你好，
每个人，
我的
姓名
是
从
迈克尔逊。
我是 一个 讲师 在 这 跳转 教育 团体。
我的 合著者 为了 这 推介会 是 约旦 希勒 和 拜伦 葡萄园，
WHO 是 两个都 跳转 系统 工程师。
是 这里 今天 到 警告 你
的 这 危险 在 使用 JMP的 莱维- 詹宁斯 控制 图表。
我们 通缉 到 展示 在 发现 因为 我们 相信 莱维-詹宁斯 图表
是 存在 状况， 导致 在 错过 信號。
今天， 患病的 开始 和 a 快的 控制 图表 审查
关注 经过 a 快的 历史，
和 那 将要 带领 进入 如何 我们已经 见过 莱维-詹宁斯 图表 存在 误用。
出色地 结论 和 一些 建议
为了 使用 的 这些 图表 和 一些 最终的 的想法。
现在， 每一个 质量 系统 有 a 少量 的 过程 控制 在 它。
这些 是 这 二甲基异氰酸酯 步骤 从 六 西格玛，
但 你 可能 是 使用 质量从设计 或者 其他 质量 系统。
控制 图表 是 用过的 在 这 结尾 的 一个 改进 过程
什么时候 你已经 放 这 过程 在 目标 和 最小化 这 多变性。
这 过程 是 现在 稳定的，
哪个 方法 这 可能性 分配 是 不是 改变 超过 时间。
现在 它是 时间 到 监视器 那 过程 变异性
到 核实 那 这 分配 停留 这 相同的
和 是 不是 改变 在 这 未来。
什么 是 a 控制 图表？
A 控制 图表 是 简单地 a 跑步 图表 的 这 数据
和 这 添加 的 控制 限制。
这 中心 线 是 基于 在 这 历史 意思是 的 这 过程，
和 这 宽度 的 这 控制 限制
是 基于 在 这 历史 变化 的 这 过程。
如果 这 过程 分配 做 改变，
观察 将要 最终 落下 外部 的 这 控制 限制，
信号 到 这 过程 所有者 到 拿 行动 到 分配 a 原因
到 这 失控 观点 和 恢复 这 过程 到 a 状态 的 控制。
许多 类型 的 控制 图表 有 到过 发达 为了 不同的 情況。
XM-R 图表 或者 个人 和 移动 范围 图表
为了 数据 集 一 观点 在 a 时间。
Xbar-R 或者 Xbar-S 图表 为了 总结 数据
集 多种的 点 在 a 时间。
累积和 或者 加权移动平均法 控制 图表 到 探测 小的 轮班，
和 甚至 m 模型驱动的多元控制图
到 控制 多种的 相关 变量 在 一 图表。
到 寻找 那些 全部 重要的 控制 限制，
你 有 到 回答 这 问题，
如何 做 你 估计 这 历史 过程 分配？
第一的， 你 有 到 决定 如果 这 过程 是 稳定的 足够的
为了 控制 图表。
或者 做 它 需要 积极的 过程 改进？
这 是 称为 阶段 我。
它是 一个 积极的 阶段 的 数据 收藏 和 采样 计划 调整，
限制 计算， 或许 甚至 一些 统计 造型。
这 阶段 结束 什么时候 你 有 集 足够的 数据
到 决定 那 这 过程 是 稳定的。
然后 这 统计过程控制 系统 轮班 进入 阶段 二.
