當我們想到多年前開始一個新的軟件系統時，我們非常迷戀1973年發表的一篇文章美國統計學家由Frank Anscombe撰寫，名為“統計分析中的圖形”。正如您可以閱讀的那樣維基百科 ，Anscombe巧妙地設計了四組具有相同統計數據但實際上非常不同的數據。你無法單獨從統計數據中區分出來 - 您必須查看圖表才能看到它們。
第一個是通過斜線（通常）隨機散佈數據。第二個是完全適合拋物線（系統缺乏適應性）。除了一個異常值（離群點）之外，第三個是完美的線。第四個是擬合，其中除了一個（有影響的點）之外，所有數據都具有相同的X.這樣做的教訓是，您始終必須查看數據，查看數據圖表。如果你沒有查看圖表，你就不會知道這四個數據集有完全不同的情況需要考慮。
從那天起，我們制定了規則。對於我們所做的每一個統計擬合或測試，都必須有一個有意義的圖表。
圖表應該是自動的 - 你不應該要求它。圖表應顯示模式或異常值。圖表應該是交互式的 - 尤其是找到每個點的身份。因此，我們擁有已經存在了20多年的規則，為數百萬用戶提供圖表和統計數據。
這並不容易。在一些情況下，我們必鬚髮明新圖表來講述模型測試（槓桿圖），意味著比較（比較圈）或遞歸分區（分區圖）的故事。在其他情況下，這些圖已經被發明，但尚未流行，例如馬賽克圖和PCA雙圖。一般來說，我們已經成功地完成了這條規則，並且幾代用戶可以更好地了解它。
但現在我們必須重新考慮和限定規則。為什麼？大數據。 當你有數百，數千甚至數百萬的東西要看時，你無法看到每一個。你必須更快地使用某些東西。
假設您負責在工廠中保持流程順序，並且您有許多監控系統正在監視流程的許多方面。在此示例的JMP示例數據中打開半導體Capability.jmp。您有關於過程中128個傳感器變量的數據。每個變量都有規範限制，以指導您是否擔心過程的這一部分。因此，您可以在分發平台上對所有這些進行功能分析。以下是前15個分析，排列在一個大屏幕上。所有128個變量共有8頁輸出。
顯示器具有每個功能指數Cpk，非常詳細地說明，但是太多了。需要幾分鐘才能看到過程的哪個部分很好地處於規格限制的三個標準偏差內，哪些不是。此外，如果該過程能夠進行，許多這些情節都不值得關注。您只想查看需要擔心的變量。
您夢想您可以在一個圖表中看到所有功能並立即找到問題變量。
我們該怎麼做？您可以將所有Cpk值提取到表中，然後顯示該表的分佈，突出顯示1下的錯誤功能。您可以對Cpks進行排序以查看最差的。但所有這些並沒有表明變量無法以何種方式表現出來。它偏離目標嗎？離開目標到左邊？或者目標但是方差很大？一個能力指數不會告訴你這一點。您需要拆分索引才能執行此操作。您需要一個軸來顯示它是否偏離目標，另一個軸顯示其方差。
因此，為了使平均值和標準偏差在同一圖表中具有可比性，您需要按規格範圍，上限規格 - 下規格限值進行標準化。因此，您設置一個圖形，其中X坐標為（xbar-target）/（USL-LSL），Y坐標為s /（USL-LSL），其中xbar為平均估計值，s為標準差從數據估計。我們有定義：
Cpk = min（（xbar-LSL）/ 3s，（xbar -mean）/ 3s）
通過將其分為兩個部分，用於規範下限和上限，並求解Cpk = 1，我們得到如下圖：
如果一個過程將平均值和標準偏差標準化為在左側或右側黑線上著陸，那麼它將解決為具有恰好1的Cpk。如果它在三角形內，它的Cpk大於1。如果它在外面，它的Cpk小於1。如果我們記錄一個輪廓，顯示平均值和標準偏差的所有組合，這些組合的概率超出規格限制在.0013（大約千分之一），我們得到的紅色等高線非常接近於Cpk = 1三角形。所以現在我們也理解了Cpk和缺陷概率之間的關係。
將所有流程放在目標圖中，我們發現很多流程都無法實現。我們有像INM2這樣的過程變量，它們在目標上但具有非常高的方差。我們有像LYA1這樣的過程變量，它們沒有太高的方差但是偏離目標。我們有像VIA1這樣的過程變量，它們都有問題。
所以我們已經從查看128個報告轉向查看一張圖 。我們仍然看到每個流程變量的重要特徵，但現在我們在更大的背景下看到它們，我們可以輕鬆地找出需要擔心的那些。
這是能力圖的故事。當我們開始研究流程變更和跨多個響應的測試時，我們還需要一種方法來在一個圖中而不是多個圖中查看許多單向ANOVA。做一些擬合和測試 - 並在一個圖中很好地看到它們 - 是我下一篇博文的主題。
順便說一句，Capability平台已經支持JMP中現在的許多版本的目標圖。每個新版本的JMP都將具有更多功能，可用於評估多個響應或組。
注意： 這是一部分大統計 John Sall撰寫的一系列博客文章。讀完他的全部內容大統計帖子 。
里克威克林中寫道：
您的目標圖表讓人聯想到漏斗圖，它經常用於健康統計。兩者背後的想法是根據不確定性來排序點。如果您知道錯誤的分佈，則可以覆蓋置信限制。看我的文章比例的漏斗圖和漏斗圖用於正態分佈的錯誤 。
戴夫加爾特中寫道：
嗨，
我之前沒有看過這個能力圖，但我認為這很好，非常適合評估實驗室數據或生命體徵異常，如臨床數據所示。
（我們也有正常的範圍）。
現在我們需要一個動畫版本來繪製隨著時間的推移而不是放棄主題級別的變化。
邁克克萊頓中寫道：
感謝過去十年的所有努力。
我們一直在使用較新的功能圖來比較具有400多個測試的同一IC的兩個供應商（原始數據可從每個供應商處獲得數十個批次）。當然，訣竅是以有意義的方式處理遠離異常值和非正常數據，並且仍然對供應商進行排名和評級。幸運的是，您的支持團隊擁有經驗豐富的半導體專家。一個主要問題是每個測試的廢料限制，而控制限制則說明了一個非常不同的故事。
因此，使用帶有Phase的新SPC圖表來表示不同的供應商是以圖形方式增強功能比較的一種方法。這使供應鏈管理者更好地理解穩定性差異與能力差異。
大衛穆勒中寫道：
Thans這個有價值的帖子。
我們在哪裡可以下載“Semiconductor Capability.jmp”文件???
謝謝
大衛
