你好，
每個人，
我的
姓名
是
從
邁克爾遜。
我是 一個 講師 在 這 跳轉 教育 團體。
我的 合著者 為了 這 推介會 是 約旦 希勒 和 拜倫 葡萄園，
世界衛生組織 是 兩個都 跳轉 系統 工程師。
是 這裡 今天 到 警告 你
的 這 危險 在 使用 JMP的 萊維- 詹寧斯 控制 圖表。
我們 通緝 到 展示 在 發現 因為 我們 相信 萊維-詹寧斯 圖表
是 存在 狀況， 導致 在 錯過 信號。
今天， 患病的 開始 和 a 快的 控制 圖表 審查
關注 經過 a 快的 歷史，
和 那 將要 帶領 進入 如何 我們已經 見過 萊維-詹寧斯 圖表 存在 誤用。
出色地 結論 和 一些 建議
為了 使用 的 這些 圖表 和 一些 最終的 的想法。
現在， 每一個 品質 系統 有 a 位元 的 過程 控制 在 它。
這些 是 這 二甲基異氰酸酯 步驟 從 六 西格瑪，
但 你 可能 是 使用 品質從設計 或者 其他 品質 系統。
控制 圖表 是 用過的 在 這 結尾 的 一個 改進 過程
什麼時候 你已經 放 這 過程 在 目標 和 最小化 這 多變性。
這 過程 是 現在 穩定的，
哪個 方法 這 可能性 分配 是 不是 改變 超過 時間。
現在 它是 時間 到 監視器 那 過程 變異性
到 核實 那 這 分配 停留 這 相同的
和 是 不是 改變 在 這 未來。
什麼 是 a 控制 圖表？
A 控制 圖表 是 簡單地 a 跑步 圖表 的 這 數據
和 這 添加 的 控制 限制。
這 中心 線 是 基於 在 這 歷史 意思是 的 這 過程，
和 這 寬度 的 這 控制 限制
是 基於 在 這 歷史 變化 的 這 過程。
如果 這 過程 分配 做 改變，
觀察 將要 最終 落下 外部 的 這 控制 限制，
訊號 到 這 過程 擁有者 到 拿 行動 到 分配 a 原因
到 這 失控 觀點 和 恢復 這 過程 到 a 狀態 的 控制。
許多 類型 的 控制 圖表 有 到過 發達 為了 不同的 情況。
XM-R 圖表 或者 個人 和 移動 範圍 圖表
為了 數據 集 一 觀點 在 a 時間。
Xbar-R 或者 Xbar-S 圖表 為了 總結 數據
集 多種的 點 在 a 時間。
累積和 或者 加權移動平均法 控制 圖表 到 探測 小的 輪班，
和 甚至 m 模型驅動的多元控製圖
到 控制 多種的 相關 變數 在 一 圖表。
到 尋找 那些 全部 重要的 控制 限制，
你 有 到 回答 這 問題，
如何 做 你 估計 這 歷史 過程 分配？
第一的， 你 有 到 決定 如果 這 過程 是 穩定的 足夠的
為了 控制 圖表。
或者 做 它 需要 積極的 過程 改進？
這 是 稱為 階段 我。
它是 一個 積極的 階段 的 數據 收藏 和 取樣 計劃 調整，
限制 計算， 或許 甚至 一些 統計 造型。
這 階段 結束 什麼時候 你 有 集 足夠的 數據
到 決定 那 這 過程 是 穩定的。
然後 這 統計過程控制 系統 輪班 進入 階段 二.
