的每個工具都有一個控製圖 - 因為每個工具都是一個單獨的過程，具有自己的“穩定”模式（假設沒有特殊原因）。
我覺得我在這裡胡言亂語——一定要閱讀惠勒的書，他們會讓你接觸到你在這個帖子中得到的評論。 歡迎您向我發送數據levin@predictum.com 。
回覆：控制圖和 3 西格瑪感謝您的回复，斯摩爾。
但我不明白，為什麼重新計算限制是危險的。 那為什麼還要有控制圖呢？ 我的意思是它們的目的是根據系統的實際行為為我們提供值，並告訴我們實際的系統輸出是否正常？
回覆：控制圖和 3 西格瑪無1，我們必須小心，不要過度思考或試圖超越流程行為圖表和數據。這就是為什麼了解資料的來源、收集和定義如此重要的原因。您使用的軟體包可以計算您想要的任何內容，但利用您有關流程和資料的知識和經驗才是控製圖的真正價值所在。一旦您建立了控制限制並且後續點顯示缺乏控制，那麼您就有了一個可以調查的信號。在每個後續資料點更新控制限制是危險的。惠勒在他的著作中再次論述了這種情況。最終，問題是：產生此數據點的系統是否與產生先前數據點的系統相同？你怎麼知道？您預計這種變化（訊號）會持續嗎？這需要多年的實踐和思考。繼續思考......你走在正確的軌道上。
如果我可以在數據分析方面為您提供幫助，我的電子郵件是smoore@wausaupaper.com
回覆：控制圖和 3 西格瑪所以，現在我遇到了一個狀況。 這個過程突然產生的結果超出了迄今為止計算的 3 西格瑪範圍。 因此，該過程似乎失控。
但是，如果我將這些超出 3 sigma 限制的新點納入 sigma 計算中，則新的 sigma 似乎沒問題。 因此我可以說我的流程處於控制之中還是這是一個詐欺？
回覆：控制圖和 3 西格瑪這裡也有一個更大的討論。 對我來說，控製圖是“過程的聲音”，因此可以說是煙霧探測器，當“穩定”的過程可能由於特殊原因而偏離軌道時。 追求普遍存在的共因變異是非常浪費的。 當然，在完美的世界中，還有一些規格是基於「適用性」和性能而設定的，這完全是另一個值得討論的話題，但這裡沒有足夠的空間來闡述。 我們的品質系統建立在圍繞使用適用性的規範之上，這些規範是透過實驗設計和了解過程中的各種指紋雜質及其對倒數第二個規範（客戶使用）的影響而得出的。 因此，材料規格通常是在品質越高越好的指導方針下制定的，但很多時候，某些「雜質」具有協同作用，有利於最終產品或工藝的性能，只是盲目地優化工藝規格並不總是能提供性能最佳的產品/製程。 我只是想將其添加到討論中，因為過程/產品理解是關鍵，控製圖是理解的組成部分，但不是整個故事。 然而，話雖如此，對特殊原因的遊覽並不一定是壞事，而是一個了解流程/產品的機會，因為您可能會發現這次遊覽提供了在客戶手中表現更好的流程/產品，因此關鍵是評估偏差的影響並從中獲得過程知識，這就是科學方法。
回覆：控制圖和 3 西格瑪https://www.linkedin.com/groups/Does-Run-chart-require-data-3696237.S.63802395
上面的連結是關於控製圖是否需要普通資料的 LinkedIn 線程。 儘管這不是您問題的確切主題，但作為一個肯定不是統計專家的人，我個人發現以下幾點對於正確看待事物很有用，也可能對您有所幫助：
- 最終，我們試圖找到一種經濟的方法來調查異常值，這就是控製圖的目的。
- 根據其中一位貢獻者的說法： 6 sigma = +-3 sigma 是一個可操作的經濟邊界。 從我的角度來看，休哈特是一個聰明的人，他試圖找到可靠的操作定義，以確定何時需要進行調查，何時應將其視為噪音。
- 有時，我們過於專注於完全正確，以至於忽略了我們的追求實際上是否會產生截然不同的結果。 換句話說，我們吹毛求疵只是為了吹毛求疵嗎？ 我不知道你的情況，但在兩個圖表上繪製數據並觀察警報數量是否不同可能會很有趣。
- 惠勒的論文題為“你確定我們不需要常態分佈資料嗎？”讓我開始思考這個概念。
回覆：控制圖和 3 西格瑪也是一個非常好的回應！
回覆：控制圖和 3 西格瑪如果我可以衡量的話......I-mR 圖是製程行為圖的「瑞士軍刀」。它對於幾乎任何數據集都非常有用且強大。它不依賴數據的分佈；即，數據不需要呈常態分佈。使用資料的標準差來計算控制上限和下限幾乎總是錯誤的。原因是這樣的：你的資料是按時間順序排列的；否則控製圖就沒用了。無論資料的順序為何，標準差計算都會給出相同的結果。移動極差給出了按時間排序的色散統計量，並且與 IS 時間順序相關。移動極差乘以 2.66 得出資料的 3-sigma 估計值。正如 LouV 所說，惠勒的書非常棒。您可以在 www.qualitydigest.com 上找到惠勒的許多文章。我還建議你看看 Davis Balestracci 的作品。
回覆：控制圖和 3 西格瑪我不確定我是否可以說哪個是“最好的方法”，但根據我 30 年在製造環境中的經驗，我知道 IR-MR 圖表是理想的，因為它們易於計算且易於使用訓練操作如何計算比標準差計算更多的內容。 您必須意識到，控制圖通常與方格紙一起保存在生產車間中，並且操作會相應地填寫資料。 我認為關鍵是選擇一種技術並利用該技術的價值，並在出現失控信號時響應「過程的聲音」。
回覆：控制圖和 3 西格瑪感謝你們倆的快速回覆。令人驚訝的是你的速度有多快。
所以問題是在工業環境中繪製控製圖的最佳方法是什麼：
LJ 圖還是 IR 圖？
回覆：控制圖和 3 西格瑪當您說 3 西格瑪的「經驗法則」時，您是正確的，因為實際上 IR 控制圖（子組大小 1）使用移動極差進行計算。
限制的公式如下
UCL = 平均值 + 2.66 (0.406) = 73.93 + 1.08 = 75.01
拼箱 = 平均值 -2.66 (0.406) = 73.93-1.08 = 72.85
0.406 是資料移動極差的計算平均值。
我已附加新增了移動範圍列的檔案。
我強烈推薦唐納德·惠勒（Donald Wheeler）關於統計過程控制的書。
回覆：控制圖和 3 西格瑪這是一個常見問題，JMP 統計過程控制課程對此進行了解答。 我假設您正在創建個人和移動極差圖表。 您需要了解如何建立單一圖表和移動極差圖表。 他們使用控制限的標準差估計值。 標準差可以透過多種方式估計。 由於這些圖表是在計算器之前創建的，因此通常使用移動極差，而不是樣本標準差 s。
要獲得包含您建議的限制的圖表，該圖表稱為 Levey-Jennings 圖。