这 采样 计划 和 这 控制 限制 是 固定的
和 新的 数据 是 被评判 经过 这 固定的 限制。
有 许多 注意事项 为了 阶段 I 数据 收藏。
这 采样 计划， 包括 合理的 采样
和 合理的 子群划分， 这 样本 尺寸，
如何 很多 数据 做 你 需要 到 收集 到 使固定 那些 限制，
这 类型 的 数据 那 你是 收集，
这 类型 的 控制 图表 那 你 想 到 制作。
相当 比 说 关于 全部 这些 在 细节 这里，
I 将要 参考 你 到 我们的 出色的， 自由的， 在线的，
自定进度， 电子学习 课程 称为 统计 过程 控制。
它是 可用的 在 这 跳转 社区。
你会 经常 听到 那 控制 图表 限制 是 三- 西格玛 限制。
这 方法 那 我们 需要 到 估计
这 标准 偏差 的 这 过程 从 我们的 数据， 乘 经过 三，
和 然后 添加 和 减去 从 这 估计 的 这 意思是 的 这 过程。
什么时候 沃尔特·休哈特 发达 这 第一的 控制 图表 在 这 20世纪20年代，
他 意识到 那， 喜欢 其他 统计 程序，
他 需要 到 测试 为了 信号 使用 这 噪音。
他 需要 到 比较 这 之间 子群 变化
使用 这 之内 子群 变化。
这 引领 他 直接地 到 X 酒吧- R 图表，
在哪里 这 平均的 的 这 之内 子群 范围
是 用过的 作为 一个 估计 的 西格玛。
具体来说， 它 引领 他 离开 从 这 幼稚的 思维
那 我们 应该 使用 X 酒吧 加 或者 减 三 次 这 样本 标准 偏差。
不 估计 西格玛 使用 为 控制 图表。
让 我 说 那 再次。
不 估计 西格玛 使用 这 样本 标准 偏差。
哦， 和 这里 它 是 在 红色的。
不 使用 这 样本 标准 偏差 到 估计 西格玛。
为什么 不是？
这 目的 的 控制 图表 是 到 探测 a 信号 从 你的 过程，
探测 a 改变 在 这 过程 分配。
使用 这 样本 标准 偏差
聚合体 全部 这 数据， 包括 a 潜在的 信号，
和 这 将要 膨胀 这 估计 的 西格玛 和 你 将要 错过 信號。
那 需要 我们 后退 到 这 开始。
如果 这 目的 是 到 探测 信号，
为什么 会 你 制作 a 图表 那 使 你 错过 信号？
只是 不 做 它。
但 这 默认 方法
为了 估计 西格玛 在 JMP的 莱维-詹宁斯 控制 图表
是 到 使用 这 样本 标准 偏差。
这 莱维-詹宁斯 图表 曾是 发达 为了 a 非常 具体的 情况
在 临床 化学，
一 在哪里 一个 分析 方法 是 已验证 使用 a 量规 学习
和 因素 那 是 相关的 到 那 过程。
这 数据 是 集 根据 到 a 指定的 实验 设计。
这里 是 一些 可能的 随机的 和 固定的 因素 在 这 实验。
这 方差 成分 为了 这 随机的 因素
是 计算 使用 a 统计 模型。
然后 这 全部的 变异性 是 计算 从 这 方差 成分
和 用过的 作为 这 估计 的 西格玛 为了 这 莱维-詹宁斯 控制 图表。
这 图表 有 a 具体的 目的 在 临床 化学。
它 能 是 用过的 每当 你 有 一个 外部的 估计 的 西格玛。
如何 做过 我们 得到 这里 在哪里 这些 图表 是 存在 用过的 为了 情况
在 行业 其他 比 这 一 I 只是 描述？
这 历史 的 统计过程控制 开始 关于 100 年 前
什么时候 沃尔特·休哈特 发达 这 第一的 控制 图表。
他 想象 出去 到 使用 这 之内 或者 这 短期 变化
使用 子群 和 多种的 项目。
但 他 不能 数字 出去 如何 到 估计
短期 变化 为了 子群 的 尺寸 1.
那里 是 不 之内。
在 1950年， 莱维 和 詹宁斯 已发布 他们的 纸，
和 他们 做过 不是 使用 到 估计 西格玛。
他们的 纸 介绍 控制 图表 到 临床 化学
和 使用 Shewhart 的 Xbar- R 控制图 和 二 重复， 所以 子群 尺寸 2.