這 取樣 計劃 和 這 控制 限制 是 固定的
和 新的 數據 是 被評斷 經過 這 固定的 限制。
有 許多 注意事項 為了 階段 I 數據 收藏。
這 取樣 計劃， 包括 合理的 取樣
和 合理的 子群劃分， 這 樣本 尺寸，
如何 很多 數據 做 你 需要 到 收集 到 使固定 那些 限制，
這 類型 的 數據 那 你是 收集，
這 類型 的 控制 圖表 那 你 想 到 製作。
相當 比 說 關於 全部 這些 在 細節 這裡，
I 將要 參考 你 到 我們的 出色的， 自由的， 在線的，
自訂進度， 電子學習 課程 稱為 統計 過程 控制。
它是 可用的 在 這 跳轉 社區。
你會 常 聽到 那 控制 圖表 限制 是 三- 西格瑪 限制。
這 方法 那 我們 需要 到 估計
這 標準 偏差 的 這 過程 從 我們的 數據， 乘 經過 三，
和 然後 添加 和 減去 從 這 估計 的 這 意思是 的 這 過程。
什麼時候 沃爾特·休哈特 發達 這 第一的 控制 圖表 在 這 20世紀20年代，
他 意識到 那， 喜歡 其他 統計 程式,
他 需要 到 測試 為了 訊號 使用 這 噪音。
他 需要 到 比較 這 之間 子群 變化
使用 這 之內 子群 變化。
這 引領 他 直接地 到 X 酒吧- R 圖表，
在哪裡 這 平均的 的 這 之內 子群 範圍
是 用過的 作為 一個 估計 的 西格瑪。
具體來說， 它 引領 他 離開 從 這 幼稚的 思維
那 我們 應該 使用 X 酒吧 加 或者 減 三 次 這 樣本 標準 偏差。
不 估計 西格瑪 使用 為 控制 圖表。
讓 我 說 那 再次。
不 估計 西格瑪 使用 這 樣本 標準 偏差。
哦， 和 這裡 它 是 在 紅色的。
不 使用 這 樣本 標準 偏差 到 估計 西格瑪。
為什麼 不是？
這 目的 的 控制 圖表 是 到 探測 a 訊號 從 你的 過程，
探測 a 改變 在 這 過程 分配。
使用 這 樣本 標準 偏差
聚合體 全部 這 數據， 包括 a 潛在的 訊號,
和 這 將要 膨脹 這 估計 的 西格瑪 和 你 將要 錯過 信號。
那 需要 我們 後退 到 這 開始。
如果 這 目的 是 到 探測 訊號,
為什麼 會 你 製作 a 圖表 那 使 你 錯過 訊號?
只是 不 做 它。
但 這 預設 方法
為了 估計 西格瑪 在 JMP的 萊維-詹寧斯 控制 圖表
是 到 使用 這 樣本 標準 偏差。
這 萊維-詹寧斯 圖表 曾是 發達 為了 a 非常 具體的 情況
在 臨床 化學，
一 在哪裡 一個 分析 方法 是 已驗證 使用 a 量規 學習
和 因素 那 是 相關的 到 那 過程。
這 數據 是 集 根據 到 a 指定的 實驗 設計。
這裡 是 一些 可能的 隨機的 和 固定的 因素 在 這 實驗。
這 變異數 成分 為了 這 隨機的 因素
是 計算 使用 a 統計 模型。
然後 這 全部的 變異性 是 計算 從 這 變異數 成分
和 用過的 作為 這 估計 的 西格瑪 為了 這 萊維-詹寧斯 控制 圖表。
這 圖表 有 a 具體的 目的 在 臨床 化學。
它 能 是 用過的 每當 你 有 一個 外部的 估計 的 西格瑪。
如何 做過 我們 得到 這裡 在哪裡 這些 圖表 是 存在 用過的 為了 情況
在 產業 其他 比 這 一 I 只是 描述？
這 歷史 的 統計過程控制 開始 關於 100 年 前
什麼時候 沃爾特·休哈特 發達 這 第一的 控制 圖表。
他 想像 出去 到 使用 這 之內 或者 這 短期 變化
使用 子群 和 多種的 專案.
但 他 不能 數位 出去 如何 到 估計
短期 變化 為了 子群 的 尺寸 1.
那裡 是 不 之內。
在 1950年， 萊維 和 詹寧斯 已發布 他們的 紙，
和 他們 做過 不是 使用 到 估計 西格瑪。
他們的 紙 介紹 控制 圖表 到 臨床 化學
和 使用 Shewhart 的 Xbar- R 控製圖 和 二 重複， 所以 子群 尺寸 2.
