Die Mittellinie stellt den Prozessmittelwert μ dar. Wenn Sie keinen historischen Wert für den Prozessmittelwert angeben, verwendet Minitab den Mittelwert der Beobachtungen.
Wenn Sie für die Standardabweichung des Prozesses σ keinen historischen Wert angeben, schätzt Minitab σ mit der angegebenen Methode aus den Daten.
Begriff | Beschreibung |
---|---|
μ | Prozessmittelwert |
k | Parameter für Test 1. Der Standardwert ist 3. |
Der Mittelwert der gleitenden Spannweite, , mit der Länge w wird mit der folgenden Formel angegeben:
wobei MRi die gleitende Spannweite für Beobachtung i darstellt, die wie folgt berechnet wird:
Minitab verwendet zum Berechnen von Smr, einem erwartungstreuen Schätzwert von σ:
Begriff | Beschreibung |
---|---|
n | Anzahl der Beobachtungen |
w | Länge der gleitenden Spannweite. Der Standardwert ist 2. |
d2() | Wert der Konstanten für erwartungstreue Schätzung d2, der dem in Klammern angegebenen Wert entspricht |
Mit der Nelson-Schätzmethode können Sie ungewöhnlich große Werte für die gleitende Spannweite in der Berechnung der Eingriffsgrenzen korrigieren. Das Verfahren ähnelt dem vorgeschlagenen Verfahren von Nelson1 Minitab entfernt alle Werte für die gleitende Spannweite, die mehr als 3σ über der durchschnittlichen gleitenden Spannweite liegen, und anschließend werden die durchschnittliche gleitende Spannweite und die Eingriffsgrenzen erneut berechnet.
Der Median der gleitenden Spannweite, , mit der Länge w wird mit der folgenden Formel angegeben:
wobei MRi die gleitende Spannweite für Beobachtung i darstellt, die wie folgt berechnet wird:
Minitab verwendet zum Berechnen von Smr, einem erwartungstreuen Schätzwert von σ:
Begriff | Beschreibung |
---|---|
n | Anzahl der Beobachtungen |
w | Länge der gleitenden Spannweite. Der Standardwert ist 2. |
d4() | Wert der Konstanten für erwartungstreue Schätzung d4, der dem in Klammern angegebenen Wert entspricht |
MSSD steht für das Mittel der quadrierten sukzessiven Differenzen. Die Quadratwurzel von MSSD (SRMSSD) wird wie folgt berechnet:
Begriff | Beschreibung |
---|---|
di | Differenz zwischen dem Wert der Beobachtung i und dem Wert der Beobachtung i – 1 |
N | Anzahl der Beobachtungen |
c4'(N) | Konstante für erwartungstreue Schätzung aus einer Tabelle |
d2(N) ist der erwartete Wert der Spannweite von N Beobachtungen aus einer normalverteilten Grundgesamtheit mit Standardabweichung = 1. Wenn also r die Spannweite einer Stichprobe von N Beobachtungen aus einer Normalverteilung mit Standardabweichung = σ ist, dann ist E(r) = d2(N)σ.
d3(N) ist die Standardabweichung der Spannweite von N Beobachtungen aus einer normalverteilten Grundgesamtheit mit σ = 1. Wenn also r die Spannweite einer Stichprobe von N Beobachtungen aus einer Normalverteilung mit Standardabweichung = σ ist, dann ist StdAbw(r) = d3(N)σ.
Suchen Sie in der folgenden Tabelle eine Konstante für die erwartungstreue Schätzung für einen bestimmten Wert N. (Ziehen Sie zum Bestimmen des Werts von N die Formel für die betreffende Statistik hinzu.)