现在， 只是 后 那， 在 这 早期的 20世纪50年代，
蒂皮特 发现 那 你 能 使用
这 平均的 移动 范围 的 个人 价值观
作为 a 短期 估计 的 西格玛。
它是 不是 完美 a 之内 估计量， 但 它是 短期 足够的
那 你是 不是 聚合 超过 全部 这 数据。
非常 迅速地， 美国材料与试验协会 和 西 电的 已发布 图书
和 标准 使用 蒂皮特 X- 先生 图表。
但 临床 化学 没有 听到 关于 这些 图表。
在 1952年， 亨利 和 谢加洛夫 已发布 a 纸 使用 s
到 估计 西格玛 使用 子群 的 尺寸 1.
大学教师 惠勒 表示 那
XM-R 图表 是 不是 用过的 非常 经常 直到 关于 1980年。
他 介绍 他们 到 戴明，
和 惠勒 和 戴明 教 数千 的 客户 和 普及 这 XM-R 图表。
它是 真的 有趣的 到 我 那 他们 不是 受欢迎的 后退 然后
因为 在 我的 经验， 哪个 开始 在 这 早期的 90年代，
图表 为了 子群 的 尺寸 1 是 很多 更多的 受欢迎的 比 横杆 图表 是。
全部 正确的， 只是 作为 这 XM-R 图表 是 获得 受欢迎程度 在 制造业，
詹姆斯 韦斯特加德 已发布 他的 韦斯特加德 规则，
和 写道 他的 受欢迎的 书， 基本的 质量控制 实践 为了 临床 化学。
他 调用 这 控制 图表， 莱维-詹宁斯。
他们 是 额外 到 跳转 在 版本 5 在 2003 经过 顾客 要求。
现在， 曾经 自从 约旦 和 拜伦 和 I 有 到过 在职的 在 跳转，
我们已经 见过 示例 从 全部 行业
的 这 使用 的 这 默认 莱维-詹宁斯 图表。
但 现在 你 知道 更好的， 和 你 将要 绝不 使用
这 样本 标准 偏差
到 估计 西格玛 为了 控制 图表 曾经 再次， 正确的？
好的，我 去 到 转动 它 超过 到 约旦，
和 地狱 展示 你 在 跳转 这 问题 和 滥用 这些 图表。
谢谢， 从。
我们 创建 a 模拟 在 跳转 到 展示 如何
这 莱维-詹宁斯 图表， 什么时候 状况， 将要 确实 带领 到 错过 信號。
你 能 下载 这。
它是 a 跳转 插件 那是 已保存 在 这 跳转 社区
和 这 其他 推介会 材料。
这里 我们 展示 二 控制 图表 在 这 相同的 数据 放。
这是 这 个人 图表 在 顶部，
和 这 莱维-詹宁斯 图表 在 这 底部。
只是 a 简短的 笔记， 这 个人的 图表
是 通常 显示 和 这 移动 范围 图表 下 它。
是 省略 那 为了 视觉的 简单 这里。
患病的 还 提到 那 这 莱维-詹宁斯 图表
是 绘制 在 这 方式 是 警告 反对。
那 是， 这些 是 不是 历史 限制，
这些 是 限制 计算 从 这 数据 在 这 图表 本身。
这 三十 数据 点 那 我们 是 绘图 这里
是 绘制 随机 从 a 标准 普通的 分配。
那 是， 这 意思是 是 零， 标准 偏差 是 一。
每当 I 点击 这 新的 数据 按钮 超过 这里，
出色地 得到 a 新的 随机的 样本。
因为 我们 知道 这 真的 人口 参数，
我们 能 告诉 如何 准确 这些 图表 履行。
这 真的 人口 西格玛 是 一， 和 是 去 到 希望
那 这 西格玛 估计 从 这 二 图表 是 关闭 到 那。
这 数据 是 稳定的， 它是 从 a 普通的 分配。
每当 我们 看 a 观点 外部 这 控制 限制，
它是 a 错误的 积极的 这里。
在 a 模拟 的 5,000 数据 套，
这 个人的 图表 有 a 错误的 积极的 关于 7% 的 这 时间，
