포아송 공정 능력 분석에 대한 모든 통계량 및 그래프 해석

해석

단위당 결점 수를 시각적으로 모니터링하고 결점 비율이 안정적이고 관리 상태에 있는지 여부를 확인하려면 U 관리도를 사용합니다.

빨간색 점은 부분군이 하나 이상의 특수 원인 검정을 통과하지 못했으며 관리 상태에 있지 않다는 것을 나타냅니다. 관리 이탈 상태에 있는 점은 공정이 안정적이지 않을 수 있으며 공정 능력 분석의 결과를 신뢰할 수 없을 수도 있다는 것을 나타냅니다. 관리 이탈 상태에 있는 점의 원인을 식별하고 공정 능력을 분석하기 전에 특수 원인 변동을 제거해야 합니다.

해석

조사해야 하는 관측치를 결정하고 데이터에서 특정 패턴 및 추세를 식별하려면 특수 원인 검정을 사용합니다. 각 특수 원인 검정은 데이터에서 공정 불안정성의 여러 측면을 보여주는 특정 패턴이나 추세를 감지합니다.

1개의 점이 중심선으로부터 3 시그마 범위 밖에 있음(P)

검정 1에서는 다른 부분군에 비해 비정상적인 부분군을 식별합니다. 검정 1은 보편적으로 관리 이탈 상황을 탐지하는 데 필요한 것으로 간주됩니다. 공정의 작은 이동에 관심이 있을 경우 검정 2를 사용하여 검정 1을 보완하면 민감도가 높은 관리도를 만들 수 있습니다.

9개의 연속된 점이 중심선으로부터 같은 쪽에 있음(N)

검정 2는 공정 변동의 이동을 식별합니다. 공정의 작은 이동에 관심이 있을 경우 검정 2를 사용하여 검정 1을 보완하면 민감도가 높은 관리도를 만들 수 있습니다.

6개의 연속된 점이 모두 상승 또는 하락(S)

검정 3에서는 추세를 탐지합니다. 이 검정은 값이 증가하거나 감소하는 긴 일련의 연속적인 점을 찾습니다.

14개의 연속된 점이 교대로 상승과 하락(F)

검정 4에서는 체계적인 변동을 탐지합니다. 공정의 변동 패턴이 랜덤하길 바라지만, 검정 4를 통과하지 못하는 점은 변동 패턴이 예측 가능하다는 것을 나타낼 수 있습니다.

해석

안정적인 DPU 추정치를 얻을 수 있을 만큼 충분한 표본을 수집했는지 확인하려면 누적 DPU 그림을 사용합니다.

더 많은 수의 표본을 수집함에 따라 추정치가 어떻게 변화하는지 확인하려면 시간 순으로 정렬된 표본의 단위당 결점 수를 조사합니다. 이상적으로 DPU는 여러 개의 표본 후에 안정화되어 점들이 평균 DPU 선을 따라 평평하게 표시되어야 합니다.

해석

데이터가 포아송 분포를 따르는지 여부를 평가하려면 포아송 그림을 사용합니다.

표시된 점들이 대략적으로 직선을 따르는지 여부를 확인하려면 그림을 조사합니다. 그렇지 않으면 데이터가 포아송 분포를 따른다는 가정이 잘못된 것일 수도 있습니다.

해석

여러 표본 크기에서 단위당 결점 수가 일정하다는 가정을 검사하여 데이터가 포아송 분포를 따르는지 확인하려면 결점 비율 그림을 사용합니다.

단위당 결점 수(DPU)가 표본 크기에 상관 없이 랜덤으로 분포되어 있는지 또는 패턴이 존재하는지 확인하려면 그림을 조사합니다. 데이터가 중심선 주위에 랜덤하게 위치할 경우, 데이터가 포아송 분포를 따른다는 결론을 내릴 수 있습니다.

해석

표본의 측정 단위당 결점 수의 분포를 평가하려면 DPU 히스토그램 분포를 사용합니다.