N | d2(N) | d3(N) | d4(N) |
---|---|---|---|
2 | 1,128 | 0,8525 | 0,954 |
3 | 1,693 | 0,8884 | 1,588 |
4 | 2,059 | 0,8798 | 1,978 |
5 | 2,326 | 0,8641 | 2,257 |
6 | 2,534 | 0,848 | 2,472 |
7 | 2,704 | 0,8332 | 2,645 |
8 | 2,847 | 0,8198 | 2,791 |
9 | 2,970 | 0,8078 | 2,915 |
10 | 3,078 | 0,7971 | 3,024 |
11 | 3,173 | 0,7873 | 3,121 |
12 | 3,258 | 0,7785 | 3,207 |
13 | 3,336 | 0,7704 | 3,285 |
14 | 3,407 | 0,7630 | 3,356 |
15 | 3,472 | 0,7562 | 3,422 |
16 | 3,532 | 0,7499 | 3,482 |
17 | 3,588 | 0,7441 | 3,538 |
18 | 3,640 | 0,7386 | 3,591 |
19 | 3,689 | 0,7335 | 3,640 |
20 | 3,735 | 0,7287 | 3,686 |
21 | 3,778 | 0,7242 | 3,730 |
22 | 3,819 | 0,7199 | 3,771 |
23 | 3,858 | 0,7159 | 3,811 |
24 | 3,895 | 0,7121 | 3,847 |
25 | 3,931 | 0,7084 | 3,883 |
N | d2(N) |
---|---|
26 | 3,964 |
27 | 3,997 |
28 | 4,027 |
29 | 4,057 |
30 | 4,086 |
31 | 4,113 |
32 | 4,139 |
33 | 4,165 |
34 | 4,189 |
35 | 4,213 |
36 | 4,236 |
37 | 4,259 |
38 | 4,280 |
39 | 4,301 |
40 | 4,322 |
41 | 4,341 |
42 | 4,361 |
43 | 4,379 |
44 | 4,398 |
45 | 4,415 |
46 | 4,433 |
47 | 4,450 |
48 | 4,466 |
49 | 4,482 |
50 | 4,498 |
Entnehmen Sie den folgenden Tabellen Werte für die Konstante für die erwartungstreue Schätzung c4'(), die in den Formeln für die Schätzmethode für Sigma auf der Grundlage der Quadratwurzel von MSSD verwendet wird.
N | c4'(N) | N | c4'(N) | N | c4'(N) |
---|---|---|---|---|---|
2 | 0,797850 | 41 | 0,990797 | 80 | 0,995215 |
3 | 0,871530 | 42 | 0,991013 | 81 | 0,995272 |
4 | 0,905763 | 43 | 0,991218 | 82 | 0,995328 |
5 | 0,925222 | 44 | 0,991415 | 83 | 0,995383 |
6 | 0,937892 | 45 | 0,991602 | 84 | 0,995436 |
7 | 0,946837 | 46 | 0,991782 | 85 | 0,995489 |
8 | 0,953503 | 47 | 0,991953 | 86 | 0,995539 |
9 | 0,958669 | 48 | 0,992118 | 87 | 0,995589 |
10 | 0,962793 | 49 | 0,992276 | 88 | 0,995638 |
11 | 0,966163 | 50 | 0,992427 | 89 | 0,995685 |
12 | 0,968968 | 51 | 0,992573 | 90 | 0,995732 |
13 | 0,971341 | 52 | 0,992713 | 91 | 0,995777 |
14 | 0,973375 | 53 | 0,992848 | 92 | 0,995822 |
15 | 0,975137 | 54 | 0,992978 | 93 | 0,995865 |
16 | 0,976679 | 55 | 0,993103 | 94 | 0,995908 |
17 | 0,978039 | 56 | 0,993224 | 95 | 0,995949 |
18 | 0,979249 | 57 | 0,993340 | 96 | 0,995990 |
19 | 0,980331 | 58 | 0,993452 | 97 | 0,996030 |
20 | 0,981305 | 59 | 0,993561 | 98 | 0,996069 |
21 | 0,982187 | 60 | 0,993666 | 99 | 0,996108 |
22 | 0,982988 | 61 | 0,993767 | 100 | 0,996145 |
23 | 0,983720 | 62 | 0,993866 | 101 | 0,996182 |
24 | 0,984391 | 63 | 0,993961 | 102 | 0,996218 |
25 | 0,985009 | 64 | 0,994053 | 103 | 0,996253 |
26 | 0,985579 | 65 | 0,994142 | 104 | 0,996288 |
27 | 0,986107 | 66 | 0,994229 | 105 | 0,996322 |