尽管 这 莱维-詹宁斯 有 一 关于 3.5 % 的 这 次。
这 小的 不同之处，
出色地， 它是 双倍的， 但 这 不同之处 在 这 错误的 积极的 利率，
我们 思考 是 一 的 这 原因 那 乡亲们 有 照料 到 更喜欢
这 莱维-詹宁斯 到 这 个人的 图表 有时。
但 这是 这 问题。
什么 发生 什么时候 我们 有 一些 信号 在 这 数据？
是 去 到 讲话 和 a 夫妻 的 不同的 种类 的 信號。
让我们 开始 和 a 转移。
A 转移 是 一个 突然 改变 在 这 意思是 的 这 过程。
让我们 开始 经过 寻找 在 a 转移 的 三 标准 偏差，
和 我是 去 到 打 这 新的 数据 a 夫妻 的 次。
记住， 这 目的 的 a 控制 图表
是 到 区分 这 信号 从 这 噪音 和 到 探测 信號。
作为 这 信号 获取 更大， 我们 应该 是 更多的 可能 到 探测 它，
和 这 西格玛 估计 应该 保持 关闭 到 这 真的 价值 的 一。
这 个人的 图表 做 确切地 什么 我们 预计。
它 通常 检测 这 转移，
和 这 西格玛 估计 为了 这 个人 图表 停留 关闭 到 一。
这 莱维·詹宁斯， 不是 所以 很多。
它 混淆 这 信号 和 这 噪音。
这 西格玛 估计 是 充气， 和 信号 一般来说 不能 是 检测到。
如何 大的 做 这 转移 有 到 是
前 这 莱维-詹宁斯 图表 是 去 到 探测 它？
出色地， 我是 只是 开玩笑的。
它是 a 诡计 问题。
这 莱维-詹宁斯 图表 是 绝不 去 到 探测 a 转移 在 这 设想。
I 能 杰克 它 向上 到 50 标准 偏差，
和 这 更大 这 转移 那 我们 诱导，
这 更多的 那 西格玛 估计 是 充气 和 将要 绝不 探测 a 转移。
让我们 看， 我们 做过 一些 模拟 工作
到 展示 这 差异 之间 这 表现
的 这 个人的 图表 那是 在 红色的 和 这 莱维-詹宁斯 图表 在 蓝色的。
是 寻找 在 a 转移 那 发生
后 这 第二十 数据 观点 在 这 系列 的 三十 数据 點。
那是 什么 是 寻找 在 在 这 演示 I 只是 显示。
在 那 情况， a 转移 后 这 第二十 数据 观点，
你 能 看 这 表现 的 两个都 的 这些 图表
作为 这 转移 获取 更大。
个人 图表 做 确切地 什么 我们 希望 它 会 做。
作为 这 转移 变成 更大，
它是 更轻松 到 探测 可能性 的 拥有 一个 警报 是 更大。
这 莱维-詹宁斯 执行 可怕 作为 你 锯，
和 矛盾的是， 作为 这 转移 获取 更大，
这 可能性 的 检测 它 方法 零。
让我们 拿 a 看 在 那 这里 在 这 演示。
我们 能 改变 这 转移 地点， 正确的？
这 转移 曾是 后 这 第二十 数据 观点。
但 你会 看 那 作为 这 转移 方法 这 结尾 的 这 系列，
和 出色地 放 它 在 29， 这 最后的 数据 观点 这里。
什么时候 这 转移 发生 在 这 最后的 数据 观点，
两个都 的 这 图表 履行 相似地。
在 其他 字， 如果 你 是 跑步 你的 莱维-詹宁斯 图表
后 每一个 额外的 数据 观点， 你会 大概 探测 最多 信號。
和 这 是 到 是 预期的。
如果 这 转移 发生 之后， 有 较少的 机会 为了 那 信号
到 污染 这 噪音 估计，
和 这 西格玛 估计 是 去 到 是 准确的。
这是 什么 那 看起来 喜欢 在 这 模拟。
作为 那 转移 获取 之后 和 之后 在 这 系列，
这 表现 的 这 莱维-詹宁斯 图表 在 蓝色的，
