我有哪些类型的数据?

您使用的控制图取决于您要收集连续数据还是属性数据。如果您有多个连续变量,请考虑您是否拥有多变量数据。属性数据有两个子类型:二项和 Poisson。

连续变量可以有无限多个值,如 234.8 或 0.01。属性变量的值限制为指定类别或离散值。例如,属性值可以包括“通过”和“失败”类别。样本中的缺陷数也可以是属性变量。

连续测量值提供的信息一般比属性数据多。但是,属性数据往往更便于收集。因此,当难以获取连续测量值时,通常会收集属性数据。一般而言,属性数据是由操作员或质量控制人员分配的主观评分。

连续过程数据

连续数据用于测量部件或过程的特征,如长度、重量或温度。此类数据通常包括分数(或小数)值。

例如,一家食品制造商要调查谷类产品的重量是否在一段时间内保持一致。为了收集数据,质量分析员将记录盒装谷类食品样本的重量。

如果您收集的是子组中的连续数据,可以使用统计 > 控制图 > 子组的变量控制图中的控制图之一。

如果您收集的是单个测量值的连续数据,则可以使用统计 > 控制图 > 单值的变量控制图中的控制图之一。

多变量过程数据

如果您从同一个过程收集多个连续变量,则将拥有多变量数据。当变量彼此相关时,可以在一个多变量控制图上监视多个变量。例如,您可以监控用来生产注塑件的过程的温度和压力。

要确定应使用单变量控制图还是多变量控制图,请创建变量的相关矩阵。如果变量彼此相关,请考虑创建多变量控制图。

如果数据包括相关变量,则为每个变量创建单独的控制图会产生误导,因为这些变量共同影响过程。如果在多变量情况下使用单独的单变量控制图,则下面各项不等于其预期值:
  • 类型 I 错误
  • 某个点正确落在控制限内的概率

这些值的失真将随测量值变量的数量增加。

如果您有多变量数据,则多变量控制图将提供以下优势:
  • 它们表示相关变量的实际控制区域(对于二变量情况,为椭圆)。
  • 它们让您可以保持指定的类型 I 错误率。
  • 它们允许您在单个控制图(通常具有单个控制限)上监视所有相关的过程变量。

但是,与传统的 Shewhart 控制图相比,多变量控制图较难解释。例如,多变量控制图上的尺度与任何变量的尺度都没有关系。而且,多变量控制图中的失控信号不会显示哪些变量(或变量组合)导致了此信号。

如果您有从两个或多个相关变量收集到的连续数据,则可以使用统计 > 控制图 > 多变量控制图中的控制图之一。

属性过程数据

对于控制图,属性数据通常是不符合性(也称为缺陷)或不合格单元(也称为缺陷品)的计数。不符合性指某个质量特征,不合格单元指整个产品。一个单元可能具有许多不符合性,但单元本身或者是合格单元,或者是不合格单元。例如,金属面板上的划痕就是一个不符合性。如果存在多个划痕,则整个面板可能被视为一个不合格单元。

Poisson 数据
Poisson 数据的值通常是缺陷或事件的计数。Poisson 数据通常用于对发生率建模,例如每单位缺陷数。
例如,检查员每小时抽取 5 条沙滩巾并检查它们是否有褪色、撕裂和针脚错误。他们记录下样本中的缺陷总数。每条沙滩巾可能存在多个缺陷,如 1 处褪色和 2 处撕裂(3 个缺陷)。
二项数据
二项数据的值被分类为两种类型中的一种,例如通过/失败,通过/通不过。二项数据通常用于计算比例或百分比,例如抽样部件为缺陷品的百分比。
例如,自动检查过程将检查螺栓样本是否存在导致其不能使用的严重裂纹。对于每个样本,分析员将记录所检查的螺栓数以及被拒绝的螺栓数。

如果您拥有属性数据,则可以使用统计 > 控制图 > 属性控制图中的控制图之一。

稀有事件过程数据

稀有事件的控制图显示事件之间的时间量或机会数。稀有事件控制图上较高的标绘点指示事件之间的时间较长。稀有事件控制图上较低的标绘点指示事件之间的时间较短。

一些事件的发生频率如此之低,以至于您无法使用传统的控制图(如 Xbar-R 或 P 控制图)来监视数据。稀有事件的示例包括院内感染、用药错误或具有较低缺陷率的制造过程。

如果您拥有稀有事件数据,则可以使用统计 > 控制图 > 稀有事件控制图中的控制图之一。

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