控制图和 3 西格码<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />参考附表：
我有大约 30 个观察结果。 这些值的标准偏差为 0.534121。
平均值为：73.93235。
现在，如果我想根据 ± 3 sigma 的经验法则计算控制限值，则限值为：72.3 LCL 和 75.5 UCL。
但是，如果我使用附件中的表格绘制控制图，则 UCL 和 LCL 的计算结果为：72.852 至 75.01。
我无法理解这种差异的原因。
有人可以解释一下吗？
我试图解决这个问题，发现 JMP 使用 ± 2 sigma 来计算极限，并且为此目的估计的 sigma 值与我上面计算的值不同。 我无法理解这一点。
回复：控制图和 3 西格码控制图不会告诉您输出是否正常。我告诉您该过程是否在“合理程度的统计控制”下运行。如果是，则该过程正在正常运行。如果不是，则在改进流程之前需要消除导致变化的特殊原因。消除特殊原因并不是流程的改进。一旦您的流程运行良好，就可以对流程本身进行更改，以使其以更理想的平均水平和/或更少的可变性达到新的性能水平。
回复：控制图和 3 西格码任何对 Walter Shewhart 在设计控制图方面的绝对天才感兴趣的人都应该阅读他于 1931 年出版的原著。您可以在 Amazon.com 上获得 50 周年纪念版。我已经反复阅读这本书好几次了，我总是对这个简单的工具有更多的了解，它有 500 页的开发和理论支持，是一部实证杰作。
1989 年，W. Edwards Deming 说道：“休哈特博士于 1924 年设计并公布了这条规则。 从那以后，没有人做得更好。”
1967 年 8 月号工业质量控制发表文章《我们的欠沃尔特的债休哈特“ 哪个包括一页备忘录从休哈特给他的老板和第一个发布的控制图的副本。太棒了！
回复：控制图和 3 西格码这里有一些关于控制图基础知识的非常好的讨论。 和其他人一样，我建议你买惠勒的书。
他在其中解释说，限制起着两个作用。 首先判断是否存在失控情况。 如果不是，那么它们发挥的第二个作用是预测未来产出可能出现的位置。
因此，对于您关于新数据出现时重新计算限制的问题...... 如果过程稳定，则无需修改限制 - 它们本质上会为您提供与已有的相同的限制。 如果您的过程不稳定，那么限制就是单独进行判断 - 帮助您识别并消除特殊原因。
不稳定的过程可能会导致您计算极限的重大变化。 计算极限，找出特殊原因并消除它们。 有些人有在消除特殊原因数据的基础上计算“理论极限”的做法。 其他人在收集新数据时继续修改限制，同时继续识别和消除特殊原因。 一旦您经过一段时间没有任何特殊原因，您可以声明该过程稳定并冻结限制。
事实上，如果缺乏流程知识，就无法使用图表。 借助图表，您应该了解您的操作是否稳定。 例如，如果您换入/换出工具，您可能会期望图表发生变化。 如果是这种情况，您需要为操作中涉及的每个工具都有一个控制图 - 因为每个工具都是一个单独的过程，具有自己的“稳定”模式（假设没有特殊原因）。
我觉得我在这里胡言乱语——一定要阅读惠勒的书，他们会让你接触到你在这个帖子中得到的评论。 欢迎您向我发送数据levin@predictum.com 。
回复：控制图和 3 西格码感谢您的回复，斯摩尔。
但是我不明白为什么重新计算限制是危险的。 那为什么还要有控制图呢？ 我的意思是它们的目的是根据系统的实际行为为我们提供值，并告诉我们实际的系统输出是否正常？
回复：控制图和 3 西格码无1，我们必须小心，不要过度思考或试图超越流程行为图表和数据。这就是为什么了解数据的来源、收集和定义如此重要的原因。您使用的软件包可以计算您想要的任何内容，但利用您有关过程和数据的知识和经验才是控制图的真正价值所在。一旦您建立了控制限制并且后续点显示缺乏控制，那么您就有了一个可以研究的信号。在每个后续数据点更新控制限制是危险的。惠勒在他的著作中再次论述了这种情况。最终，问题是：生成此数据点的系统是否与生成先前数据点的系统相同？你怎么知道？您预计这种变化（信号）会持续吗？这需要多年的实践和思考。继续思考......你走在正确的轨道上。
如果我可以在数据分析方面为您提供帮助，我的电子邮件是smoore@wausaupaper.com
回复：控制图和 3 西格码所以，现在我遇到了一个情况。 该过程突然产生的结果超出了迄今为止计算的 3 西格玛范围。 因此，该过程似乎失控。
但是，如果我将这些超出 3 sigma 限制的新点纳入 sigma 计算中，则新的 sigma 似乎没问题。 因此我可以说我的流程处于控制之中还是这是一个欺诈？