方法 这 表现 的 这 个人的 图表。
那是 这 故事 和 转变。
它是 甚至 更多的 令人震惊 和 漂移。
我是 去 到 减少 这 转移 尺寸 到 零。
作为 我们 介绍 漂移 进入 这 数据，
漂移 是 a 渐进的 线性 趋势
作为 这 意思是 的 这 过程 动作 向上 在 a 持续的 方式。
那是 漂移。
不 事情 如何 大的 这 漂移 那 I 诱导 这里，
它 将要 绝不 是 检测到 经过 这 莱维-詹宁斯 图表。
只是 不能 是 检测到。
好的。
N 扩展 让我们 考虑 a 分批 过程。
这里， 是 去 到 模拟
批次 和 尺寸 六， 五 批次 这里 在 这 数据。
一些 乡亲们 使用 这 莱维-詹宁斯 图表
作为 a 方式 到 避免 拥有 一个 警报 那是 到期的 到 预期的 批 变化。
出色地， 它是 简单的 到 看 这 问题 和 这 方法。
什么时候 我们 覆盖 a 转移 或者 a 漂移 在 顶部 的 那 批 影响，
这 莱维-詹宁斯 图表 是 仍然 绝不 去 到 探测 它。
患病的 添加 a 转移 也。
是的， 这 莱维-詹宁斯 图表 是 不敏感， 也 不敏感，
和 这 个人的 图表 是 也 敏感的。
两者都不 的 这 图表 是 真的 伟大的 为了 这 情况。
从 是 去 到 讲话 关于 这 在 a 很少 时刻。
前 I 转动 它 后退 到 从，
让 我 展示 你 什么
a 莱维-詹宁斯 图表 完毕 正确的 看起来 喜欢。
这 是 a 演示 那 曾是 生成 经过 我的 同事， 拜伦，
使用 数据 那 来 从 这 向西 路 网站，
和 让我们 只是 讲话 关于 或许 这 顶部 图表 这里。
是 显示 a 图表 基于 在 a 数据 系列。
我们 有 二十八 数据 點。
这 意思是 是 198.75 在 这 样本。
这 标准 偏差 是 5.9 在 这 样本。
这 观点 是， 我们 是 在 阶段 二、
和 作为 这样的， 我们 有 放 这 控制 限制
使用 a 历史 估计 的 西格玛。
这 保护 我们 反对 全部 的 这 问题 那 我们 是 只是 讨论。
它是 a 稳定的 估计 的 西格玛，
和 它 将要 不是 是 污染 经过 任何 潜在的 信号 在 这 数据 放。
好的， 那 是 全部 I 有。
从， 后退 到 你。
全部 正确的。
感谢 你， 约旦， 为了 那 令人震惊 演示。
什么时候 约旦 和 I 和 拜伦
想法 那 它 曾是 时间 那 某人 给了 这 讲话，
我们 问 我们的 跳转 朋友们 如果 他们 是 看到 什么 我们 是 看到
从 说 和 顾客，
和 那 是， 误用 的 莱维-詹宁斯 图表。
什么 我们 成立 曾是 那 这些 图表
是 通常 用过的 为了 具体的 情況。
这 第一的 一 是 什么 约旦 曾是 说 关于， 那 批 加工。
它是 称为 短的- 跑步 统计过程控制（SPC）， 在哪里 你 可能 有 批次
那 改变 频繁地， 和 每个 批 有 a 新的 意思是，
或许 甚至 a 新的 标准 偏差。
使用 这 样本 标准 偏差
到 估计 西格玛 将要 包含 批 轮班
作为 出色地 作为 之内- 批 噪音。
喜欢 你 锯， 你 惯于 是 有能力的 到 探测 轮班 之内 a 批 非常 容易地。
反而， 你 能 使用 a 图表 那 情节
这 不同之处 或者 这 标准化 不同之处
从 这 批 目标 或者 这 批 意思是。
这 第二 情况 是 自相关的 流程，
和 这 是 在哪里 观察 采取 关闭 一起
是 更多的 相似的 比 观察 采取 更远 分开 在 时间。