現在， 只是 後 那， 在 這 早期的 1950年代，
蒂皮特 發現 那 你 能 使用
這 平均的 移動 範圍 的 個人 價值觀
作為 a 短期 估計 的 西格瑪。
它是 不是 完美 a 之內 估計量， 但 它是 短期 足夠的
那 你是 不是 聚合 超過 全部 這 數據。
非常 迅速地， 美國材料與試驗協會 和 西 電的 已發布 圖書
和 標準 使用 蒂皮特 X- 先生 圖表。
但 臨床 化學 沒有 聽到 關於 這些 圖表。
在 1952年， 亨利 和 謝加洛夫 已發布 a 紙 使用 s
到 估計 西格瑪 使用 子群 的 尺寸 1.
大學教師 惠勒 表示 那
XM-R 圖表 是 不是 用過的 非常 常 直到 關於 1980年。
他 介紹 他們 到 戴明，
和 惠勒 和 戴明 教 數千 的 客戶 和 普及 這 XM-R 圖表。
它是 真的 有趣的 到 我 那 他們 不是 受歡迎的 後退 然後
因為 在 我的 經驗， 哪個 開始 在 這 早期的 90年代，
圖表 為了 子群 的 尺寸 1 是 很多 更多的 受歡迎的 比 橫桿 圖表 是。
全部 正確的， 只是 作為 這 XM-R 圖表 是 獲得 受歡迎程度 在 製造業，
詹姆斯 韋斯特加德 已發布 他的 韋斯特加德 規則，
和 寫道 他的 受歡迎的 書， 基本的 品質管制 實踐 為了 臨床 化學。
他 呼叫 這 控制 圖表， 萊維-詹寧斯。
他們 是 額外 到 跳轉 在 版本 5 在 2003 經過 顧客 要求。
現在， 曾經 自從 約旦 和 拜倫 和 I 有 到過 在職的 在 跳轉，
我們已經 見過 範例 從 全部 產業
的 這 使用 的 這 預設 萊維-詹寧斯 圖表。
但 現在 你 知道 更好的， 和 你 將要 絕不 使用
這 樣本 標準 偏差
到 估計 西格瑪 為了 控制 圖表 曾經 再次， 正確的？
好的，我 去 到 轉動 它 超過 到 約旦，
和 地獄 展示 你 在 跳轉 這 問題 和 濫用 這些 圖表。
謝謝， 從。
我們 創建 a 模擬 在 跳轉 到 展示 如何
這 萊維-詹寧斯 圖表， 什麼時候 狀況， 將要 確實 帶領 到 錯過 信號。
你 能 下載 這。
它是 a 跳轉 外掛 那是 已儲存 在 這 跳轉C 社群
和 這 其他 推介會 材料。
這裡 我們 展示 二 控制 圖表 在 這 相同的 數據 放。
這是 這 個人 圖表 在 頂部，
和 這 萊維-詹寧斯 圖表 在 這 底部。
只是 a 簡短的 筆記， 這 個人的 圖表
是 通常 顯示 和 這 移動 範圍 圖表 下 它。
是 省略 那 為了 視覺的 簡單 這裡。
患病的 也 提到 那 這 萊維-詹寧斯 圖表
是 繪製 在 這 方式 是 警告 反對。
那 是， 這些 是 不是 歷史 限制，
這些 是 限制 計算 從 這 數據 在 這 圖表 本身。
這 三十 數據 點 那 我們 是 繪圖 這裡
是 繪製 隨機 從 a 標準 普通的 分配。
那 是， 這 意思是 是 零， 標準 偏差 是 一。
每當 I 點選 這 新的 數據 按鈕 超過 這裡，
出色地 得到 a 新的 隨機的 樣本。
因為 我們 知道 這 真的 人口 參數，
我們 能 告訴 如何 準確 這些 圖表 履行。
這 真的 人口 西格瑪 是 一， 和 是 去 到 希望
那 這 西格瑪 估計 從 這 二 圖表 是 關閉 到 那。
這 數據 是 穩定的， 它是 從 a 普通的 分配。
每當 我們 看 a 觀點 外部 這 控制 限制，
它是 a 錯誤的 積極的 這裡。
在 a 模擬 的 5,000 數據 套，
這 個人的 圖表 有 a 錯誤的 積極的 關於 7% 的 這 時間，