回复：控制图和 3 西格码这里也有一个更大的讨论。 对我来说，控制图是“过程的声音”，因此可以说是烟雾探测器，当“稳定”的过程可能由于特殊原因而偏离轨道时。 追求普遍存在的共因变异是非常浪费的。 当然，在完美的世界中，还有一些规格是基于“适用性”和性能而设定的，这完全是另一个值得讨论的话题，但这里没有足够的空间来阐述。 我们的质量体系建立在围绕使用适用性建立的规范之上，这些规范是通过实验设计和了解过程中的各种指纹杂质及其对倒数第二个规范（客户使用）的影响而得出的。 因此，材料规格通常是在质量越高越好的指导方针下制定的，但很多时候，某些“杂质”具有协同作用，有利于最终产品或工艺的性能，只是盲目地优化规格工艺并不总是能提供性能最佳的产品/过程。 我只是想将其添加到讨论中，因为过程/产品理解是关键，控制图是理解的组成部分，但不是整个故事。 然而，话虽如此，对特殊原因的游览并不一定是坏事，而是一个了解流程/产品的机会，因为您可能会发现这次游览提供了在客户手中表现更好的流程/产品，因此关键是评估偏差的影响并从中获得过程知识，这就是科学方法。
回复：控制图和 3 西格码https://www.linkedin.com/groups/Does-Run-chart-require-data-3696237.S.63802395
上面的链接是关于控制图是否需要普通数据的 LinkedIn 线程。 尽管这不是您问题的确切主题，但作为一个肯定不是统计专家的人，我个人发现以下几点对于正确看待事物很有用，并且也可能对您有所帮助：
- 最终，我们试图找到一种经济的方法来调查异常值，这就是控制图的目的。
- 根据其中一位贡献者的说法： 6 sigma = +-3 sigma 是一个可操作的经济边界。 从我的角度来看，休哈特是一个聪明的人，他试图找到可靠的操作定义，以确定何时有理由进行调查，何时被视为噪音。
- 有时，我们过于专注于完全正确，以至于忽视了我们的追求实际上是否会产生截然不同的结果。 换句话说，我们吹毛求疵只是为了吹毛求疵吗？ 我不知道你的情况，但在两个图表上绘制数据并观察警报数量是否不同可能会很有趣。
- 惠勒的论文题为“你确定我们不需要正态分布数据吗？”让我开始思考这个概念。
回复：控制图和 3 西格码也是一个非常好的回应！
回复：控制图和 3 西格码如果我可以权衡的话......I-mR 图是过程行为图的“瑞士军刀”。它对于几乎任何数据集都非常有用并且很强大。它不依赖于数据的分布；即，数据不需要呈正态分布。使用数据的标准差来计算控制上限和下限几乎总是错误的。原因是这样的：你的数据是按时间顺序排列的；否则控制图就没用了。无论数据的顺序如何，标准偏差计算都会给出相同的结果。移动极差给出了按时间排序的色散统计量，并且与 IS 时间顺序相关。移动极差乘以 2.66 得出数据的 3-sigma 估计值。正如 LouV 所说，惠勒的书非常棒。您可以在 www.qualitydigest.com 上找到惠勒的许多文章。我还建议你看看 Davis Balestracci 的作品。
回复：控制图和 3 西格码我不确定我是否可以说哪个是“最好的方法”，但根据我 30 年在制造环境中的经验，我知道 IR-MR 图表是理想的，因为它们易于计算且易于使用训练操作如何计算比标准差计算更多的内容。 您必须意识到，控制图经常与方格纸一起保存在生产车间中，并且操作会相应地填写数据。 我认为关键是选择一种技术并利用该技术的价值，并在出现失控信号时响应“过程的声音”。
回复：控制图和 3 西格码感谢你们俩的快速回复。令人惊讶的是你的速度有多快。
所以问题是在工业环境中绘制控制图的最佳方法是什么：
LJ 图还是 IR 图？
回复：控制图和 3 西格码当您说 3 西格玛的“经验法则”时，您是正确的，因为实际上 IR 控制图（子组大小 1）使用移动极差进行计算。
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 是数据移动极差的计算平均值。
我已附加添加了移动范围列的文件。
我强烈推荐唐纳德·惠勒（Donald Wheeler）关于统计过程控制的书。
回复：控制图和 3 西格码这是一个常见问题，JMP 统计过程控制课程对此进行了解答。 我假设您正在创建个人和移动极差图表。 您需要了解如何创建单个图表和移动极差图表。 他们使用控制限的标准偏差估计值。 标准偏差可以通过多种方式估计。 由于这些图表是在计算器之前创建的，因此通常使用移动极差，而不是样本标准差 s。
要获得包含您建议的限制的图表，该图表称为 Levey-Jennings 图。
