多变量正态能力分析 的图形

对于随针对多个变量的正态能力分析提供的每个图形,查找定义和解释指导。

正态概率图

概率图显示每个数据点以及样本中小于或等于该数据点的值的百分比。
概率图包括以下组成部分:
中线
基于极大似然参数估计的分布的预期百分位数。
置信限线
左侧曲线表示百分位数的置信区间下限。右侧曲线表示百分位数的置信区间上限。
Anderson-Darling 检验统计量和 p 值
用于确定数据是否服从分布的检验结果。

解释

使用正态概率图评估数据服从正态分布的要求。

如果正态分布能够与数据实现良好拟合,这些点应该大致形成一条直线并且沿位于置信限之间的拟合线排列。背离这条直线表明违背正态性。如果 p 值大于 0.05,则可以假设数据服从正态分布。您可以使用正态分布评估过程的能力。

如果 p 值小于 0.05,则数据不是正态数据且能力分析结果可能不准确。请使用个体分布标识确定是否必须变换数据或者拟合非正态分布才能执行能力分析。
注意

如果多个变量的分布存在差异,您应该为每个变量执行单独的能力分析。

能力直方图

能力直方图显示针对每个变量的样本数据的分布。直方图上的每个条形代表数据在区间内的频率。

直方图中的组内曲线和整体曲线是使用过程均值和不同的过程变异估计值生成的正态分布曲线。组内虚曲线使用子组内标准差。整体实曲线使用整体标准差。

解释

使用能力直方图查看样本数据与分布拟合和规格限的关系。

查找非正态性证据

对于每个变量,将整体实曲线与直方图的条形进行比较,评估数据是否大致是正态的。如果条形与曲线存在很大差异,则数据可能不是正态的,并且能力分析结果可能不准确。如果数据看上去为非正态,请使用个体分布标识确定是否应该变换数据或拟合非正态分布以执行能力分析。

良好拟合
不良拟合
注意

如果多个变量的分布存在差异,您应该为每个变量执行单独的能力分析。

比较组内曲线和整体曲线

对于每个变量,将直方图中的整体实曲线与组内虚曲线进行比较,确定这些曲线的对齐紧密程度。如果曲线之间存在很大差异,则表明过程可能不稳定,或者该变量在子组间可能存在明显变异。在执行能力分析之前,为该变量使用一种控制图以评估您的过程是否稳定。

紧密对齐
不良对齐
检查样本数据,以与过程要求进行比较。
对于每个变量,直观检查直方图中的数据与规格下限和规格上限的关系。理想情况下,数据的散布窄于规格散布,并且所有数据都在规格限内。超出规格限的数据表示不合格项。

但是,过程展开大于规格展开,这表明能力较差。虽然大部分数据都在规格限内,但是也有一些低于规格下限 (LSL) 和高于规格上限 (USL) 的部件。在这些结果中,过程数据出现在规格限之间的中央。

注意

要确定过程中不合格项的实际数量,请使用 PPM < 规格下限、PPM > 规格上限以及合计 PPM 的结果。有关更多信息,请转到“所有统计量和图形”。

要更全面地分析正态能力分析的假定,请使用正态 Capability Sixpack

使用此网站,即表示您同意对数据分析和个性化内容使用 Cookie。  请阅读我们的政策