这 行为 是 经常 见过 什么时候 测量 是 采取 非常 频繁地
在 a 连续的 过程。
使用 这 样本 标准 偏差，
再次， 包括 两个都 噪音 和 已知 过程 漂移
到期的 到 这 汽车 相关性 在 这 估计 的 西格玛。
那里 是 a 很少 方法 到 交易 和 自相关的 数据，
包括 减少 这 采样 频率 如果 你 能，
或者 使用 a 不同的 类型 的 图表 如果 你 不能。
图表 喜欢 累积和 和 加权移动平均法 能 是 适应 为了 自相关，
或者 你 可以 尝试 到 模型 这 自相关
和 然后 使用 控制 图表 在 这 残差 从 这 模型。
这 残差 还 包含 信息
关于 过程 轮班， 和 他们 应该 是 不相关。
F 最后， 我们已经 听到 a 很多 的 人们 说 那 使用 这 样本 标准 偏差
是 有用 因为 它 给出 宽的 限制 那 是 有能力的 到 探测 巨大的 轮班，
但 不是 也 宽的 到 探测 小的 和 缓和 转变。
在 那 案件， 我们 推荐 那 你 只是 制作 向上 一些 限制
和 不 广告 那 你是 使用 控制 图表
因为 控制 图表 不 曾经 使用
这 样本 标准 偏差 到 估计 西格玛。
记住 那 西方 加尔德的 精彩的 书
是 称为 基本的 质量控制 实践 , 不是 基本的 统计过程控制 实践。
费曼的 精彩的 引用 是 适用的 这里。
我们 还 听到 一些 参数 关于 莱维-詹宁斯 图表。
他们 是 更多的 宽容 比 休哈特 图表。
的 课程， 他们 是。
I 喜欢 这 一。
这 范围 图表 是 优化 为了 手 计算，
和 我们已经 得到 电脑。
为什么 不是 我们 计算 标准 偏差？
作为 我们已经 看到， 它是 不是 范围 相对 标准 偏差，
它是 哪个 标准 偏差？
你 应该 总是 选择 之内 变异性
什么时候 你 计算 三西格玛 限制。
总计的 超过 噪音， 不是 信号 或者 潜在的 信号。
为什么 使用 一个 估计 的 西格玛 什么时候 我们 能 只是 计算 西格玛？
哦， 这 一 伤人 我。 这 来 从 a 术语 问题。
我们 可能 说 三- 西格玛 限制，
但 我们 不 知道 西格玛 和 我们 有 到 估计 西格玛 从 数据。
这 是 这 方式。
I 遗传 这 系统， 和 我的 老板 说 I 有 到 做 它 这 方式。
出色地， 能 你 寻找 a 新的 老板？
真的吗， 这 是 我的 奥普拉 片刻。
玛雅 安杰卢 说，
“在 这 过去的， 你 做过 这 最好的 和 什么 你 有，
和 现在 那 你 知道 更好的， 你 将要 做 更好的。”
I 希望 那 你 能 教育 其他的 到 做 更好的 作为 出色地。
感谢 你 为了 聆听。
我已经 得到 一些 参考 为了 你 这里 在 这 结尾 的 这 推介会。
我们会 喜欢 到 离开 你 和 二 的想法。
第一的， 不 使用 这 莱维-詹宁斯 图表
作为 他们 有 到过 定义 在 这 现代的 世界。
这 目的 的 a 控制 图表 是 到 探测 过程 变化，
和 那些 变化 是 成立 经过 比较 信号 到 噪音。
使用 的 这 样本 标准 偏差
到 估计 西格玛 膨胀 那 噪音 和 它 将要 朦胧 任何 信號。
这 第二 想法 是 那 什么时候 你 是 在 阶段 我， 使用 XM-R 图表，
个人 移动 范围 图表 反而 的 莱维-詹宁斯。
什么时候 你 移动 到 阶段 二
为了 正在进行 过程 控制， 使固定 那些 限制。
A 符号 的 a 稳定的 过程
是 那 这 西格玛 估计 从 使用 这 平均的 移动 范围
是 相似的 到 这 西格玛 估计 从 莱维-詹宁斯。