28 | 0,986597 | 67 | 0,994313 | 106 | 0,996356 |
29 | 0,987054 | 68 | 0,994395 | 107 | 0,996389 |
30 | 0,987480 | 69 | 0,994474 | 108 | 0,996421 |
31 | 0,987878 | 70 | 0,994551 | 109 | 0,996452 |
32 | 0,988252 | 71 | 0,994626 | 110 | 0,996483 |
33 | 0,988603 | 72 | 0,994699 | 111 | 0,996514 |
34 | 0,988934 | 73 | 0,994769 | 112 | 0,996544 |
35 | 0,989246 | 74 | 0,994838 | 113 | 0,996573 |
36 | 0,989540 | 75 | 0,994905 | 114 | 0,996602 |
37 | 0,989819 | 76 | 0,994970 | 115 | 0,996631 |
38 | 0,990083 | 77 | 0,995034 | 116 | 0,996658 |
39 | 0,990333 | 78 | 0,995096 | 117 | 0,996686 |
40 | 0,990571 | 79 | 0,995156 | 118 | 0,996713 |
N | c4'(N) | N | c4'(N) | N | c4'(N) |
---|---|---|---|---|---|
119 | 0,996739 | 160 | 0,997541 | 201 | 0,998016 |
120 | 0,996765 | 161 | 0,997555 | 202 | 0,998025 |
121 | 0,996791 | 162 | 0,997570 | 203 | 0,998034 |
122 | 0,996816 | 163 | 0,997584 | 204 | 0,998043 |
123 | 0,996841 | 164 | 0,997598 | 205 | 0,998052 |
124 | 0,996865 | 165 | 0,997612 | 206 | 0,998061 |
125 | 0,996889 | 166 | 0,997625 | 207 | 0,998070 |
126 | 0,996913 | 167 | 0,997639 | 208 | 0,998078 |
127 | 0,996936 | 168 | 0,997652 | 209 | 0,998087 |
128 | 0,996959 | 169 | 0,997665 | 210 | 0,998095 |
129 | 0,996982 | 170 | 0,997678 | 211 | 0,998104 |
130 | 0,997004 | 171 | 0,997691 | 212 | 0,998112 |
131 | 0,997026 | 172 | 0,997703 | 213 | 0,998120 |
132 | 0,997047 | 173 | 0,997716 | 214 | 0,998128 |
133 | 0,997069 | 174 | 0,997728 | 215 | 0,998137 |
134 | 0,997089 | 175 | 0,997741 | 216 | 0,998145 |
135 | 0,997110 | 176 | 0,997753 | 217 | 0,998152 |
136 | 0,997130 | 177 | 0,997765 | 218 | 0,998160 |
137 | 0,997150 | 178 | 0,997776 | 219 | 0,998168 |
138 | 0,997170 | 179 | 0,997788 | 220 | 0,998176 |
139 | 0,997189 | 180 | 0,997800 | 221 | 0,998184 |
140 | 0,997209 | 181 | 0,997811 | 222 | 0,998191 |
141 | 0,997227 | 182 | 0,997822 | 223 | 0,998199 |
142 | 0,997246 | 183 | 0,997834 | 224 | 0,998206 |
143 | 0,997264 | 184 | 0,997845 | 225 | 0,998214 |
144 | 0,997282 | 185 | 0,997856 | 226 | 0,998221 |
145 | 0,997300 | 186 | 0,997866 | 227 | 0,998228 |
146 | 0,997318 | 187 | 0,997877 | 228 | 0,998235 |
147 | 0,997335 | 188 | 0,997888 | 229 | 0,998242 |
148 | 0,997352 | 189 | 0,997898 | 230 | 0,998250 |
149 | 0,997369 | 190 | 0,997909 | 231 | 0,998257 |
150 | 0,997386 | 191 | 0,997919 | 232 | 0,998263 |
151 | 0,997402 | 192 | 0,997929 | 233 | 0,998270 |
152 | 0,997419 | 193 | 0,997939 | 234 | 0,998277 |
153 | 0,997435 | 194 | 0,997949 | 235 | 0,998284 |
154 | 0,997450 | 195 | 0,997959 | 236 | 0,998291 |
155 | 0,997466 | 196 | 0,997969 | 237 | 0,998297 |
