Überlegungen zu Daten für Capability Sixpack (nicht normal)

Befolgen Sie beim Erfassen von Daten, Durchführen der Analyse und Interpretieren der Ergebnisse die folgenden Richtlinien, um sicherzustellen, dass die Ergebnisse gültig sind.

Die Daten sollten stetig sein

Stetige Daten sind Messwerte, die potenziell einen beliebigen Wert innerhalb eines Wertebereichs auf einer stetigen Skala annehmen können; dazu gehören auch Brüche und Dezimalzahlen. Gängige Beispiele sind Messwerte für Länge, Gewicht und Temperatur.

Wenn attributive Daten wie Anzahlen von fehlerhaften Einheiten oder Fehlern vorliegen, verwenden Sie Prozessfähigkeitsanalyse für Binomialverteilung oder Prozessfähigkeitsanalyse (Poisson).

Erfassen Sie genügend Daten, um zuverlässige Schätzwerte der Prozessfähigkeit zu erhalten

Erfassen Sie nach Möglichkeit insgesamt mindestens 100 Datenpunkte(Teilgruppengröße*Anzahl der Teilgruppen), z. B. 25 Teilgruppen der Größe 4 oder 35 Teilgruppen der Größe 3. Wenn Sie keine ausreichende Menge von Daten über einen angemessenen Zeitraum erfassen, stellen die Daten die verschiedenen Quellen der Prozessstreuung möglicherweise nicht genau dar, und die Schätzwerte spiegeln nicht die tatsächliche Prozessfähigkeit des Prozesses wider. Da die Prozessdaten keiner Normalverteilung folgen, sollten Sie nach Möglichkeit versuchen, Teilgruppen mit mindestens 5 Beobachtungen zu erfassen, um sicherzustellen, dass die Schätzwerte der Eingriffsgrenzen nah an den wahren Werten liegen.

Der Prozess muss stabil und beherrscht sein

Wenn der aktuelle Prozess nicht stabil ist, kann die künftige, laufende Prozessfähigkeit des Prozesses anhand der Prozessfähigkeitsindizes nicht zuverlässig beurteilt werden. Verwenden Sie die Regelkarten in der Ausgabe des Capability Sixpack, um zu ermitteln, ob der Prozess stabil und beherrscht ist.

Die Daten müssen der gewählten Nicht-Normalverteilung folgen

Wenn die gewählte Verteilung nicht gut an die Daten angepasst ist, sind die Schätzwerte der Prozessfähigkeit nicht genau. Um zu bestimmen, welche Nicht-Normalverteilung am besten an die Daten angepasst ist, verwenden Sie Identifikation der Verteilung.