儘管 這 萊維-詹寧斯 有 一 關於 3.5 % 的 這 次。
這 小的 不同之處，
出色地， 它是 雙倍的， 但 這 不同之處 在 這 錯誤的 積極的 利率，
我們 思考 是 一 的 這 原因 那 鄉親們 有 照料 到 更喜歡
這 萊維-詹寧斯 到 這 個人的 圖表 有時。
但 這是 這 問題。
什麼 發生 什麼時候 我們 有 一些 訊號 在 這 數據？
是 去 到 演講 和 a 夫妻 的 不同的 種類 的 信號。
讓我們 開始 和 a 轉移。
A 轉移 是 一個 突然 改變 在 這 意思是 的 這 過程。
讓我們 開始 經過 尋找 在 a 轉移 的 三 標準 偏差，
和 我是 去 到 打 這 新的 數據 a 夫妻 的 次。
記住， 這 目的 的 a 控制 圖表
是 到 區分 這 訊號 從 這 噪音 和 到 探測 信號。
作為 這 訊號 獲取 更大， 我們 應該 是 更多的 可能 到 探測 它，
和 這 西格瑪 估計 應該 保持 關閉 到 這 真的 價值 的 一。
這 個人的 圖表 做 確切地 什麼 我們 預計。
它 通常 偵測 這 轉移，
和 這 西格瑪 估計 為了 這 個人 圖表 停留 關閉 到 一。
這 萊維·詹寧斯， 不是 所以 很多。
它 混淆 這 訊號 和 這 噪音。
這 西格瑪 估計 是 充氣， 和 訊號 一般來說 不能 是 檢測到。
如何 大的 做 這 轉移 有 到 是
前 這 萊維-詹寧斯 圖表 是 去 到 探測 它？
出色地， 我是 只是 開玩笑的。
它是 a 詭計 問題。
這 萊維-詹寧斯 圖表 是 絕不 去 到 探測 a 轉移 在 這 設想。
I 能 傑克 它 向上 到 50 標準 偏差，
和 這 更大 這 轉移 那 我們 誘導，
這 更多的 那 西格瑪 估計 是 充氣 和 將要 絕不 探測 a 轉移。
讓我們 看， 我們 做過 一些 模擬 工作
到 展示 這 差異 之間 這 表現
的 這 個人的 圖表 那是 在 紅色的 和 這 萊維-詹寧斯 圖表 在 藍色的。
是 尋找 在 a 轉移 那 發生
後 這 第二十 數據 觀點 在 這 系列 的 三十 數據 點。
那是 什麼 是 尋找 在 在 這 示範 I 只是 顯示。
在 那 情況， a 轉移 後 這 第二十 數據 觀點，
你 能 看 這 表現 的 兩個都 的 這些 圖表
作為 這 轉移 獲取 更大。
個人 圖表 做 確切地 什麼 我們 希望 它 會 做。
作為 這 轉移 變成 更大，
它是 更輕鬆 到 探測 可能性 的 擁有 一個 警報 是 更大。
這 萊維-詹寧斯 執行 可怕 作為 你 鋸，
和 矛盾的是， 作為 這 轉移 獲取 更大，
這 可能性 的 偵測 它 方法 零。
讓我們 拿 a 看 在 那 這裡 在 這 演示。
我們 能 改變 這 轉移 地點， 正確的？
這 轉移 曾是 後 這 第二十 數據 觀點。
但 你會 看 那 作為 這 轉移 方法 這 結尾 的 這 系列，
和 出色地 放 它 在 29， 這 最後的 數據 觀點 這裡。
什麼時候 這 轉移 發生 在 這 最後的 數據 觀點，
兩個都 的 這 圖表 執行 相似地。
在 其他 字， 如果 你 是 跑步 你的 萊維-詹寧斯 圖表
後 每一個 額外的 數據 觀點， 你會 大概 探測 最多 信號。
和 這 是 到 是 預期的。
如果 這 轉移 發生 之後， 有 較少的 機會 為了 那 訊號
到 污染 這 噪音 估計，
和 這 西格瑪 估計 是 去 到 是 準確的。
這是 什麼 那 看起來 喜歡 在 這 模擬。
作為 那 轉移 獲取 之後 和 之後 在 這 系列，
這 表現 的 這 萊維-詹寧斯 圖表 在 藍色的，