156 | 0,997481 | 197 | 0,997978 | 238 | 0,998304 |
157 | 0,997497 | 198 | 0,997988 | 239 | 0,998311 |
158 | 0,997512 | 199 | 0,997997 | 240 | 0,998317 |
159 | 0,997526 | 200 | 0,998007 | 241 | 0,998323 |
N | c4'(N) | N | c4'(N) | N | c4'(N) |
---|---|---|---|---|---|
242 | 0,998330 | 283 | 0,998553 | 324 | 0,998720 |
243 | 0,998336 | 284 | 0,998558 | 325 | 0,998723 |
244 | 0,998342 | 285 | 0,998562 | 326 | 0,998727 |
245 | 0,998349 | 286 | 0,998567 | 327 | 0,998730 |
246 | 0,998355 | 287 | 0,998571 | 328 | 0,998734 |
247 | 0,998361 | 288 | 0,998576 | 329 | 0,998737 |
248 | 0,998367 | 289 | 0,998580 | 330 | 0,998740 |
249 | 0,998373 | 290 | 0,998585 | 331 | 0,998744 |
250 | 0,998379 | 291 | 0,998589 | 332 | 0,998747 |
251 | 0,998385 | 292 | 0,998593 | 333 | 0,998751 |
252 | 0,998391 | 293 | 0,998598 | 334 | 0,998754 |
253 | 0,998397 | 294 | 0,998602 | 335 | 0,998757 |
254 | 0,998403 | 295 | 0,998606 | 336 | 0,998761 |
255 | 0,998408 | 296 | 0,998611 | 337 | 0,998764 |
256 | 0,998414 | 297 | 0,998615 | 338 | 0,998767 |
257 | 0,998420 | 298 | 0,998619 | 339 | 0,998770 |
258 | 0,998425 | 299 | 0,998623 | 340 | 0,998774 |
259 | 0,998431 | 300 | 0,998627 | 341 | 0,998777 |
260 | 0,998436 | 301 | 0,998632 | 342 | 0,998780 |
261 | 0,998442 | 302 | 0,998636 | 343 | 0,998783 |
262 | 0,998447 | 303 | 0,998640 | 344 | 0,998786 |
263 | 0,998453 | 304 | 0,998644 | 345 | 0,998790 |
264 | 0,998458 | 305 | 0,998648 | 346 | 0,998793 |
265 | 0,998463 | 306 | 0,998652 | 347 | 0,998796 |
266 | 0,998469 | 307 | 0,998656 | 348 | 0,998799 |
267 | 0,998474 | 308 | 0,998660 | 349 | 0,998802 |
268 | 0,998479 | 309 | 0,998664 | 350 | 0,998805 |
269 | 0,998484 | 310 | 0,998668 | 351 | 0,998808 |
270 | 0,998489 | 311 | 0,998671 | 352 | 0,998811 |
271 | 0,998495 | 312 | 0,998675 | 353 | 0,998814 |
272 | 0,998500 | 313 | 0,998679 | 354 | 0,998817 |
273 | 0,998505 | 314 | 0,998683 | 355 | 0,998820 |
274 | 0,99851 | 315 | 0,998687 | 356 | 0,998823 |
275 | 0,998515 | 316 | 0,998690 | 357 | 0,998826 |
276 | 0,998519 | 317 | 0,998694 | 358 | 0,998829 |
277 | 0,998524 | 318 | 0,998698 | 359 | 0,998832 |
278 | 0,998529 | 319 | 0,998701 | 360 | 0,998835 |
279 | 0,998534 | 320 | 0,998705 | 361 | 0,998837 |
280 | 0,998539 | 321 | 0,998709 | 362 | 0,998840 |
281 | 0,998544 | 322 | 0,998712 | 363 | 0,998843 |
282 | 0,998548 | 323 | 0,998716 | 364 | 0,998846 |
k | c4'(k) | k | c4'(k) | k | c4'(k) |
---|---|---|---|---|---|
365 | 0,998849 | 411 | 0,998963 | 457 | 0,999054 |
366 | 0,998851 | 412 | 0,998965 | 458 | 0,999056 |
367 | 0,998854 | 413 | 0,998967 | 459 | 0,999058 |
368 | 0,998857 | 414 | 0,998970 | 460 | 0,999060 |
