管理限界を計算するにはどのくらいのデータが必要ですか？ベースライン管理図を作成し、それらの管理制限を新しいデータに適用して、製造プロセスの変更が管理不能になるかどうかを確認します。ベースラインデータの管理限界を計算するには、どのくらいのデータポイントが必要ですか？
再：管理限界を計算するために必要なデータ量は？その質問は大きなものです。答えは、もちろん「依存する」です。
どのタイプの管理図を使用していますか？
合理的なサブグループサイズは？
サブグループをサンプリングする頻度は？
再：管理限界を計算するために必要なデータ量は？サンプルサイズは常に難しい質問ですが、私はこのタイプの統計（プロセス制御）の方が新しいです。JMP管理図ビルダーの使用を計画していました。私は、1ユニット内の3つの場所で1つのサンプルを1日（8時点が2シフトに均等に分散）生産5日間で取得したいと考えています。私は、ベースラインを確立するためにそれを何週間行う必要があるかを把握しようとしています。私は、日内の時間点の変動と、各場所の日ごとの変動の両方があると予想しています。サブグループ化について読んでいた。時点と場所ごとに複数のサンプルを採取する必要がありますか？サブグループごとに約3、5、または7個のサンプルを読みました。
再：管理限界を計算するために必要なデータ量は？管理図は、プロセスが安定していることを前提としています。次を使用して初期データを調べることを検討できます。分析>品質とプロセス>変動チャート 。変動性のソースをネストし、ネストをインタラクティブに変更して、支配的な効果を探すことができます。分散成分を推定して、表示される変動を定量化することもできます。
また、ネストのレベル間で変動性の違いが疑われる場合は、3方向制御が役立つ場合があります。これは、バッチ内でサンプルを取得するバッチプロセスで非常に役立ちますが、バッチをチャート化する必要があります。多くの場合、バッチ内変動はバッチ間変動よりも小さいため、1つの管理図とプロセス標準偏差の1つの推定値が使用できない図を生成します。管理図ビルダーは、3方向管理図を提供します。
再：管理限界を計算するために必要なデータ量は？まだ言及されていない考えをすべてに追加するにはしゅうの思慮深い入力は、合理的なサブグループ化の基本的な考え方を見失わないことです。これは、サブグループの変動が根本的な共通原因の変動を捉えることができる限り近くなるように、既知のプロセス知識の中でサンプリング戦略を構築することですシステムでは...サブグループの収集間の時間間隔により、割り当て可能な原因の変動をタイムリーに特定する格闘の機会が得られます。サブグループ化は、同じ部分のアート（一般的な原因と特殊な原因の取得）と統計的手法（パワーなど）です。
再：管理限界を計算するために必要なデータ量は？Wheelerの本「統計的プロセス制御の理解」を読むことをお勧めします。 最初にシューハート博士によって作成された管理図が2つのことを行うことを意図していることを理解する必要があります。
1。 比較の基礎の一貫性を評価します（これは範囲チャートです）。
2。 2つの変動要因を比較して、どちらがより大きなレバレッジを持っているかを判断します（これがX棒グラフです）
彼らは質問に答えます。仕事の焦点はどこにあるべきか（内または間）？調査の性質（特別または共通）は何ですか？
範囲グラフによって定量化/描写される変動は、その「頻度」で変化するxの関数です。 最初の質問は、それらのx（サブグループ内）が一貫した安定した変動を示すかどうかです。その場合、その変動を定量化し、変動のソースを他の変動のソース（サブグループ間）と比較して、どちらがより大きなレバレッジを持っているかを判断できます。 範囲グラフに一貫性のない（特定の原因などの）変動がある場合は、その理由を理解する必要があります。 範囲グラフが一貫した変動を示し、X棒グラフが「管理下」にある場合、変動の最大の原因はサブグループx内にあります。 x棒グラフが「制御不能」である場合、ソース間（xはその周波数で変化）が支配的です。
再：管理限界を計算するために必要なデータ量は？追加するのを忘れて、「管理限界を計算するために必要なデータの量」の問題は、すでに示唆されているように、状況に依存します。 私の一般的なガイダンスは、管理限界は、研究から実際に結論を出すのに十分なデータがあるときに計算されるということです。 これには代表プロセスで動作する変数のサンプル。 どんな種類のプロセスや製品を見ているのかわかりませんが、例えば、コーティングのバッチを作っていると想像してください。 攪拌が不十分なため（バッチ内）コーティング特性（y's）にばらつきがあると仮定します。 バッチ内から複数のサンプルを選択し、複数のバッチに対してこれを行います。 バッチサンプル内で必要な数は、仮説の具体性に依存します...階層化があると仮定した場合、サンプルサイズは、バッチの上部から1つ、下部から1つと小さい場合があります。 特定の仮説がない場合は、バッチ内コンポーネントをランダムにサンプリングし、サンプルサイズを増やして、サンプルが代表的である可能性を高めます。 バッチはいくつですか？同じロジックが適用されます。 バッチ間変動がある理由について特定の仮説がある場合は、十分なサンプリングを行って、これらのソースが研究で異なるようにします。 あなたの仮説が：バッチごとの変動は原料のロットの変化によるものである場合、原料の複数のロットでサンプリングしたいと思うでしょう...潜在的な影響をキャプチャする自信によって大きく影響される判断はどれくらいですか原料ロットから。 変動の原因となるxの代表的な研究を取得することは、統計学者ではなく、主題の専門家が最もよく判断することです。