方法 這 表現 的 這 個人的 圖表。
那是 這 故事 和 轉變。
它是 甚至 更多的 令人震驚 和 漂移。
我是 去 到 減少 這 轉移 尺寸 到 零。
作為 我們 介紹 漂移 進入 這 數據，
漂移 是 a 漸進的 線性 趨勢
作為 這 意思是 的 這 過程 動作 向上 在 a 持續的 方式。
那是 漂移。
不 事 如何 大的 這 漂移 那 I 誘導 這裡，
它 將要 絕不 是 檢測到 經過 這 萊維-詹寧斯 圖表。
只是 不能 是 檢測到。
好的。
N 擴充 讓我們 考慮 a 分批 過程。
這裡， 是 去 到 模擬
批次 和 尺寸 六， 五 批次 這裡 在 這 數據。
一些 鄉親們 使用 這 萊維-詹寧斯 圖表
作為 a 方式 到 避免 擁有 一個 警報 那是 到期的 到 預期的 批次 變化。
出色地， 它是 簡單的 到 看 這 問題 和 這 方法。
什麼時候 我們 覆蓋 a 轉移 或者 a 漂移 在 頂部 的 那 批次 影響，
這 萊維-詹寧斯 圖表 是 仍然 絕不 去 到 探測 它。
患病的 添加 a 轉移 也。
是的， 這 萊維-詹寧斯 圖表 是 不敏感， 也 不敏感，
和 這 個人的 圖表 是 也 敏感的。
兩者都不 的 這 圖表 是 真的 偉大的 為了 這 情況。
從 是 去 到 演講 關於 這 在 a 很少 時刻。
前 I 轉動 它 後退 到 從，
讓 我 展示 你 什麼
a 萊維-詹寧斯 圖表 完畢 正確的 看起來 喜歡。
這 是 a 示範 那 曾是 產生 經過 我的 同事， 拜倫，
使用 數據 那 來 從 這 向西 路 網站，
和 讓我們 只是 演講 關於 或許 這 頂部 圖表 這裡。
是 顯示 a 圖表 基於 在 a 數據 系列。
我們 有 二十八 數據 點。
這 意思是 是 198.75 在 這 樣本。
這 標準 偏差 是 5.9 在 這 樣本。
這 觀點 是， 我們 是 在 階段 二、
和 作為 這樣的， 我們 有 放 這 控制 限制
使用 a 歷史 估計 的 西格瑪。
這 保護 我們 反對 全部 的 這 問題 那 我們 是 只是 討論。
它是 a 穩定的 估計 的 西格瑪，
和 它 將要 不是 是 污染 經過 任何 潛在的 訊號 在 這 數據 放。
好的， 那 是 全部 I 有。
從， 後退 到 你。
全部 正確的。
感謝 你， 約旦， 為了 那 令人震驚 演示。
什麼時候 約旦 和 I 和 拜倫
想法 那 它 曾是 時間 那 某人 給了 這 講話，
我們 問 我們的 跳轉 朋友們 如果 他們 是 看到 什麼 我們 是 看到
從 說 和 顧客，
和 那 是， 誤用 的 萊維-詹寧斯 圖表。
什麼 我們 成立 曾是 那 這些 圖表
是 通常 用過的 為了 具體的 情況。
這 第一的 一 是 什麼 約旦 曾是 說 關於， 那 批次 加工。
它是 稱為 短的- 跑步 統計製程管制（SPC）， 在哪裡 你 可能 有 批次
那 改變 頻繁地， 和 每個 批次 有 a 新的 意思是，
或許 甚至 a 新的 標準 偏差。
使用 這 樣本 標準 偏差
到 估計 西格瑪 將要 包含 批次 輪班
作為 出色地 作為 之內- 批次 噪音。
喜歡 你 鋸， 你 慣於 是 有能力的 到 探測 輪班 之內 a 批次 非常 容易地。
反而， 你 能 使用 a 圖表 那 劇情
這 不同之處 或者 這 標準化 不同之處
從 這 批次 目標 或者 這 批次 意思是。
這 第二 情況 是 自相關的 流程，
和 這 是 在哪裡 觀察 採取 關閉 一起
是 更多的 相似的 比 觀察 採取 更遠 分開 在 時間。