369 | 0,998860 | 415 | 0,998972 | 461 | 0,999061 |
370 | 0,998862 | 416 | 0,998974 | 462 | 0,999063 |
371 | 0,998865 | 417 | 0,998976 | 463 | 0,999065 |
372 | 0,998868 | 418 | 0,998978 | 464 | 0,999067 |
373 | 0,998871 | 419 | 0,998980 | 465 | 0,999068 |
374 | 0,998873 | 420 | 0,998982 | 466 | 0,999070 |
375 | 0,998876 | 421 | 0,998985 | 467 | 0,999072 |
376 | 0,998879 | 422 | 0,998987 | 468 | 0,999073 |
377 | 0,998881 | 423 | 0,998989 | 469 | 0,999075 |
378 | 0,998884 | 424 | 0,998991 | 470 | 0,999077 |
379 | 0,998886 | 425 | 0,998993 | 471 | 0,999078 |
380 | 0,998889 | 426 | 0,998995 | 472 | 0,999080 |
381 | 0,998892 | 427 | 0,998997 | 473 | 0,999082 |
382 | 0,998894 | 428 | 0,998999 | 474 | 0,999084 |
383 | 0,998897 | 429 | 0,999001 | 475 | 0,999085 |
384 | 0,998899 | 430 | 0,999003 | 476 | 0,999087 |
385 | 0,998902 | 431 | 0,999005 | 477 | 0,999088 |
386 | 0,998904 | 432 | 0,999007 | 478 | 0,999090 |
387 | 0,998907 | 433 | 0,999009 | 479 | 0,999092 |
388 | 0,998909 | 434 | 0,999011 | 480 | 0,999093 |
389 | 0,998912 | 435 | 0,999013 | 481 | 0,999095 |
390 | 0,998914 | 436 | 0,999015 | 482 | 0,999097 |
391 | 0,998917 | 437 | 0,999017 | 483 | 0,999098 |
392 | 0,998919 | 438 | 0,999019 | 484 | 0,999100 |
393 | 0,998921 | 439 | 0,999021 | 485 | 0,999101 |
394 | 0,998924 | 440 | 0,999023 | 486 | 0,999103 |
395 | 0,998926 | 441 | 0,999025 | 487 | 0,999104 |
396 | 0,998929 | 442 | 0,999027 | 488 | 0,999106 |
397 | 0,998931 | 443 | 0,999028 | 489 | 0,999108 |
398 | 0,998933 | 444 | 0,999030 | 490 | 0,999109 |
399 | 0,998936 | 445 | 0,999032 | 491 | 0,999111 |
400 | 0,998938 | 446 | 0,999034 | 492 | 0,999112 |
401 | 0,998940 | 447 | 0,999036 | 493 | 0,999114 |
402 | 0,998943 | 448 | 0,999038 | 494 | 0,999115 |
403 | 0,998945 | 449 | 0,999040 | 495 | 0,999117 |
404 | 0,998947 | 450 | 0,999042 | 496 | 0,999118 |
405 | 0,998950 | 451 | 0,999043 | 497 | 0,999120 |
406 | 0,998952 | 452 | 0,999045 | 498 | 0,999121 |
407 | 0,998954 | 453 | 0,999047 | 499 | 0,999123 |
408 | 0,998956 | 454 | 0,999049 | 500 | 0,999124 |
409 | 0,998959 | 455 | 0,999051 | ||
410 | 0,998961 | 456 | 0,999052 |
Wenn Sie eine Box-Cox-Transformation ausführen, transformiert Minitab die ursprünglichen Datenwerte (Yi) entsprechend der folgenden Formel:
wobei λ den Parameter für die Transformation darstellt. Minitab erstellt dann eine Regelkarte der transformierten Datenwerte (Wi). Weitere Informationen dazu, wie Minitab den optimalen Wert für λ auswählt, finden Sie unter Methoden und Formeln für Box-Cox-Transformation.
λ | Transformation |
---|---|
2 | |
0,5 | |
0 | |
−0,5 | |
−1 |