단위당 결점 수의 분포에 대한 봉우리와 산포를 조사합니다. 봉우리는 가장 일반적인 값을 나타내며 단위당 결점 수의 중심을 근사합니다. 표본별 단위당 결점 수의 변동량을 확인하려면 산포를 평가하십시오.

목표값에 대한 기준선을 히스토그램의 막대와 비교합니다. 공정에 공정 능력이 있는 경우 히스토그램의 막대가 대부분 또는 모두 목표값의 왼쪽에 있어야 합니다.

해석

각 단위에 대해 기대할 수 있는 평균 결점 수를 추정하고 공정이 고객의 기대를 충족하는지 확인하려면 평균 DPU를 사용합니다.

공정이 요구 사항을 충족하는지 여부를 확인하려면 평균 DPU를 목표 DPU와 비교합니다. 평균 DPU가 목표값보다 크면 공정을 개선해야 합니다.

또한 목표값을 DPU에 대한 CI 상한과 비교해야 합니다. CI 상한이 목표값보다 크면 공정에 대한 평균 DPU가 목표값보다 작다고 확신할 수 없습니다. 공정이 목표에 도달하는지 여부를 더 확실하게 확인하려면 더 큰 표본 크기가 필요할 수도 있습니다.

해석

데이터 표본이 랜덤이기 때문에 공정에서 수집된 여러 표본이 동일한 공정 능력 지수 추정치를 생성할 가능성이 거의 없습니다. 공정에 대한 실제 공정 능력 지수 값을 계산하려면 공정에서 생산하는 모든 품목에 대한 데이터를 분석해야 하지만 이는 불가능합니다. 대신, 신뢰 구간을 사용하여 공정 능력 지수가 될 수 있는 값의 범위를 결정할 수 있습니다.

95% 신뢰 수준에서 실제 공정 능력 지수 값이 신뢰 구간 내에 포함된다고 95% 신뢰할 수 있습니다. 즉, 공정에서 100개의 랜덤 표본을 수집하는 경우 약 95개의 표본이 실제 공정 능력 지수 값이 포함되는 구간을 생성할 것이라고 기대할 수 있습니다.

신뢰 구간은 표본 추정치의 실제 유의성을 평가하는 데 도움이 됩니다. 가능하면 신뢰 한계를 공정 지식 또는 업계 표준을 기반으로 한 벤치마크 값과 비교하십시오.

예를 들어, 한 제조 공정의 단위당 최대 허용 평균 결점 수는 0.025%입니다. 분석가들은 포아송 공정 능력 분석을 사용하여 0.011%의 평균 DPU 추정치를 얻으며, 이는 공정에 공정 능력이 있다는 것을 나타냅니다. 그러나 평균 DPU에 대한 CI 상한은 0.029%입니다. 따라서 분석가들은 모집단의 평균 DPU가 최대 허용 값을 초과한다고 95% 확신할 수 없습니다. 표본 추정치에 대해 더 좁은 신뢰 구간을 얻기 위해 더 큰 표본 크기를 사용하거나 데이터의 변동을 줄여야 할 수도 있습니다.

해석

각 단위에 대해 기대할 수 있는 최소 결점 수를 추정하려면 최소 DPU를 사용합니다.

해석

각 단위에 대해 기대할 수 있는 최대 결점 수를 추정하려면 최대 DPU를 사용합니다.

해석

공정이 요구 사항을 충족하는지 여부를 확인하려면 평균 DPU를 목표 DPU와 비교합니다. 평균 DPU가 목표값보다 크면 공정을 개선해야 합니다.

또한 목표값을 DPU에 대한 CI 상한과 비교해야 합니다. CI 상한이 목표값보다 크면 공정에 대한 평균 DPU가 목표값보다 작다고 확신할 수 없습니다. 공정이 목표에 도달하는지 여부를 더 확실하게 확인하려면 더 큰 표본 크기가 필요할 수도 있습니다.