這 行為 是 常 見過 什麼時候 測量 是 採取 非常 頻繁地
在 a 連續的 過程。
使用 這 樣本 標準 偏差，
再次， 包括 兩個都 噪音 和 已知 過程 漂移
到期的 到 這 汽車 相關性 在 這 估計 的 西格瑪。
那裡 是 a 很少 方法 到 交易 和 自相關的 數據，
包括 減少 這 取樣 頻率 如果 你 能，
或者 使用 a 不同的 類型 的 圖表 如果 你 不能。
圖表 喜歡 累積和 和 加權移動平均法 能 是 適應 為了 自相關，
或者 你 可以 嘗試 到 模型 這 自相關
和 然後 使用 控制 圖表 在 這 殘差 從 這 模型。
這 殘差 也 包含 資訊
關於 過程 輪班， 和 他們 應該 是 不相關。
F 最後， 我們已經 聽到 a 很多 的 人們 說 那 使用 這 樣本 標準 偏差
是 有用 因為 它 給出 寬的 限制 那 是 有能力的 到 探測 巨大的 輪班，
但 不是 也 寬的 到 探測 小的 和 緩和 轉變。
在 那 案件， 我們 推薦 那 你 只是 製作 向上 一些 限制
和 不 廣告 那 你是 使用 控制 圖表
因為 控制 圖表 不 曾經 使用
這 樣本 標準 偏差 到 估計 西格瑪。
記住 那 西方 加爾德的 精彩的 書
是 稱為 基本的 品質管制 實踐 , 不是 基本的 統計過程控制 實踐。
費曼的 精彩的 引用 是 適用的 這裡。
我們 也 聽到 一些 參數 關於 萊維-詹寧斯 圖表。
他們 是 更多的 寬容 比 休哈特 圖表。
的 課程， 他們 是。
I 喜歡 這 一。
這 範圍 圖表 是 最佳化 為了 手 計算，
和 我們已經 得到 電腦。
為什麼 不是 我們 計算 標準 偏差？
作為 我們已經 看到， 它是 不是 範圍 相對 標準 偏差，
它是 哪個 標準 偏差？
你 應該 總是 選擇 之內 變異性
什麼時候 你 計算 三西格瑪 限制。
總計的 超過 噪音， 不是 訊號 或者 潛在的 訊號.
為什麼 使用 一個 估計 的 西格瑪 什麼時候 我們 能 只是 計算 西格瑪？
哦， 這 一 傷人 我。 這 來 從 a 術語 問題。
我們 可能 說 三- 西格瑪 限制，
但 我們 不 知道 西格瑪 和 我們 有 到 估計 西格瑪 從 數據。
這 是 這 方式。
I 遺傳 這 系統， 和 我的 老闆 說 I 有 到 做 它 這 方式。
出色地， 能 你 尋找 a 新的 老闆？
真的嗎， 這 是 我的 歐普拉 片刻。
瑪雅 安傑盧 說，
「在 這 過去的， 你 做過 這 最好的 和 什麼 你 有，
和 現在 那 你 知道 更好的， 你 將要 做 更好的。 」
I 希望 那 你 能 教育 其他的 到 做 更好的 作為 出色地。
感謝 你 為了 聆聽。
我已經 得到 一些 參考 為了 你 這裡 在 這 結尾 的 這 推介會。
我們會 喜歡 到 離開 你 和 二 的想法。
第一的， 不 使用 這 萊維-詹寧斯 圖表
作為 他們 有 到過 定義 在 這 現代的 世界。
這 目的 的 a 控制 圖表 是 到 探測 過程 變化，
和 那些 變化 是 成立 經過 比較 訊號 到 噪音。
使用 的 這 樣本 標準 偏差
到 估計 西格瑪 膨脹 那 噪音 和 它 將要 朦朧 任何 信號。
這 第二 想法 是 那 什麼時候 你 是 在 階段 我， 使用 XM-R 圖表，
個人 移動 範圍 圖表 反而 的 萊維-詹寧斯。
什麼時候 你 移動 到 階段 二
為了 正在進行 過程 控制， 使固定 那些 限制。
A 符號 的 a 穩定的 過程
是 那 這 西格瑪 估計 從 使用 這 平均的 移動 範圍
是 相似的 到 這 西格瑪 估計 從 萊維-詹寧斯。
